这篇研究论文提出了一种智能的宽泛概念，将其归纳为三个层级的嵌套层次结构和围绕其及其近似值构建的更广泛的空间，并在其中确定了对应于自然智能（尤其是人类智能）和人工智能（AI）以及类似于人类智能的交叉概念的区域，并在早期探索了四个更先进、更有争议的话题：奇点，生成 AI，伦理和知识产权。

Jun, 2023

通过将探索驱动的学习概念性地统一监督学习和强化学习之间的探索驱动学习，我们提出了广义探索问题，以突出不同学习设置之间的关键相似之处和开放研究挑战，广义探索是用于维护开放式学习过程的必要目标。

Nov, 2022

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

使用下一个令牌预测训练大型 Transformer 在人工智能方面取得了突破性进展，但这种生成式人工智能方法严重依赖人类监督，我们提出了一种新的自主生成高质量训练数据的范式 —— 探索型人工智能 (EAI)，通过利用大型语言模型在自然语言空间内进行探索达到这一目的。实证评估表明，EAI 显著提升了模型在复杂推理任务上的性能，解决了人类密集监督的局限。

Oct, 2023

本文关注了在航空航天应用中人工智能技术的发展和应用趋势，提出不同 iable intelligence 和 on-board machine learning 是非常重要和有趣的研究方向，重点介绍了来自欧洲空间局的几个项目，旨在超越将已有人工智能技术用于航天领域的传统方法。

Dec, 2022

本文描述和统一引导开发通用人工智能的原则，这些原则围绕着智能是搜索问题通用解决方案的工具这一理念展开，同时提供建议以研究、测量和测试人类水平智能机器所需的各种技能和能力。

Nov, 2016

本文旨在探讨人工智能在关键任务中的应用，提出了增强人工智能可解释性的重要性，并总结了当前构建可解释模型及说明方法的研究进展和关键方向。

Mar, 2018

我们提出了一种基于人工智能的科学研究助手，用于物理学建模中极早期的科学发现，它通过物理学建模中既可解释又通用的本体论，自动搜索可行和简约的假设，并将列举的假设自动编译到特定于域的可解释和可训练 / 可测试张量计算图中来学习现象学关系，从而有效地提高了科学家的工作效率。

Feb, 2022

基于 AI 在自然语言理解和生成方面的革命性进展，我们设计了能够解决复杂科学任务的 AI 系统，并将自然语言作为 AI 与人类科学家之间的核心表示、推理和交换格式。本文旨在探讨实现这一愿景所面临的主要研究挑战。

Oct, 2022

该研究表明，将人类专业知识的分布纳入考虑，并以此训练无监督的人工智能模型，能够显著提高 AI 对未来发现的预测能力，特别是在相关文献稀缺的情况下，这些模型成功预测出人类预测和可能做出预测的科学家，为科学进步开创新的前沿。

Jun, 2023