该综述旨在利用元学习的视角重新审视生物智能研究领域中的既有研究，并将这些工作放入同一框架中进行，同时讨论 AI 和神经科学之间的最新交互点以及从这种视角出发出现的有趣新方向。

Nov, 2020

通过演化得到的具有可塑性连接和神经调节的神经网络可以在自然的神经组织和可塑性系统的自发操作下，通过刺激和奖励独立地获取新的简单认知任务。

Dec, 2021

本研究综合了先前的工作，旨在建立一个关于 cognition 的 meta-learned 模型的研究计划，证明 meta-learning 可以用于构建 Bayes-optimal learning algorithms，实现对 cognitive theories 的更加广泛的范围的建模

Apr, 2023

元认知是关于代理自身内部过程的推理概念，在心理发展学领域首次引入。本文研究将元认知应用于人工智能的概念，提出了一个名为 TRAP 的元认知人工智能理解框架，包括透明度、推理、适应性和感知。我们逐个讨论了每个方面，并探讨了神经符号人工智能在解决元认知挑战中的应用。

Jun, 2024

了解儿童在训练 AI 模型（如可教授机器）的界面设计中的设计方式和价值观，可以增加这类活动的影响力，并指导未来技术的设计。在一个共同设计的会议中，一个团队由 5 个 7-13 岁的儿童和成年共同设计师参与了修改后的故事板上的 AI 问题构思活动，他们设想了自己的可教授机器。我们的研究结果利用已有的心理价值框架（Rokeach 价值调查）揭示出儿童如何概念化并嵌入他们自己设计的 AI 系统中以支持他们的日常活动。具体来说，我们发现儿童的设想需要先进的系统智能，例如情绪检测和理解用户的社会关系。这些基础模型可以利用多种模态进行训练，并通过添加更多数据或预测负面例子来修复任何错误。儿童的想法表明他们关心家庭，并期望机器在做出决策之前了解他们的社会背景。

Sep, 2023

本论文通过 meta-learning 和神经协调的方法提出了一种新的途径，解决了深度神经网络的不确定性和在新环境中适应的问题，从而达到构建具有自主智能的机器的目的。

May, 2023

本文介绍了计算元认知在智能系统高阶推理中的应用，并以 MIDCA 为例展示了元认知在问题解决中的价值，指出计算元认知通过目标操作和学习改变认知，从而提高了智能系统的性能。

Jan, 2022

在实际应用中，机器学习在嘈杂和低数据的环境下面临一个重要挑战，即如何有效地整合具有数据效率和鲁棒性的归纳偏好。本论文通过介绍一种新的混合范式，即信息元学习，旨在实现人类和机器之间跨任务知识共享的互补性，为信息元学习的基本组成部分和具体实例 - Informed Neural Process 进行了阐述，通过一系列示例和大规模实验，展示了信息元学习在提高数据效率和对观测噪声、任务分布偏移和异质性的鲁棒性方面的潜在益处。

Feb, 2024

本文介绍了基于大脑启发的 AI 技术的概念、技术和伦理问题，并提出了一种启发式方法以识别和解决由大脑启发的 AI 产生的伦理问题。结果显示，相对于传统的 AI，大脑启发的 AI 提出了新的基础性和实际的伦理问题，加剧了传统 AI 提出的某些问题。

May, 2023

本文通过介绍开展儿童认知过程、与机器人和社会人工智能系统中儿童行为相结合的理论研究和探讨，揭示了在当前人工智能技术发展的状态下，开展儿童认知过程的研究存在的挑战和难点，以及所要求的跨学科研究的共同基础。

Oct, 2022