不欺骗图灵测试:朝向人工智能的基于实证的语言学习
本文通过对最新的自然语言理解系统的语言能力进行批判性分析,认为这些系统具备人类语言学习和处理的重要方面,但同时缺乏关键的解释和推论技能,除非它们被结构化知识和利用语言使用能力所整合,否则难以实现这些技能。
Mar, 2023
该论文旨在提出一种 “基础” 的视角,启发人工智能的进步,包括 “基于感知 - 动作循环的体现、嵌入、延伸和实践认知” 的研究方向,以及运用逐步发展的技能促进逐步的语言发展、逐渐适应物理和社会环境的智能代理等几个具体的组成部分,以建立人类一样的语言能力。
Jan, 2022
语言是理解和交流情境的关键,而语言处理系统使用类似人脑的神经网络以及查询注意力等方法来提高其能力,但当前的模型主要集中在内部语言任务上,限制其理解情境的能力,因此需要未来的模型应用认知神经科学和人工智能来扩展理解任务。
Dec, 2019
人工智能领域,大型语言模型在自然语言处理方面的前所未有的进步为重新考虑传统的机器智能度量提供了机会。本文提出了从既定的图灵测试转向以语言习得为核心的全面框架,受到了大型语言模型最新进展的启发。
Sep, 2023
本研究探讨基于计算方法和大数据的人工智能应用中所使用的大型语言模型的语言表现,着重考察语言表现是否由语言知识所导引。结果发现即便是常规语法结构之外的、不太常见的语言结构也可能导致大型语言模型表现出不足的语言能力,暗示这种类型的语言模型实际上并不像人类一样具有对语言的深入理解。
Feb, 2023
本文提出了基于具有体验认知语言学特征的表征和学习方法的自然语言理解系统架构,旨在利用隐喻推理和模拟的基础来提高自然语言理解系统的效率、可解释性和概括性。
May, 2020
基于 AI 在自然语言理解和生成方面的革命性进展,我们设计了能够解决复杂科学任务的 AI 系统,并将自然语言作为 AI 与人类科学家之间的核心表示、推理和交换格式。本文旨在探讨实现这一愿景所面临的主要研究挑战。
Oct, 2022
该论文介绍了一种将自然语言命令翻译成离散机器人动作的方法,并使用澄清对话共同改进语言解析和概念基础。将这个代理程序训练和评估在亚马逊的 Mechanical Turk 平台上的虚拟环境,并在真实环境中将学习到的代理迁移到物理机器人平台进行演示。
Mar, 2019
该论文探讨了 “语言基础” 这一挑战,旨在通过将语言绑定到真实世界的参照物中来完全理解自然语言。该研究提供了三个贡献,分别为:a)分析了人工智能技术、数据集和用户界面等方面的语言基础研究概述;b)提出并实证了与语言基础相关的六个假设的信任因素,该实验是在人机清洁组中进行的;以及 c)探讨了信任语言基础的未来研究方向。
Sep, 2022