深度学习时代的认知科学哲学
通过对认知科学和人工智能的比较研究，本文旨在以认知科学为基础构建基本的人工智能研究模块，并提供了一系列通过认知科学启发的人工智能方法，以开发更好的感知系统。
Oct, 2023
该综述旨在通过研究神经科学和认知心理学的方法，为人工通用智能的追求做出贡献。尽管深度学习模型在各个领域取得了令人印象深刻的进展，但它们在抽象推理和因果理解方面仍然存在缺点。这些能力应该最终整合到人工智能系统中，以克服数据驱动的限制，并以更加接近人类智能的方式支持决策。本工作是一项纵向综述，试图广泛探索大脑功能的范围，包括从低层生物神经元、尖峰神经网络和神经元集合到更高层的概念，如脑解剖学、向量符号体系结构、认知和分类模型以及认知体系结构。希望这些概念能为人工通用智能的解决方案提供启示。
Jan, 2024
本文讨论深度神经网络的透明度带来的批判性和认识论挑战，并探讨了 AI 在科学中的作用，阐明了深度学习在发现过程中的重要作用，并结合两个科学案例阐释了 AI 在引领科学界取得重大和可证明突破方面的作用。
Jun, 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
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
通过识别认知科学中计算推理的计算方法、数据驱动时代的操作挑战、社会影响和道德准则等方面，平衡潜在的乐观情绪，探索在更实证的视角下进行推理的可行性和可行性，以更多样化和丰富的方法解释研究结果。
Oct, 2022
本文综述了基于直觉物理的深度学习方法在物理推理方面的最新进展和技术。将现有的深度学习技术分为三个方面的物理推理，并将其组织为三种一般的技术方法，提出了该领域的六个分类任务。最后，本文强调了当前领域的挑战并提出了一些未来的研究方向。
Feb, 2022