智能的本质
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
通过证据的汇集,展示了自然智能是通过不同尺度的互动网络中的智能集体、社会关系和主要进化转变而产生的,这些过程通过种群压力、军备竞赛、马基雅维利选择、社会学习和积累文化等机制促进了新数据的产生,将这些机制整合到智能代理的视角中,表明通过持续的新数据生成实现类人复合创新的可能路径。
May, 2024
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
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
提出 “集成信息” 概念解决了人工智能长期受制于处理数据而非处理信息的困境,将智能解释为信息处理的产物,不再需求仿生人脑来实现信息处理,探究了这种人工智能系统设计哲学的变革。
Feb, 2015
从进化的角度分析了开发人工意识的问题,以人类大脑的进化和与意识的关系作为参考模型,揭示了人脑的结构和功能特征,认为现有的人工智能研究应该考虑这些特征,同时提出了在开发具有意识处理能力的系统时应从脑部特征中汲取灵感的策略。
Apr, 2024
该研究介绍了智能系统自识别反馈信号的必要性,提出了基于算法信息理论的智能定义,阐明了人工智能基准测试的重要性,介绍了一个使用人类内在先验近似设计的基准测试集 ——ARC,用于度量具有高通用流体智能的人工智能系统与人类的综合智能的比较。
Nov, 2019
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