本文综述认知科学的进展，提出了人工智能领域需要实现的目标和面临的挑战，即建立支持解释和理解的世界因果模型，以及将学习基于物理和心理直觉理论，使用组合性和学习来学习以适应新的任务和情况

Apr, 2016

本研究基于认知科学理论显式建模了一个拥有语义记忆和情景记忆系统的智能体，并展示了这种智能体比仅有其中一个记忆系统更优秀的性能表现。通过OpenAI Gym兼容的“the Room”环境，我们让智能体学习如何编码、存储和检索记忆，以最大化其奖励。该环境允许机器与人类合作，我们发现两个智能体合作能够获得比一个智能体单独行动更好的性能表现。我们已经在开源平台提供了我们的代码和模型。

Apr, 2022

提出了“简约性”和“自洽性”两个基本原则，并采用可测量和可计算的方式表述，通过有效高效的计算框架“压缩闭环转录”实现模型的视觉数据建模。这将统一理解自主智能系统的广泛家族，并为理解大脑提供框架。

Jul, 2022

本文讨论了意识和智能的关系，提出了计算智能与感知意识是独立的，并将其在人类、动物和机器中的表现作了比较，进而探讨了这一结论对社会的重要影响。

Aug, 2022

本文根据神经遗传结构主义理论，反对可意识的AI的合理性，主张具有真正意识的复杂大脑是必要条件。

Dec, 2022

提出了一种基于计算现象学的深度学习非再现主义框架，该方法通过第一人称视角（依靠现象学）和计算模型机制之间的对话来实现。我们退回现代认知主义对深度学习的解释，即人工神经网络编码外部实体的表征。最终将该方法应用于特定任务的深度学习模型，以制定深度学习的概念框架，并允许将人工神经网络的机制视为生活体验。

Feb, 2023

通过仿真人脑，人工智能建立了具有学习能力和接近人类水平的智能任务执行能力的计算模型，同时证明了智能的本质是一系列数学功能过程，通过建立数据集之间的功能关系来最小化系统熵，并通过能量消耗的增强方式在人类和人工智能中实现。

Jul, 2023

当前和近期AI系统是否会具备意识是一个受到科学界关注和公众担忧的话题。本报告提出并举例了一种严格的和以实证为基础的AI意识研究方法，即在我们最有支持的神经科学意识理论的指导下，对现有AI系统进行详细评估。我们调查了几个著名的科学意识理论，包括循环处理理论、全局工作空间理论、高阶理论、预测处理和注意图式理论。根据这些理论，我们以计算术语阐明了意识的“指示性属性”，从而可以评估AI系统是否具备这些属性。我们利用这些指示性属性评估了几个最近的AI系统，并讨论了未来系统如何实现它们。我们的分析表明目前没有任何AI系统具备意识，但也表明建立意识的AI系统并没有明显的障碍。

Aug, 2023

通过理论计算机科学的角度分析意识，我们将发展一种形式的机器意识，该模型受到Alan Turing的简单而强大的计算模型和Bernard Baars的意识剧场模型的启发，并与人类和动物意识的许多主要科学理论高度契合，从而支持我们机器意识的不可避免性的主张。

Mar, 2024

从进化的角度分析了开发人工意识的问题，以人类大脑的进化和与意识的关系作为参考模型，揭示了人脑的结构和功能特征，认为现有的人工智能研究应该考虑这些特征，同时提出了在开发具有意识处理能力的系统时应从脑部特征中汲取灵感的策略。

Apr, 2024