- 教育中学习、分析和人工智能的相互作用
这篇论文提出了人工智能在学习和教育中的多维视角,强调了人工智能、分析技术和学习过程之间错综复杂的相互作用。论文挑战了将人工智能仅视为随机工具的狭隘概念,并主张重要的替代概念。作者在文中突出了人类智能与人工信息处理的差异,AI 算法中固有的认 - 基于特征的通用预测模型:感知和抽象推理的统一
人类智能的一个特征是能够从有限的经验中推断出抽象规则,并将这些规则应用于陌生情境。本研究介绍了一个使用特征检测、仿射变换估计和搜索的算法方法来进行规则检测和应用,并在简化版的 Raven's Progressive Matrices 任务中 - 出版文本的社会进化与大型语言模型的出现及其毒性与偏见问题
AI 和深度学习的快速发展在大型语言模型中具有突破性的出现,这里提醒过度乐观的人关注毒性、偏见、记忆、奉承、逻辑不一致以及幻觉的存在,并指出人类智能只是一种规模放大的灵长类脑的案例。
- 运动映射认知:人类视觉中的不可分解的主要过程
人类智能是一个谜,直到现在我们仍未完全理解其基础。本文介绍了一种基本的认知过程,运动映射认知(MMC),它应该是人类视觉中不可分解的主要功能。在其中,我指出 MMC 过程可以用来解释大部分的人类视觉功能,但无法通过传统的图像处理方式(包括图 - MIMo: 用于研究认知发展的多模态婴儿模型
人类智能和人类意识是在认知发展过程中逐渐出现的,理解这种发展是了解人类思维的重要方面,也有助于构建具有类似特性的人工智能。我们介绍了 MIMo,一个用于通过计算机模拟研究早期认知发展的开源多模态婴儿模型。MIMo 的身体模型仿照了一个 18 - OC-NMN: 面向生成性视觉类比推理的物体中心化组合神经模块网络
人工智能的一个关键方面是想象力,即以新颖的方式组合学习的概念,以理解新的情境。本研究展示了如何利用模块化和想象力创建一个基于物体的组合神经模块网络(OC-NMN)框架,用于视觉推理和生成任务,并证明该方法可以带来更好的非分布式泛化性能。
- 面向目标驱动的人工智能综述
人工智能在几个关键方面仍然比人类智能有限,如在理解上下文、言外之意和微妙线索方面的能力。本文展望了可能用于缩小人类智能与机器智能差距的机器智能候选方法,重点讨论了当前人工智能技术的不足,以及层次规划和能量基、潜变量方法以及联合嵌入预测架构方 - 智能空间的定义和探索
这篇研究论文提出了一种智能的宽泛概念,将其归纳为三个层级的嵌套层次结构和围绕其及其近似值构建的更广泛的空间,并在其中确定了对应于自然智能(尤其是人类智能)和人工智能(AI)以及类似于人类智能的交叉概念的区域,并在早期探索了四个更先进、更有争 - 测试系统智能
讨论了智能系统测试的足够性和实现过程中遇到的问题,并提出了一种替代测试方法,介绍了该方法如何刻画 Turing 测试无法涵盖的人类智能的显著方面。提出了实现替代测试以及验证智能系统属性的框架,并探讨了智能系统验证的内在限制,并建议新的理论基 - 混合智能中的本体论:一篇简明文献综述
本文旨在提供一个对混合智能的本体论应用和混合智能系统中本体论应用的批判性讨论,以减少人工智能和人类智能之间的差距,提高系统的质量和准确性,增强互操作性和透明度,并探索下一代混合智能环境的建立。
- 分层信息网络的新兴人工智能协议
提出了一种新的基于人工智能的分层模型,用于测量人类智力中的问题解决和决策能力。该模型由 7 个不同的层级组成,可为给定问题提供最佳和可说明性的解决方案。
- 解决瑞文渐进矩阵的计算模型:全面介绍
这篇论文全面介绍了关于 RPM 的计算模型,包括历史、智力测量理论、项目设计和自动生成、计算模型的概念史,以及将人类智力测试和 AI 测试进行比较并提出建议。
- 为基于理解语境的语言模型收集交互式多模态数据集
本文介绍了利用自然语言任务进行协作的实体代理模型,发展出了可扩展的数据收集工具,并采集了互动立足语言理解的第一个数据集,以便进一步研究机器模拟人类智能适应新任务与环境的能力。
- 人工智能和人工通用智能之间的桥梁:一种十诫框架来获得人类智能
本文旨在构建一个计算框架,基于仿神经模型的方法,实现分层的人类智能十诫,为发展更加智能、可解释、通用的人工智能系统提供指引。
- 大型语言模型仍无法规划 (面向规划和变化推理的 LLM 基准测试)
该研究提出了一种可扩展的评估框架来测试 LLMs 在行动和变化推理方面的能力,从而证明现有的推理基准测试是简单化的,无法支持关于 LLMs 推理能力的夸张的说法,并展示了 GPT-3、Instruct-GPT3 和 BLOOM 对这些任务的 - 协作环境中的交互式基于场景的语言理解: IGLU 2021
IGLU 竞赛致力于解决在协作环境下,如何建立可以通过自然语言指令学习解决问题的交互式代理的问题。
- 人类和机器学习中抽象概念与统计模式匹配的分离
本研究在分析人类和神经网络在元强化学习范式中通过定抽象特征区分任务表现的差异,其中构建了一种新方法 “任务合成体”,其具有相似的统计特征但使用不同的基础生成过程。结果表明,人类在抽象任务上表现比任务合成体更好,而常见神经网络架构在抽象任务上 - 人工智能中的象征性行为
重新解释符号的属性,学习符号被创造和使用的方式,利用社交和文化参与,发展人工智能的符号行为,是实现有人类般符号流畅的人工智能的重要途径。
- 外部记忆中的绑定视为新符号的产生
本研究介绍了 Emergent Symbol Binding Network (ESBN),它是一种采用外部记忆扩展的循环神经网络,能够通过一种变量绑定和间接储存的机制从学习过程中出现符号式表示,使得其能够在抽象规则的学习中达到几乎完美的泛 - 透过人类限制理解人类智能
通过考虑人类心智需要解决的计算问题的特征,从时间、计算和通信三个基本限制中推导出多个人类智能的特性,例如快速学习、将问题分解为部分以及文化演化的累积能力。