通过认知科学原理推进人工智能的感知能力
该综述旨在通过研究神经科学和认知心理学的方法，为人工通用智能的追求做出贡献。尽管深度学习模型在各个领域取得了令人印象深刻的进展，但它们在抽象推理和因果理解方面仍然存在缺点。这些能力应该最终整合到人工智能系统中，以克服数据驱动的限制，并以更加接近人类智能的方式支持决策。本工作是一项纵向综述，试图广泛探索大脑功能的范围，包括从低层生物神经元、尖峰神经网络和神经元集合到更高层的概念，如脑解剖学、向量符号体系结构、认知和分类模型以及认知体系结构。希望这些概念能为人工通用智能的解决方案提供启示。
Jan, 2024
深度学习在人工智能研究的各个领域取得了重大进展，对认知科学的哲学具有重要意义，通过克服旧的连接主义模型的局限性，深度神经网络在认知科学的哲学争论中取得了重大进展，并且与哲学和认知科学的跨学科合作有望解决深度神经网络比较评估方面的方法论挑战，哲学家在探索与深度学习和认知的基础问题相关的领域有很大潜力。
May, 2024
人工智能领域的认知科学视角在构建人类或超人类水平的数学系统方面具有重要价值，通过借鉴认知科学的经典和持续研究方向，与人工智能研究人员和数学家的跨学科合作，可以推动数学人工智能系统的进一步发展。
Oct, 2023
本研究提出借鉴认知理论以推进 AI 的研究方向，通过嵌入因果组件来获得适应性、推理能力、常识理解等人类决策能力，以期激发 AI 技术研究，进而更好地理解人类和机器智能。
Oct, 2020
本文主张人工智能系统需要模拟、理解、甚至复制人类的认知偏差，在人机协作中扮演更加重要的角色，并提出了关于人类认知偏差和人工智能之间相互作用的研究议程及三个感兴趣的广泛领域，并为具有更好对人类偏见的人工智能系统的设计方向提出了研究方向。
Oct, 2022
该论文旨在提出一种 “基础” 的视角，启发人工智能的进步，包括 “基于感知 - 动作循环的体现、嵌入、延伸和实践认知” 的研究方向，以及运用逐步发展的技能促进逐步的语言发展、逐渐适应物理和社会环境的智能代理等几个具体的组成部分，以建立人类一样的语言能力。
Jan, 2022
当前和近期 AI 系统是否会具备意识是一个受到科学界关注和公众担忧的话题。本报告提出并举例了一种严格的和以实证为基础的 AI 意识研究方法，即在我们最有支持的神经科学意识理论的指导下，对现有 AI 系统进行详细评估。我们调查了几个著名的科学意识理论，包括循环处理理论、全局工作空间理论、高阶理论、预测处理和注意图式理论。根据这些理论，我们以计算术语阐明了意识的 “指示性属性”，从而可以评估 AI 系统是否具备这些属性。我们利用这些指示性属性评估了几个最近的 AI 系统，并讨论了未来系统如何实现它们。我们的分析表明目前没有任何 AI 系统具备意识，但也表明建立意识的 AI 系统并没有明显的障碍。
Aug, 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
人工智能（AI）是本世纪迅速发展的关键技术之一。然而，使用误差反向传播学习算法训练的深度神经网络在 AI 领域取得的大多数成果已经凸显出一些重要限制，例如计算成本高、难以量化不确定性、缺乏鲁棒性、不可靠性和生物不可行性。解决这些限制可能需要受到神经科学理论启发和指导的方案。其中一种理论称为预测编码（PC），在机器智能任务中表现出有希望的性能，具有令人兴奋的特性，对机器学习社区具有潜在价值：PC 可以模拟大脑不同区域的信息处理，可用于认知控制和机器人学，并具有基于变分推断的坚实数学基础，为某类连续状态生成模型提供了强大的反演方案。希望通过调研有助于这一方向的文献，突出展示 PC 在机器学习和计算智能的未来中可能发挥的多种作用。
Aug, 2023