May, 2022

AIGenC: 通过创造力实现 AI 的普适性

PDF
TL;DR本文介绍了一种基于认知创造力理论的计算模型，旨在实现人造智能代理学习使用和生成易于迁移的表征，并通过梯度强化学习获取目标导向和时间信息的双重记忆系统，以及进行反射推理和融合等认知处理来提高人造智能的足够抽象度，以期在人工通用智能领域迈出更大的步伐。
computational modelartificial agentsrepresentation learninghierarchical graph architectureartificial general intelligence
发现论文，激发创造
  • 通过赫布学习和自由能最小化的神经模仿实现普通认知模型

    使用神经生成模型构建 COGnitive Neural GENerative 系统，以优化变分自由能函数，并探讨其在认知科学中的应用。

    Oct, 2023

  • 人工智能通用智能的新解决方案和具体实施步骤

    通过解决大规模模型的局限性以及利用现有技术，本文提出解决方案，进而解决大规模模型固有的缺陷，逐步实现真正的人工智能通用智能。

    Aug, 2023

  • 人工智能生成内容的综合调查（AIGC）：从 GAN 到 ChatGPT 的生成式人工智能历史

    该研究综述了生成模型的历史和基本组成部分，并从单模态和多模态交互的角度介绍了文本和图像生成任务及相关模型，讨论了人工智能生成内容领域中的开放性问题和未来挑战。

    Mar, 2023

  • AI 生成内容（AIGC）：一项调查

    本文深入讨论了基于人工智能技术生成内容的 AIGC，对其定义、关键条件、可重要的现有和未来特性、庞大的预训练模型带来的优势、工业链以及 AIGC 内部辅助生成和自动生成之间的区别进行了探讨，最后探讨了 AIGC 与元宇宙的潜在整合，旨在揭示 AIGC 的现有问题并提供未来应用方向。

    Mar, 2023

  • 基于目的和操作的通用人工智能认知系统

    本文提出了一种新的认知模型，作为 AGI 代理的主要组成部分，并包括操作模型和意图。该模型基于全面的双重原则，提出了以可重用性和简单性为形式的 AGI 设计和认知下的约束或效率。最终的认知模型是多个模型实例的动态操作记忆。

    Jan, 2023

  • 自主认知实体的概念框架

    该论文介绍了自主认知实体（ACE）模型，一种新型的认知架构，通过在人工认知架构中引入了抽象层的概念，充分发挥了生成式人工智能技术的能力，构建了自主、主动的系统，并提出了实施策略，旨在更易于理解和应用。

    Oct, 2023

  • 人工智能生成内容（AIGC）的语义通信：朝着有效内容创作迈进

    通过引入内容生成层，将人工智能生成内容 (AIGC) 与语义通讯 (SemCom) 结合起来，提供了清晰的 AIGC 与 SemCom 之间互动产生有意义和有效内容的概念模型，并提出了一种基于 AIGC 技术的语义信息编码器和解码器的新框架，以优化 AIGC 服务的语义提取和评估指标，从而适应不同类型的内容生成、所需质量和语义信息使用。通过使用深度 Q 网络 (DQN)，展示了对优化问题的可行性和收敛特性的有益见解。

    Aug, 2023

  • 创造力自动化

    基于强化学习方法和计算创造力的不同研究流派，本文提出了一个三重引导 - 响应 - 奖励工程框架，以提高生成人工智能（GenAI）的创造能力。该框架包括了引导模型、响应模型和奖励模型，通过开发创造性的引导、生成出令人惊喜和创新性的输出，并结合 AI、创作者 / 管理者和客户的反馈，逐步提高生成人工智能的创造力。

    May, 2024

  • 一种用于原型设计 AGI 的通用知识模型和认知架构

    该研究论文旨在提出一种新的认知架构来实现通用人工智能的能力，并介绍了一个包含多个功能模块的框架。其中，知识表示是该架构的关键解决方案之一，能够在单一知识库中结合多种形式化和非形式化的知识表示方法。论文还探讨了使用 Archigraph 模型来组合和结构化各种知识片段的方法。此外，该研究还提及了该认知架构的其他组成部分，包括机器意识、机器潜意识、与外部环境的交互模块、目标管理模块、情感控制系统、社交交互模块、反思模块、伦理和世界观模块、学习模块、监测模块、陈述和问题解决模块、自组织和元学习模块。

    Jan, 2024

  • 使用高维度预测处理认知架构的迷宫学习

    本文介绍了 COGnitive Neural GENerative 系统（CogNGen），它是一种认知架构，将两种神经生理学可信的计算模型：预测性处理和高维 / 矢量符号模型相结合。CogNGen 的表现与 ACT-R 和 Spaun/Nengo 相当，为设计能够不断从不同任务学习并模拟人类在更大尺度上表现的代理人奠定了基础。本文在四个迷宫学习任务上测试了 CogNGen，并发现其与深度强化学习模型相当，并在测试记忆的任务上超过了它们的表现。

    Mar, 2022