- 从表现到认知体系结构:一个可扩展的框架
通过将现实解读为信息源,并将其转化为计算框架,我们提出了一种新颖的建模方法,从而接近于人工通用智能。该框架可以以流动可扩展的分层方式构建经典的认知架构元素,如长期记忆和工作记忆。
- 利用大型语言模型对认知代理进行引导
通过将大型语言模型中的噪声知识与认知模型相结合,我们提出的框架在厨房任务中的具体体验中表明相较于仅基于大型语言模型的代理,我们的方法能够更高效地运作。实验结果表明大型语言模型对认知架构来说是一个信息丰富的来源,并且认知架构能够验证和更新大型 - ICML呼唤具象人工智能
我们提出了 “具身人工智能” 作为追求 “人工通用智能” 的下一个基本步骤,并对其与当前人工智能进展,特别是大型语言模型进行对比。我们横跨哲学、心理学、神经科学和机器人技术等多个领域探讨了具身概念的演变,以突显具身人工智能如何与静态学习的经 - 将生成网络与认知的共同模型相结合
该文章提出了将认知通用模型调整为人工智能领域中的大型生成网络模型的理论框架。通过将通用模型中的模块重组为辅助于中心生产系统的阴影生成系统,可以实现这一目标,该中心生产系统基于阴影生成系统的输出进行高级推理。在通用模型中实现这种创新结构,可以 - 一种用于原型设计 AGI 的通用知识模型和认知架构
该研究论文旨在提出一种新的认知架构来实现通用人工智能的能力,并介绍了一个包含多个功能模块的框架。其中,知识表示是该架构的关键解决方案之一,能够在单一知识库中结合多种形式化和非形式化的知识表示方法。论文还探讨了使用 Archigraph 模型 - 用户类似的机器人用于认知自动化:一项调查
本文旨在探讨认知架构在支持具备高级综合智能的软件机器人工程方面的作用,以及如何利用认知架构创造智能软件机器人。此外,我们还强调了未来发展自主用户智能型机器人的关键架构建议。
- 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。
- AAAI通过赫布学习和自由能最小化的神经模仿实现普通认知模型
使用神经生成模型构建 COGnitive Neural GENerative 系统,以优化变分自由能函数,并探讨其在认知科学中的应用。
- AAAI大型语言模型与认知架构的协同集成 —— 鲁棒人工智能的探索性分析
本研究论文探讨了在构建表现出智能行为的人工智能代理中,将大型语言模型(LLMs)和认知架构(CAs)两个子领域进行整合的替代方案。在理论模型的指导下,并通过初步的实证数据支持,我们假设多样化的协同方法可以相互弥补它们各自的弱点和局限性,最终 - NEOLAF,一种由 LLM 驱动的神经符号认知架构
该研究论文提出了 NEOLAF(Never Ending Open Learning Adaptive Framework)这一集成的神经符号认知架构,它在建模和构建智能代理方面超越了纯连接主义和纯符号主义的方法,具备可解释性、增量学习、效 - 建筑思考
本文考虑了建筑这一术语的演变历史及其在不同阶段引入的定义和相关区分,最终给出涵盖所有三个阶段的建筑定义,并重新思考了从认知建筑到建筑学普遍存在的三个关键问题。
- 重新思考物理符号系统假设
通过重新审视计算符号的本质,该论文提出了一种混合方法,旨在应对物理符号系统假设的挑战以及填补符号和神经方法之间的鸿沟,并引入了两个新假设。
- 专家水平
本文研究专业知识的本质并提出了专业知识层次和技能层次的抽象描述,并引入了 “专业层次” 这一新层次,应用该模型到认知结构和人类认知增强领域,并用该模型分析了几个著名的智能系统。
- 协同进化混合智能的认知架构
本文探讨了强数据中心人工智能的可行性,并提出了共同进化的混合智能的概念。通过分析现有的认知体系结构方法,将人类无缝地融入智能问题解决的循环中。详细探讨了将人类纳入智能数据处理流程的认知架构,并对开发智能系统的可行性做出了一般性结论。
- 机器人自主性元架构的需求
文章提出了利用认知结构生成模型的方式,以模型为基础的工程和可证明的可靠性、自主计算和知识启用机器人学来获得认证可靠性的自治机器人的可证明可靠性可以受益于几种认知功能,知识处理,推理和元论证的集成的形式化模型。
- ACT-R 和 Soar 的分析和比较
本文对 ACT-R 和 Soar 的认知体系结构进行了详细分析和比较,包括它们的总体结构,对代理数据和元数据的表述,以及相关处理。重点关注工作记忆、程序记忆和长期陈述性记忆,强调了两者的共同点和差异,阐明了这些体系结构使用的信息进程和不同类 - 第九届认知系统进展会议(ACS)
描述了人工智能和认知科学的初始目标,涉及计算术语解释思想,并在计算工具中复现整个人类认知能力的多项研究, Advances in Cognitive Systems 为该领域的研究人员提供了最新结果和新挑战的场所。
- 用于可信体系结构的系统挑战
研究了面对真实环境中的各种工程挑战,为保证具有人类中心社会价值的协调行为,设计可靠和可验证安全的人机交互,我们正在为值得信赖的具有不断发展、自主学习、意图驱动、探索性的、大规模非可预测的、增强的具体化系统识别一些紧迫的系统挑战,包括具有鲁棒