Mar, 2024

人工智能未学习的内容（以及原因）

PDF
TL;DR当今 AI 技术在深度学习和生成式方法的发展下，取得了令人瞩目的成果，但在机器人领域却鲜有影响。目前的自主机器人并不通过与人的互动来学习在家中护理或担任护理助手等应用，而是依赖数学模型、规划框架和强化学习。因此，将机器人 AI 与深度学习技术相结合，创造经验性基础课程，有望极大提高 AI 机器人的广泛实用性，并推动该市场发展，降低成本，普及 AI。
aideep learninggenerative approachesroboticsexperiential learning
发现论文，激发创造
  • 深度学习与人工通用智能：仍有很长的路要走

    批判性地探讨深度神经网络 (DNN) 作为实现人工通用智能的技术选择的可行性，并给出了五个主要的原因进行支撑，表明 DNN 目前还不适合成为实现人工通用智能的选择。

    Mar, 2022

  • 建造像人类一样学习和思考的机器

    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

  • ImageNet 十年：人工智能的全景视角

    该论文探讨了神经网络的复兴及其对人工智能领域的影响，介绍了监督学习和深度学习等技术的应用和优劣势，同时也指出了一些伦理和技术上的问题和挑战。

    Oct, 2022

  • 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

  • 人工智能通用智能的新解决方案和具体实施步骤

    通过解决大规模模型的局限性以及利用现有技术，本文提出解决方案，进而解决大规模模型固有的缺陷，逐步实现真正的人工智能通用智能。

    Aug, 2023

  • 深度学习在人工智能中的非凡有效性

    深度学习网络在语音识别、图像描述和语言翻译等方面的高性能表现是由于它们利用高维空间的几何特性，然而它们究竟能否推广到实现全面的人工智能，以及和大脑规划和生存相关的其他区域的灵感还需做出重大突破。

    Feb, 2020

  • 人工智能的挑战 —— 从机器学习和计算机视觉到情感智能

    本书旨在提供人工智能发展的历史、潜力和局限性的现实图景，并介绍 AI 的各种应用领域及方法，其中重点覆盖了深度学习等当前人工智能的主流方法及技术，以及 AI 在人类情感智能等领域的应用，最后总结了当前 AI 的现状与未来发展趋势。

    Jan, 2022

  • CommAI：评估实现有用的通用人工智能的第一步

    研究提出了一组具体的通用 AI 目标及一个平台，以客观的方式测量机器满足这些目标的程度，以便填补当前研究缺乏测量机器通用智能进展的客观方法这一空白。

    Jan, 2017

  • 由生成式闭环人工智能主导的基础科学的未来

    探索和研究 AI 驱动的自动闭环科学发现方法，包括自我驱动的假设生成和假设空间的无限自主探索。将自动化纳入科学实践将缓解当前问题，包括发现的复制、数据的系统化生产以及最终的科学过程民主化，具有开创性的视野将释放 AI 在我们的世界基本结构搜索和发现方面的潜力，好过自动化当前工作流程，并打开技术创新的大门，解决人类面临的最大挑战之一。

    Jul, 2023

  • 人工智能的下一个十年：朝向强大鲁棒性的四步走

    该论文探讨了当今人工智能和机器学习领域追求泛用性学习及越来越大的训练集和计算资源时，提出了一种集认知模型、知识驱动及基于推理的混合方法，可为一种更富深度且更强健的人工智能提供基础。

    Feb, 2020