TL;DR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。
Abstract
conceptual abstraction and analogy-making are key abilities underlying
humans' abilities to learn, reason, and robustly adapt their knowledge to new
domains. Despite of a long history of research on constructing
使用熟悉的领域进行类比推理是智能的标志。本文研究大型语言模型在处理逐渐复杂的结构化文本中的类比时的表现,并讨论了四个不同复杂程度的类比:词汇类比、句法类比、语义类比和语用类比。为了解决这个问题,我们提出了结合统计和符号人工智能的神经符号 AI 技术的必要性,以强调和增强相关内容,并提供抽象和指导映射过程的无结构文本表示。我们的知识驱动方法保持了大型语言模型的高效性,同时保留了解释类比的能力,适用于教学应用。