本文介绍了一种人工智能（AI）体系结构，旨在模拟人类工作记忆系统及其迭代更新方式。此体系结构包括多个相互连接的神经网络，旨在模拟大脑皮层的专门模块。它们具有层次结构并集成到全局工作区中。通过持续的神经活动，它们能够暂时维持类似于工作记忆中维护的心理模式。本文将探讨如何通过此体系结构逐渐转换协同表示的分布，最终导致处理状态之间的心理连续性，从而导致类似人类的认知。

Mar, 2022

本文提出了一种基于内部工作记忆模块的决策制定代理，可以通过存储、混合和检索信息来改善其在不同下游任务中的训练效率和泛化能力，并进一步证明记忆微调可以增强所提出架构的适应性。

May, 2023

本文介绍了一种新的学习模型 - 记忆网络，利用推理组件和长期记忆组件共同学习。这些模型可以用于问答型任务中，长期记忆作为动态知识库，输出为文本响应。在评估中表明记忆网络模型在问答中具有强大的推理能力。

Oct, 2014

该研究提出了一种基于神经网络的自然语言推理模型，使用表示学习、LSTM、注意力机制和可组成的神经网络来实现任务，并在 Stanford 自然语言推理数据集上实现了比文献中所有已发布模型更好的准确性。

Nov, 2016

本文探讨了如何通过心理学、认知科学和教育学的思想来设计和训练一个置换不变的模型，以提高机器在空间 / 时间推理方面的推理能力。通过 Contrastive Perceptual Inference network (CoPINet) 的实验，我们证明了它在两个主要数据集上设置了新的技术水平，从而提高了机器在思维空间 / 时间推理方面的能力。

Nov, 2019

本文论述了如何实现类人的计算机工作记忆和思维过程，聚焦于模拟哺乳动物的工作记忆系统，提出了两个相互作用的工作记忆存储区，以及一种迭代更新的信息处理策略，作为设计和编程人工通用智能的计算和神经生理决定因素和算法。

Mar, 2022

本文提出了一种基于记忆的推断方法，结合了循环注意模型的推断机制，使用低维度的窗口进行查询和查找，以减少复杂模型的计算压力和参数量，从而提高计算效率和准确性。

Jul, 2023

本研究提出一种新颖的神经模块化方法来实现基于组合推理的问题回答，该方法不需要强监督，能自动诱导期望的子任务分解并通过共享模块链接不同的推理任务，实验表明该模型比当前先进模型更易于人类评估者解释以及预测其中间结果的成功或失败。

Jul, 2018

通过集成记忆，我们设想了从大型语言模型（LLMs）到人工通用智能（AGI）的一种路径。我们认为 AGI 应该是一个 LLM 作为核心处理器的系统，其中除了原始数据外，该系统的记忆还可以存储推理过程中得出的大量重要结论。相比仅处理原始数据的检索增强生成（RAG）方法，这种方法不仅更紧密地连接语义相关的信息，还可以在查询时简化复杂的推理。最终，每个个体 / 人都应该有自己的大型个人模型，即可以参数化和压缩所有类型记忆的深度神经网络模型（因此是 AI 本地的）。最后，我们讨论了 AI 本地记忆作为（主动的）参与、个性化、分发和社会在 AGI 时代的变革基础设施的巨大潜力，以及相应的隐私和安全挑战与初步解决方案。

Jun, 2024

通过对认知科学和人工智能的比较研究，本文旨在以认知科学为基础构建基本的人工智能研究模块，并提供了一系列通过认知科学启发的人工智能方法，以开发更好的感知系统。

Oct, 2023