Comparison between the two definitions of AI
在文献[1]和[2]中,对人工智能概念提出了两种不同的定义。第一个定义是非正式的。它说任何比人类更聪明的程序都被认为是人工智能。第二个定义是形式上的,因为它避免提到人的概念。论文[1]和[2]的读者可能会留下这样的印象:两个定义是等效的,[2]中的定义只是[1]中定义的正式版本。本文将比较这两个定义的人工智能,并希望,将带来更好的理解的概念。
2013-08-22 cs.AI
An Approximation of the Universal Intelligence Measure
DeepMind Technologies Ltd(深度思维科技有限公司);University of Alberta(阿尔伯塔大学)
通用智力测量是最近提出的智力的正式定义。它在数学上是具体的,非常普遍,并且抓住了许多非正式的智力定义的本质。它基于哈特的通用人工智能理论,是雷·索洛蒙诺夫关于通用归纳的开创性工作的延伸。由于通用智力测量只能渐近计算,因此从它构建实用的智力测试并不简单。本文研究了开发一个现实世界的基于UIM的性能指标所涉及的实际问题。根据我们的调查,我们开发了一个原型实现,我们用来评估一些不同的人工代理。
2011-09-29 cs.AI
Tests of Machine Intelligence
IDSIA(达勒莫尔人工智能研究所);NICTA(国家信息与通信技术澳大利亚中心)
虽然智能的定义和测量对人工智能领域显然具有根本的重要性,但还没有关于机器智能的定义和测试的一般性调查。事实上,很少有研究人员知道图灵测试及其许多衍生物的替代品。在本文中,我们填补了这一空白,提供了一个简短的调查,已提出的许多测试机器智能。
2007-12-22 cs.AI
An argument for the impossibility of machine intelligence
University at Buffalo(纽约州立大学布法罗分校)
自从名词短语“人工智能”(AI)被创造出来以来,人们一直在争论人类是否能够利用技术创造智能。我们从热力学和数学的角度对这个问题进行了新的阐述。首先,我们定义什么是可以成为AI承载者的代理(设备)。然后,我们表明,由Hutter和其他人提出的,仍然被AI社区接受的“智能”的主流定义太弱了,甚至无法捕捉到当我们将智能归于昆虫时所涉及的内容。然后,我们总结了罗德尼·布鲁克斯提出的基本(节肢动物)智能的非常有用的定义,我们确定了一个人工智能智能体需要具备的属性,以便通过这个定义成为智能的承载者。最后,我们表明,从创建这样一个代理所需的学科的角度来看,即数学和物理学,这些属性既不是通过隐式或显式的数学设计也不是通过建立一个人工智能可以自发进化的环境来实现的。
2021-10-20 cs.AI
Definition and properties to assess multi-agent environments as social intelligence tests
Universitat Politècnica de València(瓦伦西亚理工大学)
自然和人工系统中的社会智能通常通过评估被认为代表社会行为某些方面的相关特征或任务来衡量。这些特征的融合,然后被用来配置社会智力的直观概念。相反,在本文中,我们从社交智能的参数化定义开始,将其定义为在一组具有多个代理的环境中的预期表现,并从中评估和导出测试。这个定义明确了几个依赖关系:(1)定义取决于选择(和重量)的环境和代理,(2)该定义可以包括竞争行为和合作行为,这取决于代理和奖励如何被安排到团队中,(3)定义主要取决于其他主体的能力,(4)社会智力和一般智力(或其他能力)之间的实际差异取决于这些选择。因此,我们解决这个定义转换成一个更精确的一些基本属性,确保社会行为(如行动和奖励的依赖性和竞争/合作行为的预期)满足以及其他一些更工具性的属性(如secernment,有界性,对称性,有效性,可靠性,效率),这是方便的定义转换成一个实际的测试。从定义和形式化属性出发,我们来看看几个有代表性的多智能体环境、测试和游戏,看看它们是否满足这些属性。
2014-08-27 cs.AI cs.MA
A Definition and a Test for Human-Level Artificial Intelligence
University of Texas at Arlington(德克萨斯大学阿灵顿分校)
尽管最近人工智能研究在许多特定应用领域取得了进展,但我们不知道如何构建人类水平的人工智能(HLAI)。我们推测,从他人的语言经验中学习是人类智力区别于其他智力的基本特征。人类可以用口头描述来更新动作-价值函数,就好像他们亲身经历了状态、动作和相应的奖励序列一样。在本文中,我们提出了一个分类的智能根据个人代理如何学习,并提出了一个定义和测试HLAI。其主要思想是,语言习得没有明确的奖励可以是一个足够的测试HLAI。
2022-12-14 cs.AI cs.CL
On the Definition of Intelligence
institutetext(机构文本)
该研究针对构建AGI的需求,提出基于实体保真度的ε-概念智能准则,为智能定义提供通用形式框架,探讨其在AGI评估、安全及泛化方面的应用意义。
2026-08-13 cs.AI
AI Must Embrace Specialization via Superhuman Adaptable Intelligence
Columbia University(哥伦比亚大学);New York University(纽约大学)
本文提出超人类适应性智能(SAI)概念,主张AI应通过专业化追求超人类表现,而非追求通用智能。
2026-02-27 cs.AI
Elementary epistemological features of machine intelligence
机器智能(MI)的理论分析有助于定义理论和应用人工智能(AI)的公共平台。本文的目标是建立规范的定义,可以帮助语用研究在强和弱人工智能。描述了机器智能的认识论特征,包括智能行为之间的关系、智能与非智能的机器特征、可观察与不可观察的实体以及智能的分类。本文还建立了多元智能测试的效率和准确性的代数定义作为其质量度量。文章的最后一部分从传统的认识论和多元智能的认识论两个方面论述了学习过程。建议的意见MI积极相关的黑格尔一元论认识论,并有助于融合理想主义的审议与人工智能理论,特别是在当地的参考框架。
2017-06-30 cs.AI
How VADER is your AI? Towards a definition of artificial intelligence systems appropriate for regulation
University of Stirling(斯特林大学);Federal University of Rio Grande do Norte(北大河州联邦大学)
本文提出VADER框架,用于评估AI定义在监管中的恰当性,并审查美、英、欧盟和巴西的提案,发现均未达标,存在修订需求或风险。
2025-01-24 cs.AI
Toward the Axiomatization of Intelligence: Structure, Time, and Existence
Ehime University(爱媛大学);Ehime University Graduate School of Science and Technology(爱媛大学理工学研究科)
本研究提出智能的公理化定义,基于集合论宇宙表示,并通过时间范畴与智能范畴的函子关系,为智能系统提供抽象描述,同时推广至意识等概念的形式化。
2025-04-20 cs.AI cs.NE
A Discussion to Qualify Intelligence
Distributed Computing Systems(分布式计算系统)
本文试图提出一个适用于自然世界和人工智能的统一智能定义,基于Kolmogorov复杂性理论提出度量标准,并区分智能与意识的不同。
2026-05-26 cs.AI
What Generative Artificial Intelligence Means for Terminological Definitions
University of Quebec in Trois-Rivières(魁北克大学三河分校)
本文探讨生成式人工智能对术语定义的影响,指出其能辅助并简化定义撰写,但也因输出可能出错而无法完全取代传统术语资源,同时人机内容的界限将逐渐模糊。
2024-04-19 cs.AI cs.CL
On the Measure of Intelligence
Google, Inc.(谷歌公司)
为了朝着更智能、更人性化的人工系统迈进,我们需要遵循一个适当的反馈信号:我们需要能够以一种能够在两个系统之间进行比较以及与人类进行比较的方式来定义和评估智能。在过去的一百年里,在心理学和人工智能领域都有大量的尝试来定义和测量智力。我们总结和批判性地评估这些定义和评估方法,同时使明显的两个历史概念的智能,隐含地指导他们。我们注意到,在实践中,当代人工智能社区仍然倾向于通过比较人工智能和人类在特定任务(如棋盘游戏和视频游戏)中表现出的技能来对智能进行基准测试。我们认为,仅仅测量任何给定任务的技能都不足以测量智力,因为技能受到先验知识和经验的严重影响:无限的先验知识或无限的训练数据允许实验者为系统“购买”任意水平的技能,以掩盖系统自身的泛化能力。然后,我们阐明了一个新的正式定义的智能的基础上,数学信息论,描述智能的技能获取效率和突出的范围,概括困难,先验和经验的概念。使用这个定义,我们提出了一套通用AI基准应该是什么样子的指导方针。最后,我们提出了一个基准密切遵循这些准则,抽象和推理语料库(ARC),建立在一组明确的先验设计,尽可能接近先天人类先验。我们认为,ARC可以用来衡量一种类似人类的一般流体智力,并且它可以在AI系统和人类之间进行公平的一般智力比较。
2019-11-25 cs.AI
Defining and Explorting the Intelligence Space
University of Southern California(南加州大学)
本文通过级联定义构建智能空间,涵盖三个层级及自然、人工智能和类人智能区域,并初步探索奇点、生成式AI、伦理和知识产权等议题。
2023-06-16 cs.AI cs.LG
A Quantitative Definition of Intelligence
Ewha Womans University(成均馆大学)
本文提出一个物理系统的智能密度定义,通过输出独立性与描述长度的比值衡量智能,并反驳了萨尔兹伯格关于语法不足以承载语义的观点。
2026-04-24 cs.AI cs.CC cs.LG
Novel Building Detection and Location Intelligence Collection in Aerial Satellite Imagery
在航空影像中检测建筑物结构并获取建筑物信息是城市规划管理、土地利用分析的重要解决方案。它可以成为回答重要问题的核心,例如在地震、洪水管理等情况下规划疏散路线。这些应用程序依赖于能够准确检索最新信息。能够准确地检测以特定经纬度值为中心的限界框中的建筑物可以提供很大的帮助。关键的挑战是能够检测到建筑物,可以是商业,工业,小屋定居点或摩天大楼。一旦我们能够检测到这样的建筑物,我们的目标将是对类似类型的建筑物进行聚类和分类。
2023-02-06 cs.AI cs.CV eess.IV
Next Generation Business Intelligence and Analytics: A Survey
SUNY Korea(纽约州立大学韩国分校);Stony Brook University(石溪大学);Georgia Southern University(佐治亚南方大学)
商业智能和分析(BI&A)是从数据中提取和预测关键业务见解的过程。传统的BI专注于数据汇集、提取和组织,以实现高效的查询处理,从而从历史数据中获得见解。随着大数据和云计算的兴起,BI面临着许多挑战和机遇。特别是随着数据源数量的不断增加,传统的BI\&A正在不断发展,以不同的规模和角度提供智能-运营BI,情景BI,自助服务BI。在本调查中,我们全面回顾了商业智能系统从后端架构到前端应用程序的演变。我们关注的是处理数据收集和组织的后端架构的变化。我们还回顾了前端应用程序的变化,其中分析服务和可视化是核心组件。使用BI在医疗保健中的用例,这是最复杂的企业之一,我们展示了BI\&A将如何在传统用途之外发挥重要作用。该调查为任何有兴趣全面了解新兴下一代BI\&A解决方案中不同部分的人提供了商业智能和分析的整体视图。
2017-04-11 cs.AI
Diversity and Inclusion in Artificial Intelligence
CSIRO Data61(联邦科学与工业研究组织数据61部门)
针对AI系统和全球生态系统中缺乏多样性与包容性实践指南的问题,本文明确了相关定义并提出了一套面向AI技术专家、数据科学家和项目负责人的实践指南。
2023-05-22 cs.AI cs.SE
General Purpose Artificial Intelligence Systems (GPAIS): Properties, Definition, Taxonomy, Societal Implications and Responsible Governance
University of Granada(格拉纳达大学);University of Nottingham(诺丁汉大学);TECNALIA(泰克纳利亚(西班牙技术研究中心));Basque Research Technology Alliance (BRTA)(巴斯克研究与技术联盟(BRTA));University of the Basque Country (UPV/EHU)(巴斯克大学(UPV/EHU))
本文提出GPAIS的新定义与分类法,区分封闭与开放世界系统,探讨生成式AI与多模态等实现路径,并强调其社会影响与治理需求。
2023-11-03 cs.AI cs.LG
Giving the AI definition a form suitable for the engineer
Bulgarian Academy of Sciences(保加利亚科学院)
人工智能-这是什么?这就是问题所在!在早期的论文中,我们已经给出了人工智能的正式定义,但如果想要构建一个实际的人工智能实现,以下问题需要注意,并在这里处理:要使用的数据格式,Undef和Nothing符号的想法,定义“生命意义”的各种方法,最后,一个新的“错误移动”概念。这些问题在理论讨论中并不重要,但我们已经知道了“人工智能存在吗?”这个问题的答案。“现在我们想迈出下一步,创建这个程序。
2015-03-31 cs.AI
Collectionless Artificial Intelligence
University of Siena(锡耶纳大学)
本文提出“无收集人工智能”原则,要求智能体不记录时序数据流,仅基于当前环境交互更新内部表示,旨在通过设计避免数据积累,从而更好地解决隐私、权力集中等地缘政治问题。
2023-09-15 cs.AI cs.CY cs.LG
Explainable Artificial Intelligence (XAI) in Computational Pathology: Definitions, Taxonomy, and Recommendations
Indiana University School of Medicine(印第安纳大学医学院);Indiana University Melvin and Bren Simon Comprehensive Cancer Center(印第安纳大学梅尔文与布伦·西蒙综合癌症中心);University of Warwick(华威大学);Emory University(埃默里大学);Radboud University Medical Center(拉德堡德大学医学中心);Singapore General Hospital(新加坡中央医院)
本综述针对计算病理学(CompPath)中可解释人工智能(XAI)文献碎片化问题,建立病理学中心词汇、分类及任务驱动框架,明确XAI与临床部署的差距并提出推进建议。
2026-09-01 cs.AI cs.CV
Artificial Intelligence Nomenclature Identified From Delphi Study on Key Issues Related to Trust and Barriers to Adoption for Autonomous Systems
McMaster University(麦克马斯特大学);University of Edinburgh(爱丁堡大学)
人工智能在传统研究领域的快速整合产生了术语的合并。随着跨学科团队共同应对复杂的机器学习挑战,在文献中找到基本定义的共识是一个更根本的问题。作为德尔菲过程中定义信任问题和采用自主系统的障碍的一个步骤,我们的研究首先收集并排名了来自工程,计算机科学,医学,航空航天和国防领域的国际专家小组的首要问题,具有与人工智能合作的经验。本文件总结了来自专家反馈的命名法的文献定义。
2022-10-14 cs.AI cs.CY cs.SY
Towards Quantification of Explainability in Explainable Artificial Intelligence Methods
Tennessee Technological University(田纳西理工大学)
人工智能(AI)已成为安全、金融、医疗、医学和刑事司法等领域不可或缺的一部分。用人类的语言解释人工智能系统的决策是一个关键的挑战--由于模型的高度复杂性,以及对人类利益、权利和生活的潜在影响。虽然可解释性人工智能是一个新兴的研究领域,但对于可解释性的定义、量化和形式化还没有达成共识。事实上,可解释性的量化是一个公开的挑战。在我们以前的工作中,我们结合了领域知识,以获得更好的可解释性,但是,我们无法量化可解释性的程度。在这项工作中,我们(1)简要分析了可解释性的定义,从不同学科的角度(例如,心理学、社会科学)、解释的性质、解释方法和人性化的解释;(2)提出并制定一种量化可解释性程度的方法。我们的实验结果提供了一种合理的、与模型无关的可解释性量化方法
2019-11-22 cs.AI q-fin.RM
Not only a lack of right definitions: Arguments for a shift in information-processing paradigm
机器意识和机器智能不仅仅是占据我们想象力的新流行语。在过去的几十年里,我们见证了创造具有人类特征和能力的机器的尝试前所未有的增长。然而,尽管有广泛的同情和充足的资金,这些企业的进展远远不能令人满意。原因有两个:首先,认知和智力的概念(通常从人类行为研究中借用)是众所周知的模糊和不明确的,其次,支撑整个论述的基本概念本身要么是未定义的,要么是定义得非常模糊。这导致了不适当和不充分的研究目标的确定,我将从DARPA和欧盟委员会最近发布的文件中引用一些例子来说明。另一方面,我想提出一些补救措施,我希望这些措施将改善目前最先进的耻辱。
2010-09-01 cs.AI q-bio.NC
A curated, ontology-based, large-scale knowledge graph of artificial intelligence tasks and benchmarks
Institute of Artificial Intelligence, Medical University of Vienna(维也纳医科大学人工智能研究所)
人工智能(AI)的研究正在通过快速增长的模型和方法来解决越来越多的任务。这使得很难跟踪新的人工智能方法在哪里成功应用-或仍然不成功-,如何衡量进展,不同的进步如何相互协同,以及未来的研究应该如何优先考虑。为了帮助解决这些问题,我们创建了智能任务本体和知识图谱(ITO),这是一个关于人工智能任务、基准测试结果和性能指标的全面、结构丰富和手动管理的资源。当前版本的ITO包含685,560条边,1,100个表示AI过程的类和1,995个表示性能指标的属性。ITO的目标是对AI任务和能力的全球格局进行精确和基于网络的分析。ITO基于的技术允许轻松集成和丰富外部数据,自动推理以及对底层本体模型的持续,协作专家策展。我们公开了ITO数据集和一系列使用ITO的笔记本电脑。
2021-10-06 cs.AI
Intelligent decision: towards interpreting the Pe Algorithm
人类的智慧在于算法,算法的本质在于分类,分类就等于离群点检测。人们已经提出了许多孤立点检测算法,同时也给出了许多定义。不满意的一点是,定义似乎模糊,这使得解决方案是一个特设的。分析了异常值的性质,给出了两个明确的定义。然后,我们开发了一个有效的RDD算法,它将离群点问题转化为模式和程度的问题。此外,IIR算法还引入了一种折叠机制,可以与RDD算法无缝结合,为最终决策服务。这两种算法都源于对一般人工智能的研究。该算法是智能决策的基础。本文以最长k-转弯子序列问题及其求解方法为例,说明了Pe算法在检测曲线型异常点中的作用。本文还对IIR算法和Pe算法进行了比较,使我们对这两种算法有了更好的理解。最后,对智能化进行了简要的讨论,以说明Pe算法的功能.相关实验结果表明了该算法的鲁棒性。
2011-08-23 cs.AI
Dialectics for Artificial Intelligence
Adobe Research(Adobe研究)
本文提出了一种基于算法信息的辩证法框架,通过信息过剩和可逆一致性关系,实现多智能体概念的动态生成与对齐。
2025-12-23 cs.AI
A World-Self Model Towards Understanding Intelligence
Institute of Deep Perception Technology, JITRI(江苏产业技术研究院深度感知技术研究所)
人工智能的符号主义、联结主义和行为主义方法在各种任务中取得了很多成功,而我们仍然没有一个明确的“智能”定义,在社区中有足够的共识(尽管有70多个不同的定义“版本”)。智能的本质仍然处于黑暗之中。在这项工作中,我们不采取任何这三个传统的方法,而是试图确定某些基本方面的性质的智能,并构建一个数学模型来表示和潜在地再现这些基本方面。我们首先强调界定讨论范围和调查粒度的重要性。我们仔细比较了人类和人工智能,定性地展示了一个信息抽象过程,我们提出这是连接感知和认知的关键。在此基础上,我们提出了更广泛的概念,并将自我模型的概念从世界模型中分离出来,构建了一个新的模型--世界-自我模型(WSM)。我们展示了创建和连接概念的机制,以及WSM如何接收、处理和输出关于任意类型问题的信息的流程。我们还考虑和讨论了所提出的理论框架的潜在的计算机实现问题,最后我们提出了一个统一的通用框架的智能的基础上WSM。
2022-06-15 cs.AI cs.IT math.IT
Cooperative Resilience in Artificial Intelligence Multiagent Systems
Universidad de los Andes(安第斯大学);Center of Excellence in Analytics and Artificial Intelligence Bancolombia(哥伦比亚银行分析与人工智能卓越中心);Universidad de Ibagué(伊瓦格大学)
本文提出“合作韧性”的明确定义与定量测量方法,在基于RL和LLM增强的自主智能体环境中验证,揭示了韧性指标在分析系统应对破坏性事件各阶段的关键作用,为提升AI在动态环境中的可靠性提供基础。
2024-09-24 cs.AI cs.MA
Consciousness defined: requirements for biological and artificial general intelligence
Monash University(莫纳什大学)
本文从第一性原理出发,通过审视现有意识理论,提出意识的新客观定义,指出其根本要求包括感知、记忆、想象力和自我意识以支持决策能力,从而可用于判定生物或人工系统是否具备意识。
2024-06-03 cs.AI q-bio.NC
Suffering Toasters -- A New Self-Awareness Test for AI
The Hebrew University of Jerusalem(耶路撒冷希伯来大学)
本文指出当前AI智能测试无法反映人类直觉中的智能,借鉴科学哲学与心理学重新界定智能、自我意识和能动性,并提出一种新的人工自我意识启发式测试方法及实现思路。
2023-07-07 cs.AI cs.CY cs.LG
Aspects of Artificial Intelligence: Transforming Machine Learning Systems Naturally
本文用范畴论视角将机器学习系统建模为要素及其关系,研究保持关系的系统转换,重点讨论商、可表示函子、米田嵌入和伴随等结构,为机器学习系统提供最优求解方式与新洞见。
2025-02-03 cs.AI cs.DB cs.DM
Artificial Musical Intelligence: A Survey
The University of Texas at Austin(德克萨斯大学奥斯汀分校);SparkCognition Research(SparkCognition研究院)
自从20世纪50年代和60年代首次引入计算机以来,计算机一直被用于分析和创作音乐。从20世纪90年代末开始,互联网和大规模音乐推荐和检索平台的兴起使音乐成为机器学习和人工智能研究的一个日益流行的领域。虽然还处于萌芽阶段,但已经采用了几种不同的方法来解决广义上被称为“音乐智能”的问题。本文提供了音乐智能的定义,介绍了其组成部分的分类,并调查了广泛的人工智能方法,这些方法可以并且已经在其追求中发挥作用,特别强调机器学习方法。
2020-06-17 cs.AI cs.MM cs.SD
Artificial Intelligence for Social Good: A Survey
Carnegie Mellon University(卡内基梅隆大学)
人工智能社会公益(AI4SG)是一个研究主题,旨在使用和推进人工智能来解决社会问题并改善世界的福祉。AI4SG在过去十年中受到了研究界的广泛关注,并获得了一些成功的应用。基于迄今为止最全面的AI4SG文献集(超过1000篇投稿论文),我们以以下方式对该主题下的工作进行了详细的描述和分析。(1)我们定量分析了AI4SG文献的应用领域和AI技术的分布和趋势。(2)我们提出了三种概念方法,系统地对现有文献进行分组,并在统一的框架中分析八个AI4SG应用领域。(3)我们提取了五个研究主题,这些主题代表了AI4SG在各个应用领域中的共同挑战。(4)我们讨论了五个问题,我们希望,可以阐明AI4SG研究的未来发展。
2020-01-07 cs.AI cs.CY
Artificial Intelligence in Drug Discovery: Applications and Techniques
Stony Brook University(石溪大学)
人工智能(AI)在过去十年中一直在改变药物发现的实践。各种人工智能技术已被广泛应用,例如虚拟筛选和药物设计。在这篇综述中,我们首先概述了药物发现并讨论了相关的应用,这可以归结为两个主要任务,即,分子性质预测和分子生成。然后,我们讨论了常见的数据资源,分子表示和基准平台。此外,为了总结人工智能在药物发现中的进展,我们在调查的论文中介绍了相关的人工智能技术,包括模型架构和学习范式。我们希望这项调查将作为有兴趣在人工智能和药物发现界面工作的研究人员的指南。我们还提供了一个GitHub存储库(https://github.com/dengjianyuan/Survey_AI_Drug_Discovery),其中包含论文和代码(如果适用)作为学习资源,并定期更新。
2021-11-02 cs.AI cs.LG
A Possible Artificial Intelligence Ecosystem Avatar: the Moorea case (IDEA)
University of French Polynesia(法属波利尼西亚大学);University of California, Berkeley(加州大学伯克利分校)
高通量数据汇集技术和大规模(云)计算正在改变我们对所有尺度生态系统的理解,使我们能够将物理、化学、生物、生态、渔业、经济和其他社会科学等多模态数据整合到一个共同的计算框架中。我们专注于在本文中的大规模数据同化和预测骨干深堆叠网络(DSN)的基础上的IDEA(岛屿数字生态系统化身)项目(莫雷阿岛)的框架内,在分水岭和泻湖单元的岛屿细分的基础上。我们还描述了几种原始数据,可以训练和约束这样的生态系统化身模型,以及第二级数据,如生态或物理指标/指标。
2021-02-04 cs.AI nlin.AO q-bio.QM
Towards Urban General Intelligence: A Review and Outlook of Urban Foundation Models
The Hong Kong University of Science and Technology (Guangzhou)(香港理工大学(广州));Shandong University(山东大学);Shandong University China(山东大学中国)
本文综述了城市基础模型的发展,探讨了其定义、挑战及应用前景,提出了一种数据导向的分类框架,并汇总了相关基准和数据集,以推动城市通用智能的发展。
2026-03-22 cs.AI cs.CY cs.LG
Agentic and Generative AI for Open-Source Intelligence and Cyber Investigations: Taxonomy, Evaluation, Challenges, and Future Directions
School of Computer Science and Mathematics, Keele University(基尔大学计算机科学与数学学院);Cybersecurity Institute, University of Liverpool(利物浦大学网络安全研究所);Department of Applied Computing IICL, University of Wales Trinity Saint David(威尔士特里尼达大学应用计算系);Deakin Cyber Research and Innovation Hub, Deakin University(德金大学网络安全研究与创新中心);Department of Information Systems and Cyber Security, The University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校信息系与网络安全系)
研究指出公开数字信息增长使人工开源情报分析不足,大语言模型等成解决方案但评估框架滞后。通过综述74项研究,明确智能人工智能类别,找出幻觉验证差距,映射研究到情报生命周期并给出研究议程。
2026-07-07 cs.AI cs.CR cs.IR