利用计算机模型和模拟技术，对涉及物理、天文、化学、生物、经济、工程和社会科学等领域中的复杂系统进行分析，在传统计算方法难以应对的复杂环境、关系和动态性问题中，多智能体系统具有很强的优势和潜力。

Feb, 2021

复杂的机器人行为通常需要多种机器人和人工智能技术和组件的整合。使用一个形式化的框架来模拟组件之间的交互可以解决认知机器人面临的重大挑战之一。本文将现有的一个形式化框架扩展，以模拟机器人系统的复杂集成推理行为，从符号规划到策略和转换系统的在线学习，并允许更灵活地建模不同推理组件之间的交互。

Oct, 2023

本文分析了量子建模途径中与人类概念相关的不同方面，重点关注了上下文相关性、干涉、纠缠和新兴量子效应，并举例说明它们在人类概念及其组合的特定情况下的出现。

Jun, 2012

这篇论文探讨了可解释的人工智能技术和其评估方法之间的差距，介绍了使用简单的数学模型来评估不同模型表述的易理解程度，以及如何设置和执行相关用户研究的概念和实践框架。

Mar, 2023

文化和人工智能之间存在双向关系，因此需要更全面地考虑文化的复杂性，包括主观性、可扩展性、上下文性和时间性，以便更好地捕捉文化的复杂性和解决人工智能中的偏见问题。

Nov, 2022

从预训练模型中提取出期望的行为，同时避免非期望的行为，重新定义了 NLP 并改变了我们与计算机的交互方式。尽管有越来越多的基准测试来衡量任务性能，但我们缺乏关于语言模型表现的解释，这些解释使它们首次完成这些任务成为可能。我们呼吁进行系统性的努力，将语言模型行为分解为解释跨任务性能的类别，以指导机制性解释，并帮助未来的分析研究。

Jul, 2023

随着模型的体积和复杂性不断增长，解释智能系统的行为将变得越来越具有挑战性。庞大的模型不一定需要对每一个预测进行解释，并且解释可能不再客观或中立。这些模型的功能主义理解可能比我们想象的要少，但是，即使模型和解释都不正确，模型也可以是有用的。解释性可能永远无法在复杂性竞赛中胜出，但这并没有看起来那么棘手。

May, 2022

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

本文基于领域非特定的语言，评估了复杂系统分析流程的每个步骤，包括系统和数据的收集、数学形式主义的不同用途和与其相关的计算方法，讨论了依赖性如何产生及其如何改变结果解释或整个分析流程，并通过两个真实世界的例子说明了研究问题、所选数学表示形式和研究对象选择对结果的影响。

Jun, 2020

建立能够有效与人类协作的机器一直是人工智能领域的长期目标。在存在不确定性的情况下，实现最佳合作通常需要人类和人工智能代理模拟彼此的行为，并利用这些模型推断潜在目标、信念或意图，这可能涉及多个层次的递归。我们提倡一种新的主动学习范式，利用人类作为主动数据源，同时考虑到他们的更高级别的能动性。此外，我们提供了一个使用高阶认知模型进行主动学习的实际示例。伴随着一个计算研究，突出了这个模型产生的独特行为。

Jan, 2024