通信网络中使用系统化人工智能解决人工智能任务
这篇文章提出了可持续和可扩展的人工智能集成在通信系统中的设计原则,并构建了可泛化至网络环境、意图和控制任务的人工智能算法和可自动化的学习体系结构,以实现 AI 驱动的 RAN 功能的规模化应用并简化生命周期管理。
Jun, 2023
本篇论文提出了一种新型的人工智能生态系统,将基础模型与数百万 API 相连通以实现各种数字和实体任务,该方法主要利用基础模型作为中心系统,将这些 API 作为子任务解决器,以完成各种任务。
Mar, 2023
本研究提出了一种新的技术框架 ——NeSy AI,结合 GFlowNet 和优化问题解决方案,来学习生成 6G 系统数据,具有更高的语义可靠性,并通过验证实现了比传统通信系统更高效的、具有更好的数据推理能力的数据传输方式。
May, 2022
通过引入一种创新的研究伙伴系统(我们将其称为 'SAMCares'),该系统利用大型语言模型(LLM)和 Retriever-Augmented Generation(RAG)来提供实时、上下文感知和自适应的教育支持,从而弥合了传统辅助技术和学习辅助工具的差距。
May, 2024
智能手机已成为承载多种深度学习模型的中心,该研究介绍了一种新的移动人工智能范式,使用协同管理方法在移动操作系统和硬件之间实现一个基础模型,能够为各种移动人工智能任务提供服务。
Aug, 2023
我们提出了一种名为 MASAI 的软件工程人工智能模块化架构,该架构利用分解问题为多个子问题的方法,通过实例化具有明确定义的目标和策略的 LLM 驱动的子代理来解决复杂问题,并在高难度的 SWE-bench Lite 数据集上实现了最高性能(28.33% 的解决率)。
Jun, 2024
通过学习中的交互式讨论,我们的 SAIE 训练方法提升了大型语言模型在训练阶段对实例的理解能力和在推理阶段的逻辑 / 批判性思维能力和表达能力。实验结果表明,使用我们的方法微调的模型在多个数据集上均优于使用标准微调技术训练的模型,尤其在多智能体推理情景下,我们的方法表现出卓越的推理能力。
Nov, 2023
人工智能的显著进步主要是由深度神经网络所推动,然而不可持续的计算轨迹、有限的鲁棒性和缺乏解释性的问题要求开发下一代人工智能系统。神经符号人工智能 (NSAI) 作为一种有潜力的范式,将神经、符号和概率方法融合在一起,提高可解释性、鲁棒性和可信度,并能够从较少的数据中进行学习。最近的 NSAI 系统在具有推理和认知能力的协作人工智能场景中展示了巨大的潜力。在本文中,我们对 NSAI 的最新进展进行了系统综述,并分析了 NSAI 模型的性能特征和计算操作符。此外,我们还从系统和架构的角度讨论了 NSAI 面临的挑战和潜在的未来方向。
Jan, 2024
该论文探讨了人工智能的发展带来的挑战,提出了在系统、架构和安全方面的研究方向,以解决 AI 技术存储和处理数据量的限制,并提高数据隐私保护,以便这一技术能够更好地改善人们的生活和社会。
Dec, 2017
提出了一种新的基于人工智能的分层模型,用于测量人类智力中的问题解决和决策能力。该模型由 7 个不同的层级组成,可为给定问题提供最佳和可说明性的解决方案。
Feb, 2023