- 智能的本质
通过仿真人脑,人工智能建立了具有学习能力和接近人类水平的智能任务执行能力的计算模型,同时证明了智能的本质是一系列数学功能过程,通过建立数据集之间的功能关系来最小化系统熵,并通过能量消耗的增强方式在人类和人工智能中实现。
- 魅力肌肉:拥有身体并非体现具身之意
本文认为,融合智能体的行动选择问题和更抽象空间中的行动选择问题,并通过体现某些具体身体的情况和活动模式,采用更加严谨和实用的方式解决问题,而这并不特指身体运动或者遍历物理空间,同时论述了计算机程序在何种条件下,能比行走、说话机器人更加体现感 - 现在的机器能够思考吗?
本文探讨了生成式人工智能技术的应用领域和能力,重温了图灵关于 “思考机器” 的概念,分析了机器智能测试的重要性,同时指出人工智能机器展示了智能的多个方面,但也存在相应的疑虑和后果。
- 智能理论研发中的八大挑战
通过理论模型的建立,我们可以更好地理解大型神经网络和人工智能等领域的现象和行为,依此探讨人工智能理论中的八大挑战。
- 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 - 人工神经网络中基于大脑启发的学习策略综述
本篇论文全面综述了现今人工神经网络中基于仿生学学习机制的表示,研究了加入更多仿生意义机制如突触可塑性以加强网络能力的可能性和挑战,并找到未来的研究方向,以更深入理解智能的本质。
- MindGames: 利用动态认识模态逻辑针对大型语言模型的心灵游戏
本文通过运用动态认知逻辑以生成更为复杂的问题,以及新颖的语言表述技术来表达这些问题,研究表明 70M 到 6B 和 350M 到 174B 的语言模型规模并不总是比随机投票更好,并且 GPT-4 表现出了更优秀的认知推理能力,但仍有待提高。
- 大型语言模型是否能够很好地玩文本游戏?现状和开放问题
本技术报告针对大型语言模型 (ChatGPT 和 GPT-4),探究它们在玩文字游戏方面的能力,实验证明 ChatGPT 表现与现有系统相比具有竞争力,但仍没有足够的智能去构建游戏世界模型、利用已有世界知识和推断游戏进程中的目标。这为人工智 - 数字孪生的新视角:为实体赋予智能和代理能力
将数字孪生作为赋予智能和机构的实体的方式,可以避免混淆,人性化概念,并讨论数字孪生的智能程度、角色和责任,以及为数字孪生设定长期方向。
- 一种基于熵的系统结构智能度量方法
本文研究如何衡量系统在特定结构下的智能水平,采用多个指标计算了若干基本结构的智能度,结果表明某些结构确实比其他结构更聪明,探讨了自然生命的进化机制和构建高智能度类生物结构的可能途径。
- 我们能知道那些我们甚至无法想象的事情吗?
该文章探讨了我们的科学和数学认知上的局限性以及如何规避这些局限性,并分析了智能、人类语言和人类数学的相互关系。
- 大型语言模型与反图灵测试
大型语言模型(LLMs)是自我监督的预训练模型,可适应广泛的自然语言任务,但其是否理解其所说的话或表现出智能受到广泛争议。提出了一个新的可能性,即它们表现出的智能实际上是镜像了面试官的智能,它可能更多地揭示了面试者的智能和信仰而不是 LLM - 基于零和博弈的 Robocode 机器人自适应对抗分析
本文通过组织七个坦克机器人进行独立与混合对决,并结合博弈策略下的 α-β 剪枝算法和对手下一步运动位置的估计以及提前释放自身子弹命中对手的效果,验证了 TestRobot 的零和博弈 Alpha-Beta 剪枝算法的有效性。文章通过绘制 1 - 利用 GPT-3 生成音乐解释
本文研究了 GPT-3 在通过文本解释来表达音乐决策方面的能力,结果表明 GPT-3 缺乏理解音乐决策的必要智能,解决该问题的主要障碍是缺乏艺术家创作音乐时解释过程的数据资源。
- 一个世界自我模型:理解智能
文章拟探讨智能的本质,并构建一个称之为‘世界 - 自我的模型’的数学模型,以此表征人工智能和人类智能的基本方面,特别地,提出了信息抽象的过程和概念的生成和关联机制等方面的内容,以及相应于任意类型的问题解决的信息输入和输出的流程,同时,还对所 - 关于人类和机器的意识功能和普通智能之间联系的研究
本文探讨了意识和智能之间的联系,发现意识与人类领域普适智能有密切关系。对比三种当代意识功能理论与人类的认知能力,作者将结论应用到人工智能领域,提出了一种将三种理论相结合的可实现的模型,并以人类的心理时间旅行为例,提出进行人工智能研究的前景和 - 视觉 - 语言智能:任务、表示学习与大模型
这篇论文从时间的角度对视觉语言智能进行了全面的调研,总结了三个时期的发展,包括特定任务方法,视觉 - 语言预训练方法和通过大规模弱标签数据增强的更大模型,并讨论了未来的发展趋势.
- 奖励不足够:我们能否将 AI 从强化学习范式中解放出来?
本文挑战了 Silver 等人提出的奖励最大化假设,并指出强化学习范式虽然在某些实际应用中有用,但是它不是智能的完整框架,因为智能行为的复杂性不仅仅是奖励最大化的二阶复杂性。该事实对于可实际使用的智能、安全和强大的人工智能代理的发展具有深远 - E - 智能系统
介绍了通过电子传感器获得情报的电子情报(ELINT),并讨论了它的应用、工作原理、收集和分析数据的方法。ELINT 可用于帮助组织做出决策以在竞争中获得战略优势。
- 深度学习高层认知的归纳偏好
本文提出了一个假设,认为人类和动物的智能可以由少数原则解释,这些原则可以帮助我们建立灵活、具有系统化泛化能力的人工智能系统,从而弥补当前机器学习与人类智能之间巨大的差距,并提供 AI 研究和神经科学理论的灵感来源。