构建像大脑一样适应和计算的机器
本文综述认知科学的进展,提出了人工智能领域需要实现的目标和面临的挑战,即建立支持解释和理解的世界因果模型,以及将学习基于物理和心理直觉理论,使用组合性和学习来学习以适应新的任务和情况
Apr, 2016
计算机科学和脑科学的历史紧密相连。两者间存在着类似和不同之处。该研究提出要研究脑科学与计算机科学的交界处,并探索其带来的新机遇和连接。在这个界面,还存在许多关键问题需要研究,同时也提供了 CISE 研究社区发挥战略作用的机会,以促进工作的进展。
Apr, 2020
本文考虑在神经科学和机器学习之间建立联系,提出脑部通过优化各式各样的代价函数来实现数据高效学习和定向行为,其中包括关注、递归等结构体系和各种形式的短时和长时记忆存储,作者提出了未来神经科学试图改进和检验这些假设的方向。
Jun, 2016
本论文概述了生物神经网络为灵活认知所需的特征,讨论了神经网络体系结构的系统级通信和重复性以及短期拓扑变化对于机器学习模型的贡献,并说明人工系统中测试这些归纳偏见有助于理解领域通用认知的生物学原则。
Mar, 2023
语言理解是认知科学和计算机科学领域的关键科学问题。本文比较了认知科学和计算机科学在语言理解方面的不同研究问题和方法,并探讨如何将两个领域的洞见结合起来,为构建智能语言模型和研究语言认知机制提供新的启示和展望。
Jan, 2023
该综述旨在通过研究神经科学和认知心理学的方法,为人工通用智能的追求做出贡献。尽管深度学习模型在各个领域取得了令人印象深刻的进展,但它们在抽象推理和因果理解方面仍然存在缺点。这些能力应该最终整合到人工智能系统中,以克服数据驱动的限制,并以更加接近人类智能的方式支持决策。本工作是一项纵向综述,试图广泛探索大脑功能的范围,包括从低层生物神经元、尖峰神经网络和神经元集合到更高层的概念,如脑解剖学、向量符号体系结构、认知和分类模型以及认知体系结构。希望这些概念能为人工通用智能的解决方案提供启示。
Jan, 2024
通过一系列的实验,我们评估了当前基于视觉的大型语言模型在直觉物理、因果推理和直观心理领域的表现。我们的研究结果表明,尽管这些模型在处理和解释视觉数据方面表现出显著的能力,但在这些领域仍然不如人类。这些模型对物理定律和因果关系有基本的理解,但缺乏更深入的洞察力 - 人类认知的一个关键方面。此外,在需要直觉心理理论的任务中,这些模型完全失败。我们的结果强调了将更强大的理解因果关系、物理动力学和社会认知机制整合到现代基于视觉的语言模型中的必要性,并指出了认知启发式评估标准的重要性。
Nov, 2023
该研究针对机器学习和认知神经科学中的中心课题提出了一种形式化的神经活动模型,该模型可以通过神经元集合的创建和操作实现某些简单的认知操作,并具有较强的泛化、鲁棒性和快速性,还可以捕捉时间和空间序列,实现通用计算。
Jun, 2023
本文首先回顾了神经形态计算的动机和驱动力,然后讨论了该领域的主要研究方向,包括神经启发式模型、算法和学习方法、硬件和设备、支持系统以及应用,并给出了未来研究的主要方向和目标。
May, 2017