May, 2024

机器心理学：将操作条件反射与非公理推理系统结合，推进人工智能普适性研究

PDF
TL;DR这篇论文介绍了一种称为机器心理学的跨学科框架，将操作学习心理学原理与特定的人工智能模型非公理推理系统（NARS）相结合，以增强通用人工智能（AGI）研究。该框架的核心前提是适应对于生物和人工智能同样重要，可以通过操作条件性原理来理解。该研究通过三个操作学习任务使用 OpenNARS for Applications（ONA）来评估这种方法：简单判别、条件改变和条件判别任务。这些研究结果支持操作条件性作为创建自适应 AGI 系统的框架的应用。
machine psychologyoperant learning psychologynon-axiomatic reasoning systemadaptationartificial general intelligence
发现论文，激发创造
  • 比较 NARS 和强化学习：关于 ONA 和 Q-Learning 算法的分析

    探讨了非公理推理系统（NARS）作为强化学习（RL）替代品的潜力，并进行了性能对比分析，结果表明 NARS 在不同难度环境中表现竞争力尤其是在非确定性环境中。

    Mar, 2023

  • 神经网络的抽象和推理：迈向机器的广泛泛化

    人工智能研究半个世纪以来一直试图复制人类的抽象和推理能力，创造出可以从一小组示例中学习新概念的计算机系统，在人类轻松掌握的情境下进行。然而，尽管特定神经网络能够解决一系列问题，但对于训练数据之外的广泛泛化，仍然是个难题。本文提出了几种新颖的解决方法，用于解决抽象与推理语料库 (ARC) 的问题。尽管竞赛的最佳算法仍然无法解决大多数 ARC 任务，并且依赖于复杂的手工规则，而不使用机器学习。我们重新审视了神经网络领域的最新进展是否能够在这个任务上取得进展，并提出了适应 ARC 的 DreamCoder 神经符号推理求解器。DreamCoder 自动编写特定领域的语言程序进行推理，并使用神经网络模拟人类直觉。我们提出了感知抽象与推理语言 (PeARL) 语言，使 DreamCoder 能够解决 ARC 任务，并提出了一种新的识别模型，显著改进了之前的最佳实现。我们还提出了一种新的编码和增强方案，使大语言模型 (LLMs) 能够解决 ARC 任务，并发现最大的模型可以解决一些 ARC 任务。LLMs 能够解决一组不同于现有解算器的问题，并为其他方法提供了一种有趣的补充方式。我们进行了集成分析，将模型结合起来以取得比任何单独系统更好的结果。最后，我们发布了 arckit Python 库，使未来对 ARC 的研究更加容易。

    Feb, 2024

  • 图神经网络中的算法推理

    通过与神经网络和热带代数的连接，将算法推理集成到机器学习模型中的潜力展示出来。

    Feb, 2024

  • NUTS，NARS，和 Speech

    通过利用非公理化推理系统（NARS）对语音识别进行研究以探究 “智能是信息处理系统在知识和资源不充足的情况下适应环境的能力”，本文提出了一种为感知设计的 NUTS：随机降维非公理化推理有限输入学习器。NUTS 包括幼稚的降维、一些预处理，然后进行非公理化推理（NARS）。只需 2 个训练示例，NUTS 对于离散词语识别表现与 Whisper Tiny 模型相似。

    May, 2024

  • Pangu-Agent：具有结构化推理能力的可调优的通用型智能体

    通过将结构化推理融入 AI 代理的策略中，本文提出了一个通用框架模型，比较并探索了其他 AI 流水线和现有框架。实验证明，嵌入了组织推理和先前知识的 AI 代理表现和适应性要好得多，为更强大和更通用的 AI 代理系统打开了大门。

    Dec, 2023

  • NARS 中的功能等价性

    该研究通过 Non-Axiomatic Reasoning System (NARS) 框架中的 OpenNARS for Applications (ONA) 探讨功能等同的概念，通过改进 ONA 来推导功能等同。研究提供了 ONA 在不同功能情境中应用所学知识的实际示例，展示了其在复杂问题解决和决策中的实用性。研究扩展了对人工通用智能系统中功能等同的理解，并认为它对于人类级别的学习和适应所必需的灵活性是必要的。

    May, 2024

  • AGENT：核心心理推理基准

    通过使用过程生成的三维动画构建了一个基准测试，并通过人类评分验证了该基准测试，结果表明，要在人类水平上通过基础直觉心理学的设计测试，模型必须获得或具有代理计划的内置表示，该测试结构围绕四个场景，并比较了两个强大的基线建立在贝叶斯逆规划和心灵理论神经网络上。

    Feb, 2021

  • 低层次人工通用智能的神经进化

    本文提出低层次人工智能学习的假设，介绍了一种学习生物神经网络模型的方法，并成功解决了三个模拟场景的问题，实现了适应性和普适性控制。

    Jul, 2022

  • 通过语言进行视觉抽象和推理

    本研究提出了一种基于自然语言描述任务的方法框架来解决人工智能中的 Abstraction and Reasoning Corpus (ARC) 问题，虽然尚未击败当前最先进的 DSL 模型，但我们证明了我们的方法具有巨大的潜力，可以解决以前不能解决的任务。

    Mar, 2023

  • 使用认知神经符号系统实现高层机器推理

    我们提出通过将认知架构与外部神经符号组件相结合，使人工智能系统能够进行高层次推理，讨论生成模型在最近和未来应用中的作用。

    Nov, 2023