Oct, 2023

从历史角度探究人工智能推理与解释的挑战

PDF
TL;DR本文概述了社会动态、技术进步和控制论与人工智能领域的开创性人物之间的复杂关系。它探讨了关键科学家之间的合作和人际关系，如 McCulloch、Wiener、Pitts 和 Rosenblatt，对控制论和神经网络的发展的影响。它还讨论了属性重要创新如反向传播算法以及未解决的争论对新兴科学领域可能造成的潜在后果。本文强调解释灵活性、公众感知以及著名人物的影响如何塑造新领域的发展方向。它还强调了资金、媒体关注和联盟在确定各种研究方法的成功和认可方面的作用。此外，本文指出了符号人工智能和神经网络研究人员之间的合作和整合机会的错失，建议在今天的时代中可能存在更统一的方法，不再受到过去争议的历史包袱。
发现论文，激发创造
  • 人工智能与哲学的历史交互

    本文从研究范式的角度回顾了人工智能技术和代表性的哲学思想的历史发展，并从哲学视角探讨了人工智能的方法论和应用，预期其不断进步。Symbolism 和 connectionism 是 AI 研究中的两个主要范式。本文指出，不管智能机器或程序如何实现其智能目标，人工智能的历史发展证明了当前最好的答案，但这并不是 AI 研究的最终答案.

    Jul, 2022

  • 通往类人工智能的社交之路

    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

  • 人工智能：70 年回顾

    本文简述了人工智能的近一个世纪发展历程，总结了发展趋势并发现了普遍规律，分析了过去失败和现在成功的原因，强调了哲学思维在理解和解决人工智能问题中的重要性以及重点发展方向应该是人机协作和以计算能力为核心的技术路径。

    Mar, 2023

  • 人工智能中的解释性：来自社会科学的见解

    该论文提出，可从解释生成、选择、评估和呈现的人类认知偏见和社会期望中借鉴人类解释行为，以推进可解释的人工智能领域，并回顾了哲学、认知心理学、社会心理学等相关领域的研究成果。

    Jun, 2017

  • 神经符号 AI：第三波

    本文探讨了神经符号计算技术中深度学习和知识表示应该如何有机结合，通过 20 年来的相关研究结果，为下一个 AI 系统的关键性成分做出探索，以神经符号系统的视角提出 AI 技术应该在信任、安全、可解释性和问责制方面有所提升和解决的方向和挑战。

    Dec, 2020

  • 脑科学和认知心理学发现综述作为通往人工智能广泛智能的灵感可能性

    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

  • 神经符号学习与推理：调查和解释

    这篇文章介绍了关于认知科学、人工智能、神经计算的研究，特别是神经符号学习和推理的最新进展，从理论到应用和挑战，以及展望未来。

    Nov, 2017

  • 出版文本的社会进化与大型语言模型的出现及其毒性与偏见问题

    AI 和深度学习的快速发展在大型语言模型中具有突破性的出现，这里提醒过度乐观的人关注毒性、偏见、记忆、奉承、逻辑不一致以及幻觉的存在，并指出人类智能只是一种规模放大的灵长类脑的案例。

    Feb, 2024

  • 跨学科方法探讨人工智能对社会影响的理解

    人工智能创新主要关注 “what” 和 “how” 问题，忽视可能的危害与社会背景，导致了潜在的社会技术问题，因此我们需要计算机科学和社会学科之间更紧密的联系。

    Dec, 2020

  • 人工智能中的快思慢想

    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