人工智能中的快思慢想
本文提出了一种基于快速 / 慢速求解器和元认知组件的通用架构,意在通过现有认知人类决策理论对 AI 系统的一些重要人类能力进行提升,并在此基础上尝试应用于基于有限环境下导航决策等方面,实验结果表明,这种决策策略组合可以大大提高系统的决策质量、资源消耗和效率。
Jan, 2022
通过建立一个灵感来自 Thinking Fast and Slow 的认知理论的系统架构 SOFAI,该系统可以在不同情境下解决计划问题, 实现快速和慢思维,并且最终证明这种新的智能系统在问题的广泛性、解决时间和解决方案准确性等方面具有更好的表现。
Mar, 2023
利用认知科学的知识建立数学模型并提供了一个普遍的框架,用于理解认知偏差和人工智能精度之间的相互作用,特别是锚定偏差,通过一项有效的时间分配策略,成功提高了人工智能的协作性能。
Oct, 2020
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
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
本文主张人工智能系统需要模拟、理解、甚至复制人类的认知偏差,在人机协作中扮演更加重要的角色,并提出了关于人类认知偏差和人工智能之间相互作用的研究议程及三个感兴趣的广泛领域,并为具有更好对人类偏见的人工智能系统的设计方向提出了研究方向。
Oct, 2022
通过证据的汇集,展示了自然智能是通过不同尺度的互动网络中的智能集体、社会关系和主要进化转变而产生的,这些过程通过种群压力、军备竞赛、马基雅维利选择、社会学习和积累文化等机制促进了新数据的产生,将这些机制整合到智能代理的视角中,表明通过持续的新数据生成实现类人复合创新的可能路径。
May, 2024
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
通过对认知科学和人工智能的比较研究,本文旨在以认知科学为基础构建基本的人工智能研究模块,并提供了一系列通过认知科学启发的人工智能方法,以开发更好的感知系统。
Oct, 2023
本文探讨了人工智能在伦理、决策制定等方面引发的一些问题和讨论,并重点讨论 AI 代理人中的 “自我” 认知和其在决策制定方面的作用。作者旨在提倡建立拥有更强自我认知的 AI 代理人的研究。
Jan, 2022