通过单例学习和分层绑定等方式，预测处理系统可灵活地在新情景中广泛推广，并使用感知价值预测来实施多个生存和复制策略，且这种系统所感知的 “有意识的体验” 是其自身功能的感知表示，从而解决了 “意识元问题”

Jan, 2023

大脑通过形成逻辑一致且具有预测能力的现实模型来反映外部世界的因果关系，表现为意识。同时，这篇论文解决了统计模糊性的问题并提供了因果关系的正式概率最大具体规则模型。我们认为大脑从因果关系中进行了所有可能的推理，并证明了所提出的模型具有明确的推理性质：从一致的前提我们推导出一致的结论，从而形成了对感知世界的一致模型。因果关系可以创造出循环可预测属性的固定点。我们考虑了约翰・S・密尔引入的 “自然” 分类，并展示了对象属性的各种固定点形成了外部世界的 “自然” 分类。然后我们考虑了埃莉诺・罗施和鲍勃・雷德引入的 “自然” 类别和因果模型的概念，并证明了我们感知到的对象属性的因果关系固定点形式化了这些概念。如果 “自然” 分类描述了外部世界的对象，而 “自然” 概念描述了对这些对象的感知，那么由 G・托诺尼提出的综合信息理论描述了大脑的 “自然” 概念形成的信息过程，反映了 “自然” 分类。我们认为综合信息提供了高度准确的对象识别能力。此外，本文还提供了一个基于计算机的实验，展示了编码数字的固定点形成。

Dec, 2023

该研究通过对深度神经网络的训练动态、神经元和层级表示的广泛实证研究，尝试辨别深度学习系统中隐含的聚类能力、机制和超参数，评估它们对解释这些系统的泛化能力的相关性，从而阐述了先验知识在机器学习设计中的重要性。

Mar, 2022

意识被人们以客观术语定义极其困难，本文通过研究意识和决策行为的关系，从根本原则上生成了一个新的意识定义，其中要求包括感知能力、记忆存储、想象力和决策能力，丢失其中任何一个组成部分都将使意识思维的能力消失。

Jun, 2024

通过使用元学习方法从符号贝叶斯模型的先验分布生成一组任务集，我们能够将快速概念学习所需的归纳偏倚转移到神经网络中，创造出具有对短逻辑公式表达的概念存在偏倚的神经网络，这些结果与人类表现高度一致。

Feb, 2024

通过使用结构性归纳偏差和先验知识，在机器人感知问题中提出了多种先验知识的来源和编码方法，以解决物体定位、决策制定和场景理解等挑战性问题。

May, 2024

该研究论证了强人工智能假说，即机器可以具有意识。它通过证实意识的本质过程是可计算的，建立了意识与技术的联系。这将支持一种新的人工智能形式，即所谓的 “合成意向性”，具有综合、概括、选择和重复意向的能力，但存在一些问题比如反射认知、塞尔的 “中文房间” 以及如何 “理解”“意义” 和 “创造性”。

May, 2016

通过在神经网络中引入先前的信息，我们能够在失败的机器学习算法无法学习的情况下解决任务。在这项研究中，我们通过对 64x64 的二进制图像数据集进行训练，使用一个两层 MLP 体系结构学习任务，其中包括以先前的中间阶段作为监督的中间级概念，从而获得可靠的正面证据来支持我们的假设。

Jan, 2013

利用神经网络简化世界，构建机器人手臂三维位置的低维状态表示，我们在高维图像中使用先验知识的失真函数学习无监督，并通过加大图像尺寸、添加干扰项和域随机化等手段实现转移学习，检验新先验在表示的稳定性上的贡献。

Sep, 2017

人工意识是否理论上可行？是否可信？如果是，技术上是否可行？为了在这些问题上取得进展，有必要奠定一些基础，明确人工意识产生的逻辑和经验条件以及相关术语的含义。我们的首要目标是回顾人工意识领域中出现的主要理论问题，并在此基础上提出在多维度模型中评估人工意识问题的建议。尽管面临诸多挑战，我们概述了一种研究策略，展示了我们提出的 “意识” 的可行性在人工系统中得以实现。

Mar, 2024