Mar, 2024

人工智能中的启发式推理：工具性使用与拟态吸收

PDF
TL;DR我们提出了一种新颖的启发式推理方案，通过一系列创新性实验，包括经典的 Linda 问题的变形和对美丽比赛游戏的新颖应用，我们揭示了准确性最大化和努力减少之间的权衡，这决定了 AI 在穷尽逻辑处理和使用认知捷径（启发式）之间转换的条件。我们区分了启发式的 ' 工具性 ' 使用来匹配资源和目标，以及 ' 拟态吸收 '，即从人类学习启发式，以随机和普遍的方式表现出来。我们提供了证据，表明尽管 AI 缺乏固有目标或自我意识，但它表现出与资源合理人类认知原则一致的精确性和效率的自适应平衡，这与有界理性和双过程理论的经典理论阐述一致。
heuristic reasoningartificial intelligencecognitive shortcutsresource-rational human cognitiondual-process theory
发现论文，激发创造
  • BIASeD: 将非理性引入自动化系统设计

    本文主张人工智能系统需要模拟、理解、甚至复制人类的认知偏差，在人机协作中扮演更加重要的角色，并提出了关于人类认知偏差和人工智能之间相互作用的研究议程及三个感兴趣的广泛领域，并为具有更好对人类偏见的人工智能系统的设计方向提出了研究方向。

    Oct, 2022

  • 人工智能中的抽象与类比推理

    本文综述了人类学习、推理和适应新领域的关键能力 —— 概念抽象和类比制定，以及通过符号方法、深度学习和概率编程归纳等多种途径构建具有这些能力的 AI 系统的优势和局限性，最后提出了设计挑战任务和评估指标的几点建议，以在此领域取得量化和可推广的进展。

    Feb, 2021

  • 认知心理学启发下的人工智能自主探索

    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

  • 通过模仿学习启发式搜索

    使用 SaIL 特有的算法，训练启发式策略来遍历搜索树中的节点，以减少搜索次数。实验证明 SaIL 算法在实时规划环境中优于现有算法，这为学习体现 ' 快速找到可行解并随时间增量调整 ' 的启发式方法铺平了道路。

    Jul, 2017

  • 反思性人工智能

    本文旨在探讨反思式 AI 的概念，并提出了一种基于反思概念的 AI 代理架构，以及相关的前行方向。

    Jan, 2023

  • AI 知识与推理：在科学研究中模拟专家的创造力

    通过研究 589 份发表于四本领先心理学期刊的研究论文，我们调查了现代人工智能是否能够模仿专家在复杂科学领域的创造力，并介绍了一种新的方法论，利用 AI 的训练截止日期之后发表的原创研究文章，确保没有事先接触，减轻死记硬背和事先训练的担忧。结果显示，AI 能够擅长理解专业研究、演绎推理以及评估证据与结果之间的一致性，这些是人类专业领域专家和创造力的认知特征。这些发现表明通用人工智能在转变学术界方面的潜力，需要基于知识的创造力的角色越来越容易被技术所替代。

    Apr, 2024

  • 面向目标驱动的人工智能综述

    人工智能在几个关键方面仍然比人类智能有限，如在理解上下文、言外之意和微妙线索方面的能力。本文展望了可能用于缩小人类智能与机器智能差距的机器智能候选方法，重点讨论了当前人工智能技术的不足，以及层次规划和能量基、潜变量方法以及联合嵌入预测架构方法如何帮助弥合这一差距。

    Aug, 2023

  • 自动化机器学习、有限理性和合理元推理

    这篇论文从有限理性的角度出发，将 AutoML 工具视为一个快速训练给定数据集模型的代理，并探讨了如何在元层面上寻找适当的 ML 管道的问题。

    Sep, 2021

  • 利用人工智能改善在大型部分可观测环境中的人类规划

    该研究开发了第一个元推理算法来发现资源合理策略，将其应用于人类在部分可观察环境下的规划中，并通过智能教师教授学习所得的策略，以提高人类在复杂、部分可观察的序列决策问题中的规划能力。

    Feb, 2023

  • 当人工智能代替我们回答问题时的认知考虑

    通过使用逻辑 - 符号推理来解决人工智能可能存在的认识上问题，来避免擅自运用人工智能对输出内容和结果的不当控制，从而遵守 Grice 的质量最大化和 Lemoine 的法律无罪最大化原则。

    Apr, 2023