当前人工智能的最新技术在语言方面非常出色，但在数学推理方面则相对不足。本文以数学家的思维方式为参考，建立在当前深度学习在直觉和习惯性行为等方面取得成功的基础上，指出其在推理和稳健性不确定性估计等方面仍存在重要缺陷。文中以信息论的观点探讨了什么样的数学陈述是有趣的，这可能为塑造高级数学家人工智能的未来工作提供指导。重点不是证明给定的定理，而是发现新奇的猜想。核心假设是，一个有用的定理组应更好地总结所有可证陈述的集合，例如通过具有较小的描述长度，同时在推导步骤的数量上接近许多可证陈述。

Mar, 2024

通过仿真人脑，人工智能建立了具有学习能力和接近人类水平的智能任务执行能力的计算模型，同时证明了智能的本质是一系列数学功能过程，通过建立数据集之间的功能关系来最小化系统熵，并通过能量消耗的增强方式在人类和人工智能中实现。

Jul, 2023

智能是一种人类构造的概念，代表实现目标的能力。该论文旨在通过理论和定量分析，讨论智能的中心要素、挑战并提出一种基于第一原则的理论。关键特征包括路径效率、目标准确性等，并提出一种首次原则的智能理论框架 (TIS)。

Aug, 2023

自然神经网络的结构规律采用了自组织网络模式，这种归纳偏见使其能够快速学习、从少量数据推广并填补抽象目标与具体情况之间的差距，为人工神经网络研究中的一些开放问题提供了重要的参考意见。

Apr, 2022

通过一系列的实验，我们评估了当前基于视觉的大型语言模型在直觉物理、因果推理和直观心理领域的表现。我们的研究结果表明，尽管这些模型在处理和解释视觉数据方面表现出显著的能力，但在这些领域仍然不如人类。这些模型对物理定律和因果关系有基本的理解，但缺乏更深入的洞察力 - 人类认知的一个关键方面。此外，在需要直觉心理理论的任务中，这些模型完全失败。我们的结果强调了将更强大的理解因果关系、物理动力学和社会认知机制整合到现代基于视觉的语言模型中的必要性，并指出了认知启发式评估标准的重要性。

Nov, 2023

深度学习在 AI 工业中占据主导地位，但其规模不断扩大也带来了一些从训练到推理、泛化到优化等方面的新挑战，本文总结了这些挑战并提出了一些解决方案，为数学家、统计学家和理论计算机科学家讨论该领域的研究问题提供了一些主观观点，有助于其在技术产业中的长期应用。

Mar, 2023

文章拟探讨智能的本质，并构建一个称之为‘世界 - 自我的模型’的数学模型，以此表征人工智能和人类智能的基本方面，特别地，提出了信息抽象的过程和概念的生成和关联机制等方面的内容，以及相应于任意类型的问题解决的信息输入和输出的流程，同时，还对所提倡的理论框架的计算机实现问题进行讨论。最终，作者提出了一个基于 WSM 的智能统一通用框架。

Mar, 2022

我们描述了深度学习数学分析的新领域，涉及到超参数神经网络的普适性，深度对于网络的作用，感知问题的缺失，问题优化性能的成功和架构的各个方面对学习任务的影响，并提供了现代方法的概述和详细的主要思想。

May, 2021

深度学习网络在语音识别、图像描述和语言翻译等方面的高性能表现是由于它们利用高维空间的几何特性，然而它们究竟能否推广到实现全面的人工智能，以及和大脑规划和生存相关的其他区域的灵感还需做出重大突破。

Feb, 2020

本论文旨在应用物理学中的对称性、局域性、复合性和多项式对数概率等性质，研究深度神经网络在近似处理特定实际问题时可以使用相对简单的模型，从信息论的角度证明这些理论，并通过层次结构的机制使深层模型比浅层模型更高效。

Aug, 2016