该论文提出了一种名为虚拟体验（virtual embodiment）的多模式 AI 策略，它允许开发人工智能的可伸缩性，并以一种伦理负责的方式在领域内逐步推进。

Oct, 2016

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

现代计算自然哲学以信息和计算的概念化方式构建宇宙的框架，用于研究认知和智能。该计算视角显著影响我们对自然界的理解，导致了基于深度神经网络的 ChatGPT 等人工智能系统的发展。跨学科研究促进了这一领域的进展，整合了多个领域的知识以模拟复杂系统。大型语言模型（如 ChatGPT）代表了这种方法的能力，利用强化学习与人类反馈进行增强。当前的研究倡导将神经网络与符号计算相结合，引入新一代混合计算模型。

Sep, 2023

本文研究了语言模型的最佳规划能力，可以构建给定环境的认知地图，实验证明认知地图显著提高了网格世界路径规划任务中的规划生成能力，同时展示了与人类认知类似的两个关键特征：将规划能力泛化到外推环境和有限训练数据下的快速适应。希望本研究结果能够为基于语言模型的模拟人类认知流程提供启示，从而开发出更先进、更健壮的系统，更好地模拟人类思维。

Jun, 2024

孩子们表现出惊人的学习和思考能力，与形式化的研究中的科学推理方法非常相似。本研究利用 Blicket 检测建立了交互式 EST 环境，旨在评估人工智能的科学思维能力，研究发现今天的学习方法在科学思考中具有低效性，需要未来的研究来构建人类类似的智能。

Jun, 2022

研究通过使用计算物理引擎作为输入，将语言模型中的推理过程与现实社会有机结合，让模型具有更加精准有效的推理能力，以达到人类与 AI 之间成功和有效的交流。该研究的实验证明 Mind's Eye 可以在物理对齐基准测试中改善模型推理能力 27.9％（零击中率）和 46.0％（少量击中率），较小的语言模型具有 Mind's Eye 也能获得类似的性能。

Oct, 2022

大型语言模型中的空间推理能力相对较少探索，在本文中，我们提出了一种名为 Thought 可视化的方法，通过可视化语言模型的推理轨迹来引导后续的推理步骤，实验证明 Thought 可视化显著增强了语言模型的空间推理能力，并且在多跳空间推理任务中表现优于现有的多模态大型语言模型。

Apr, 2024

深度学习在人工智能研究的各个领域取得了重大进展，对认知科学的哲学具有重要意义，通过克服旧的连接主义模型的局限性，深度神经网络在认知科学的哲学争论中取得了重大进展，并且与哲学和认知科学的跨学科合作有望解决深度神经网络比较评估方面的方法论挑战，哲学家在探索与深度学习和认知的基础问题相关的领域有很大潜力。

May, 2024

本文提出了一种学习智能体的模型，其与环境的交互由基于模拟的投射控制，该模型通过随机行走的方式对记忆片段网络进行模拟，筛选特定特征以触发智能体动作，提供了一种新的基于实体认知科学的智能行动学习途径，并与强化学习和量子计算领域进行了连接。

Apr, 2011