无模型,有模型和通用智能
本篇论文重点针对模型导向人工智能的方法及其应用中 SAT 和 ASP 这两个系统的输入形式进行分析,特别是通过将输入形式重新制定和配置,优化推理过程。经过广泛领域内数据的实验证明,使用这种方法可以获得不同的优势。
Mar, 2022
人工智能在几个关键方面仍然比人类智能有限,如在理解上下文、言外之意和微妙线索方面的能力。本文展望了可能用于缩小人类智能与机器智能差距的机器智能候选方法,重点讨论了当前人工智能技术的不足,以及层次规划和能量基、潜变量方法以及联合嵌入预测架构方法如何帮助弥合这一差距。
Aug, 2023
当前人工智能的最新技术在语言方面非常出色,但在数学推理方面则相对不足。本文以数学家的思维方式为参考,建立在当前深度学习在直觉和习惯性行为等方面取得成功的基础上,指出其在推理和稳健性不确定性估计等方面仍存在重要缺陷。文中以信息论的观点探讨了什么样的数学陈述是有趣的,这可能为塑造高级数学家人工智能的未来工作提供指导。重点不是证明给定的定理,而是发现新奇的猜想。核心假设是,一个有用的定理组应更好地总结所有可证陈述的集合,例如通过具有较小的描述长度,同时在推导步骤的数量上接近许多可证陈述。
Mar, 2024
本文综述了人类学习、推理和适应新领域的关键能力 —— 概念抽象和类比制定,以及通过符号方法、深度学习和概率编程归纳等多种途径构建具有这些能力的 AI 系统的优势和局限性,最后提出了设计挑战任务和评估指标的几点建议,以在此领域取得量化和可推广的进展。
Feb, 2021
研究探索通过推断环境因果结构以收集相关干预数据为手段,建立捕捉传感器运动交互背后真实物理机制的世界模型对于提高深度学习、强化学习、迁移学习和泛化能力至关重要。
Aug, 2022
通过将探索驱动的学习概念性地统一监督学习和强化学习之间的探索驱动学习,我们提出了广义探索问题,以突出不同学习设置之间的关键相似之处和开放研究挑战,广义探索是用于维护开放式学习过程的必要目标。
Nov, 2022
本文描述和统一引导开发通用人工智能的原则,这些原则围绕着智能是搜索问题通用解决方案的工具这一理念展开,同时提供建议以研究、测量和测试人类水平智能机器所需的各种技能和能力。
Nov, 2016
我们首先综述了对大型语言模型(LLMs)的现有评估,包括标准化测试和面向能力的基准测试。然后,我们明确了当前评估方法存在的几个问题,倾向于夸大 LLMs 的能力。我们进一步阐述了人工通用智能应该超越 LLMs 能力的几个特征。我们提出了通用智能代理的四个特征:1)能够执行无限的任务;2)能够在特定环境中生成新的任务;3)基于支撑任务生成的价值体系进行操作;4)拥有反映现实的世界模型,影响其与世界的交互。在这一观点基础上,我们强调了人工通用智能中缺失的部分,即认知与行动的统一。我们认为与现实世界中的对象进行积极互动可以提供更强大的形成概念表示的信号。此外,知识获取不仅依赖于被动输入,还需要反复尝试和错误。最后,我们概述了人工通用智能领域未来研究的有希望的方向。
Jul, 2023
本文简明扼要地综述了人类行为量化模型领域中最重要的两个方法:基于探索和反馈学习模型或策略的技术以及直接模拟人类推理机制(思想和偏见)而无需通过试错法进行学习。
May, 2022