高效生成人工智能：人与算法的半人马
本文介绍了一种更加广泛适用的人工智能框架 —— 广义人类感知交互（GHAI），通过六类（心理）模型来捕捉人工智能领域中的各种工作，并确定这些工作支持的基本行为模式。使用该框架可以确定当前文献中的潜在差距，提出未来的研究方向以解决这些缺陷。
Feb, 2022
本文提供了一种构建通用人工智能的路径 - AI 生成算法 (AI-GA)，并针对其进行了安全与伦理等方面的讨论，此方法基于机器学习领域中手动设计解决方案被更有效的学习解决方案取代的趋势，并依赖于元学习体系结构、元学习学习算法本身以及生成有效学习环境三个支柱。作者认为，将投资于该方法研究的费用应该增加，因为它可能是构建通用 AI 的最快路径，并且由于理解简单算法可以生成通用人工智能的条件在科学上具有内在的兴趣，因此应将 AI-GAs 的探索视为计算机科学研究的新大挑战。
May, 2019
通过跨学科讨论，我们从技术角度定义和提出了人类中心生成式人工智能的下一步研究方向，贡献了一份旨在吸引跨学科研究小组关注 HGAI 的新生代思路清单，指明了他们感兴趣的话题，同时保持未来工作格局的连贯性。
Jun, 2023
每天我们越来越依赖于机器学习模型来自动化和支持高风险任务和决策。这篇论文提出了混合决策系统的分类法，提供了一个概念和技术框架，以理解当前计算机科学文献中的人机交互模型。
Feb, 2024
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
基于我们之前的工作，本文提出了一个综合的基于人为中心的人工智能（HCAI）框架，包括设计目标、设计原则、实施方法、跨学科团队和 HCAI 流程，同时提出了一个 “三层” 方法以促进框架的实施，我们相信这个系统性和可执行性框架可以克服当前 HCAI 框架中的不足，并应对当前实践中面临的挑战，进一步实现 HCAI 的发展。
Nov, 2023
研究了大型语言模型与人类元认知在国际教练联合会（ICF）模拟考试中的元认知能力，结果发现大型语言模型在几个元认知指标上表现优于人类，尤其是在减少自负方面，但无论是语言模型还是人类在模糊场景中都缺乏适应性，倾向于遵循预先定义的决策框架。研究结果对开发辅助掌握教练能力的人工智能模拟器以及发展朝着更自主和直观的人工智能系统的元认知模块具有重要意义。
May, 2024
人类有倾向在周围的物体中看到类似于 “人” 的特质。这种行为被称为拟人化，并且这种拟人化趋势也出现在机器学习中，其中声称在大型语言模型中感知到类似于人类智能的特质。本立场论文通过考虑专业激励、人类偏见和一般的方法论设置，讨论了当前对人工通用智能（AGI）的追求与将人类特质过度归因于大型语言模型之间的关系。通过几项实验，我们证明在潜在空间中发现可解释的人类模式并不足为奇。另外，考虑到媒体中对人工智能的普遍描绘，我们呼吁学术界在解释和交流人工智能研究结果时要格外小心，并且要对学术诚信原则有更高的意识。
Feb, 2024