Jul, 2023

机器为什么不理解：对 Søgaard 的回应

PDF
TL;DR一些所谓 `人工智能 ' 的辩护者认为机器可以理解语言。特别是，Søgaard 在这篇论文中提出了这样的论点，即（1）哪里有语义，就会有理解，（2）机器不仅能够进行所谓的` 推理语义 '，甚至可以（通过传感器的输入帮助）` 学习 ' 指称语义。然而，我们证明他的观点是错误的，因为他未充分重视语言在人类和硬盘或书籍中存储时出现的差异。
artificial intelligencelanguage understandinginferential semanticsreferential semanticssensor inputs
发现论文，激发创造
  • 人工智能系统是否具有理解能力？

    本文旨在探讨 “智能机器” 是否有能力理解人类语言，其中涉及了语法和语义之间的关系，指出了语义对于讨论建立 “有意识的机器” 这一问题的不可避免性，并得出结论：在当前技术发展的状态下，将智能视为一种任务解决工具，无需将理解归于机器。

    Jul, 2022

  • 论机器理解

    构建一个能够理解的机器的方法和机器理解程度的实验方法和建议。

    May, 2024

  • 大型语言模型中的意义和理解

    机器能否理解自然语言？该研究评估了人工智能生成型大型语言模型 (LLMs) 的最新发展，批评了把机器语言表现仅视为语法操作和模拟理解的传统哲学假设，并强调了将自然语言理解归因于最先进的 LLMs 的关键条件，认为 LLMs 不仅仅使用语法，还使用语义，理解不是模拟而是复制，同时确定了它们如何给予语言表达的意义基础。

    Oct, 2023

  • AI 大语言模型理解问题之争

    研究人工智能中对大规模预训练语言模型是否在任何重要意义上可以称为 “理解” 语言，以及对应的关键问题和新的智能领域的发展。提出一种新的智能科学来提供关于知识的不同模式，以及它们的优势和限制，以及融合不同形式认知的挑战的见解。

    Oct, 2022

  • 关于意义计算、语言模型与难以理解的恐怖

    本文将意义基础理论与 AGI 的数学形式结合起来，旨在提供一种全面的有关意义、交流和符号出现的机制性解释。此次综合研究在 AGI 和关于语言本质的更广泛辩论中具有重要意义，它将语用学、逻辑真值条件语义学、Peircean 符号学和赋能认知的可计算模型统一起来，涉及传统上难以进行机制性解释的现象。通过考察一台机器生成有意义话语或理解人类意义的条件，我们确定了目前的语言模型并不具有与人类相同的意义理解，也不打算表达任何我们可以归于它们响应的意义。为了解决这个问题，我们提出了模拟人类情感和优化模型以构建弱表示的解决方案。我们的发现揭示了意义和智能之间的关系，并探讨了如何构建能够理解和表达意义的机器。

    Apr, 2023

  • 不欺骗图灵测试：朝向人工智能的基于实证的语言学习

    研究自然语言理解在人工智能领域的挑战，结合认知科学、 心理学、思维哲学和认知语言学的见解，评估目前的方法和挑战。

    Jun, 2022

  • 面向目标驱动的人工智能综述

    人工智能在几个关键方面仍然比人类智能有限，如在理解上下文、言外之意和微妙线索方面的能力。本文展望了可能用于缩小人类智能与机器智能差距的机器智能候选方法，重点讨论了当前人工智能技术的不足，以及层次规划和能量基、潜变量方法以及联合嵌入预测架构方法如何帮助弥合这一差距。

    Aug, 2023

  • 将机器语言模型推广至人类水平的语言理解

    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

  • 我们是否已经建造出像人一样思考的机器？

    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

  • 使人工智能可理解：哲学基础

    人类和人工智能是否能共享概念并进行交流？《使人工智能变得可理解》展示了意义形而上学的哲学研究如何回答这些问题，Cappelen 和 Dever 利用哲学中的外在主义传统构建了人工智能和人类相互理解的模型，从而改进了哲学传统，给出了有关理论和实践的重要答案，为实现可解释的人工智能迈出了重要的第一步。

    Jun, 2024