人工智能作为探索工具，创造和研究能够揭示与人类和动物智能形式不同的候选智能构件的系统，以探索智能的可能空间。通过研究人类和大型语言模型在组合新概念和虚构概念能力方面的最近工作，证明后者在解决此任务时可能与人类假设的方式完全不同，但对智能研究同样具有重要意义。

Jan, 2024

使用下一个令牌预测训练大型 Transformer 在人工智能方面取得了突破性进展，但这种生成式人工智能方法严重依赖人类监督，我们提出了一种新的自主生成高质量训练数据的范式 —— 探索型人工智能 (EAI)，通过利用大型语言模型在自然语言空间内进行探索达到这一目的。实证评估表明，EAI 显著提升了模型在复杂推理任务上的性能，解决了人类密集监督的局限。

Oct, 2023

该研究旨在探讨人类探索行为与人工智能自主性和适应性的联系，并将认知心理学范例应用于机器学习方法中。研究表明，与人类对应的人工智能代理可以通过内部状态与探索行为之间的因果关系来学习并自我发展，这对于人类认知研究和人工智能的发展都具有重大意义。

Feb, 2023

本文描述和统一引导开发通用人工智能的原则，这些原则围绕着智能是搜索问题通用解决方案的工具这一理念展开，同时提供建议以研究、测量和测试人类水平智能机器所需的各种技能和能力。

Nov, 2016

研究探索通过推断环境因果结构以收集相关干预数据为手段，建立捕捉传感器运动交互背后真实物理机制的世界模型对于提高深度学习、强化学习、迁移学习和泛化能力至关重要。

Aug, 2022

这篇论文提出了一个开放世界模型和元特征系统，专注于在新旧世界之间的客观特征分布差异的基本识别，并通过元特征的牵引力实现了对新旧世界中学习能力的量子隧穿效应。该模型在学习新知识方面表现出色（以行人重识别数据集为例），最高可达 96.71％的准确度，并获得了类似于人类的探索新知识的能力。

Nov, 2023

本论文提出了一种理解人工通用智能的新理论方法，将其视为智能代理自组织的形成过程，并且阐述了开放式智能的三个方面：个体化、意义的建立和通用认知代理的个体化。

May, 2015

本研究中，我们采用了三种 Deep Q-Networks 算法，分别使用了智能采样策略来解决 URRLC 消息的发送问题，证明了方差和最大熵探索的效率比标准的贪婪探索方法更高。

Apr, 2023

本文提出结构化表示法和计算方法是实现人工智能与人类智能相似的能力的关键，通过使用深度学习体系结构内的关系感应偏差，介绍一种新的人工智能工具箱构建模块 -- 图形网络，它支持关系推理和组合推广，为推理提供更复杂、可解释和灵活的模式。

Jun, 2018

本研究通过将深度神经网络和强化学习技术相结合，实现了一种基于内部奖励机制的主动信息搜寻系统，通过在部分可见的环境中寻找并整合信息以实现各种目标，实验表明这种方法可以显著提高智能体搜寻信息的效率。

Dec, 2016