Open Ended Intelligence: The individuation of Intelligent Agents
The Global Brain Institute, VUB(全球大脑研究所,布鲁塞尔自由大学)
通用人工智能(Artificial General Intelligence)是一个研究领域,旨在提取独立于特定问题域或预定义上下文的智能原理,并利用这些原理来合成能够执行人类能够执行的任何智力任务的系统,并最终超越人类。虽然专注于解决特定问题的“狭义”人工智能,如语音识别,文本理解,视觉模式识别,机器人运动等,最近已经显示出相当多的令人印象深刻的突破,理解一般智能仍然难以捉摸。在本文中,我们提供了一个新的理论方法来理解一般智力。我们首先简要介绍目前的概念方法。我们的批判暴露了一些严重的局限性,这些局限性可以追溯到智力概念的本体论根源。然后,我们提出了一个范式的转变,从智能感知为一个能力的个体代理定义的先验给定的问题域或目标,智能感知为一个形成过程的自组织智能代理个性化。我们称之为开放式智能。开放式智能是作为认知发展过程的抽象而发展起来的,因此它的应用可以扩展到一般的智能体和系统。我们介绍并讨论了这一思想的三个方面:个性化的哲学概念,意义的制作和一般认知主体的个性化。我们进一步展示了如何在一个分布式的,自组织的网络相互作用的元素,以及如何这样的过程是可扩展的开放式智能的框架。该框架强调了协调与智慧之间的重要关系以及对价值观的新理解。最后,我们提出了一些问题,供今后的研究。
2015-06-12 cs.AI
Testing System Intelligence
Université Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Verimag Laboratory(弗马格实验室)
本文提出替换测试作为衡量系统智能的新方法,以弥补图灵测试的不足,并给出实施框架,探讨验证局限及人机技能互补所催生的多元智能概念。
2023-08-12 cs.AI
Intelligence Foundation Model: A New Perspective to Approach Artificial General Intelligence
Hangzhou International Innovation Institute, Beihang University, China(北京航空航天大学杭州国际创新研究院);Victoria University, Melbourne, Australia(墨尔本维多利亚大学)
本文提出智能基础模型,通过模拟生物神经系统的动态过程和神经元输出预测,为实现通用人工智能提供新的视角和方法。
2026-08-11 cs.AI
The Embeddings World and Artificial General Intelligence
Amirkabir University of Technology (Tehran Polytechnic)(阿米卡比尔理工大学(德黑兰理工大学))
从早期开始,人工智能社区内部的一个关键和有争议的问题是人工通用智能(AGI)是否可以实现。AGI是机器和计算机程序实现人类水平智能并完成人类可以完成的所有任务的能力。虽然在文献中有一些系统声称他们实现了AGI,但其他一些研究人员认为这是不可能实现的。首先,我们讨论了为了实现AGI,在构建智能机器和程序的同时,还应该构建一个智能世界,一方面,它是我们世界的精确近似,另一方面,智能机器的推理的重要部分已经嵌入在这个世界中。然后我们讨论AGI不是一个产品或算法,而是一个持续的过程,随着时间的推移会变得越来越成熟(就像人类文明和智慧一样)。然后,我们认为,预先训练的嵌入在构建这个智能世界中发挥着关键作用,从而实现AGI。我们讨论了预先训练的嵌入如何促进机器实现人类智能的几个特征,例如化身,常识知识,无意识知识和学习的连续性。
2022-09-14 cs.AI
A knowledge-based intelligent system for control of dirt recognition process in the smart washing machines
Sharif University of Technology(谢里夫理工大学);University of Neyshabur(内沙布尔大学);Azad University of Mashhad(马什哈德阿扎德大学);Brown University(布朗大学);Bahar Institute of higher education(巴哈尔高等教育学院)
本文提出了一种基于模糊逻辑的智能方法来模拟人在洗衣过程中的智能。首先,设计了一个智能反馈回路,用于基于感知的污垢感测,其灵感来自于人类对颜色的理解。然后,当彩色污渍泄漏出一些彩色衣服的人类概率决策的计算模型,以检测这种污渍泄漏,从而识别污垢的问题,可以考虑在洗涤过程中。最后,对洗衣过程的模糊控制进行了探讨,设计并仿真了一个基于模糊智能反馈回路的智能控制器。
2019-05-07 cs.AI
Are there intelligent Turing machines?
University of Debrecen(德布勒森大学)
本文介绍了一种新的计算模型,该模型是基于协调机器之间的协作的图灵机。与通用图灵机一样,编排机器也被设计为模拟图灵机,但它们也可以修改所包含的图灵机的原始操作,以创建某种集体行为的新层。利用这个新模型,我们可以定义一些与图灵机合作能力有关的有趣概念,如图灵机的智商或情绪智商。
2015-03-12 cs.AI
Intelligence Quotient and Intelligence Grade of Artificial Intelligence
School of Economics and Management, University of Chinese Academy of Sciences(中国科学院大学经济与管理学院)
尽管人工智能是目前科学研究中最有趣的领域之一,但新兴人工智能系统带来的潜在威胁仍然是持续争议的根源。为了解决人工智能威胁的问题,本研究提出了一个标准的智能模型,该模型在知识的四个方面将人工智能和人类特征统一起来,即,输入、输出、掌握和创造。使用这个模型,我们观察到三个挑战,即冯·诺依曼架构的扩展;测试和排名自然和人工智能系统的智商,包括人类,谷歌,必应,百度和Siri;最后,将人工智能系统分为从机器人到谷歌大脑的七个等级。基于此,我们得出结论,AlphaGo属于第三等级。
2017-10-04 cs.AI
Ancilia: Scalable Intelligent Video Surveillance for the Artificial Intelligence of Things
The University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
随着基于视觉的人工智能的发展,物联网连接摄像头的普及,以及社会对快速和公平安全的需求日益增加,对准确实时智能监控的需求从未如此之高。本文介绍了Ancilia,一个端到端的可扩展的,智能视频监控系统的人工智能的东西。Ancilia将最先进的人工智能引入到现实世界的监控应用中,同时尊重伦理问题并实时执行高级认知任务。Ancilia旨在彻底改变监控领域,为现场带来更有效,更智能和更公平的安全性,从而在不需要人们牺牲隐私权的情况下,实现更安全,更安全的社区。
2023-03-09 cs.AI cs.CV cs.CY
B-SMART: A Reference Architecture for Artificially Intelligent Autonomic Smart Buildings
Toronto Metropolitan University(多伦多都会大学)
人工智能和机器学习算法的普遍应用正在改变许多行业和人类体验的各个方面。一个非常重要的行业趋势是将现有的人类住宅转换为智能建筑,并创建新的智能建筑。智能建筑旨在通过减少能源消耗和相关的碳排放来缓解气候变化。为了实现这一目标,他们利用人工智能、大数据和机器学习算法来学习和优化系统性能。这些研究领域目前正在迅速发展和进步,但很少有指导来帮助工程师和建筑师以系统和有效的方式应用人工智能算法和技术。在本文中,我们提出了B-SMART:自主智能建筑的第一个参考架构。B-SMART通过解耦概念上不同的功能层并将其组织成自主控制回路,促进了人工智能技术和技术在智能建筑中的应用。我们还提出了一个案例研究,说明如何B-SMART可以应用到加速引入人工智能到现有的智能建筑。
2022-11-06 cs.AI
Are Biological Systems More Intelligent Than Artificial Intelligence?
The Australian National University(澳大利亚国立大学)
本文通过数学框架探讨生物系统与人工智能的智能差异,提出适应性与委托控制的关系,并为构建稳健系统提供设计原则。
2026-02-12 cs.AI
Analysis of first prototype universal intelligence tests: evaluating and comparing AI algorithms and humans
今天,评估人工智能系统的可用方法集中在使用经验技术来衡量算法在某些特定任务中的性能(例如,下棋、解迷宫或降落直升机)。然而,如果我们想评估人工智能的一般智能,甚至与人类智能进行比较,这些方法就不合适了。ANYNT项目设计了一种新的评估方法,试图使用尽可能通用的众所周知的计算概念和问题来评估AI系统。这种新方法可以用来评估一般智力(这使我们能够学习如何解决我们面临的任何新问题),而不仅仅是评估一组特定任务的表现。这种方法不仅专注于测量算法的智能,而且还可以评估任何智能系统(人类,动物,AI,外星人?,......),让我们把他们的结果放在同一个尺度上,因此,能够比较它们。这种新方法将使我们(在未来)能够评估和比较任何已知的智能系统,甚至是构建/发现,无论是人工的还是生物的。本硕士论文旨在确保这种新方法在评估AI算法时提供一致的结果,这是通过设计和实现通用智能测试的原型及其在不同智能系统(AI算法和人类)中的应用来完成的。从这项研究中,我们分析了两个不同的智能系统所获得的结果是否正确地位于同一规模,我们提出了改变和改进这些原型,以便在未来能够实现真正的通用智能测试。
2011-09-23 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
KUNPENG: An Embodied Large Model for Intelligent Maritime
College of Artificial Intelligence, Dalian Maritime University(大连海事大学人工智能学院);Navigation College, Dalian Maritime University(大连海事大学航海学院);Law School, Dalian Maritime University(大连海事大学法学院)
针对复杂动态海事环境与多源异构数据带来的实时决策难题,本文提出首个面向智能海事的具身大模型KUNPENG,可实现环境认知与自主决策,在综合海事任务评估中表现优异。
2024-07-12 cs.AI
The Entropy of Artificial Intelligence and a Case Study of AlphaZero from Shannon's Perspective
Artificial Intelligence Research Center, National Innovation Institute of Defense Technology(国防科技创新研究院人工智能研究中心);Academy of Military Sciences(军事科学院)
最近发布的AlphaZero算法在国际象棋、将棋和围棋游戏中实现了超人的性能,这提出了两个悬而未决的问题。首先,由于游戏中的可能性是有限的,是否有一个可量化的智能测量来评估智能系统,例如AlphaZero?其次,AlphaZero引入了复杂的强化学习和自我游戏来有效地编码可能的状态,是否有一个简单的信息理论模型来表示学习过程,并为培养强大的人工智能系统提供更多的见解?本文通过对Shannon通信模型的一个简单变形,提出了智能熵的概念和统一的智能通信模型,为研究智能水平提供了一个信息论的度量,并以Shannon容量的形式给出了智能主体的一个界,即智能容量。将该概念和模型应用于AlphaZero,将智能主体的学习过程解释为涡轮式迭代解码,从而定量评价了AlphaZero的学习性能。最后,结论提供了理论和实践的意见。
2018-12-17 cs.AI
Integrating Generative Artificial Intelligence in Intelligent Vehicle Systems
BMW Group Research and Technology(宝马集团研究与技术部);Fraunhofer Institute for Intelligent Analysis and Information Systems IAIS(弗劳恩霍夫智能分析与信息系统研究所(IAIS));Imperial College London(帝国理工学院);University of Augsburg(奥格斯堡大学);audEERING GmbH(audEERING有限公司)
本文综述了生成式人工智能在智能车辆中的现状、应用与未来方向,重点涵盖语音、视觉及多模态交互,并提出领域适应性、对齐、多模态集成及伦理等关键研究挑战。
2023-05-15 cs.AI cs.LG
Natural, Artificial, and Human Intelligences
City, University of London(伦敦城市大学)
本文探讨了人类是否是唯一具有智能的生物,分析了人工智能、动物智能及语言在智能发展中的作用,并指出聊天机器人在智能方面的局限性及未来发展方向。
2025-11-28 cs.AI
Artificial Intelligence in Intelligent Tutoring Robots: A Systematic Review and Design Guidelines
National University of Defense Technology(国防科技大学);National Innovation Institute of Defense Technology(国防科技创新研究院)
本文系统地回顾了智能教学机器人的研究进展,总结了人工智能技术的应用现状。我们首先分析了ITR的环境,并提出了一个关系模型来描述ITR与学生,社会环境和课程的互动。然后,我们将关系模型转化为感知-规划-行动模型,以探索哪些AI技术适合应用于ITR。本文对促进人机教学过程和人工智能辅助教育技术提供了见解,说明了智能辅导机器人的设计指导方针和未来的研究前景。
2019-02-26 cs.AI cs.CY cs.HC
Artificial Intelligence-driven Intelligent Wearable Systems: A full-stack Integration from Material Design to Personalized Interaction
The second hospital of Jilin University(吉林大学第二医院);QMUL Digital Environment Research Institute(QMUL数字环境研究机构);UCL Institute Of Health Informatics(UCL健康信息学研究所)
针对传统智能可穿戴设备依赖经验材料设计与基础信号处理的局限,本文提出HSHI全栈集成框架,融合多模态感知、边云协同、AI优化与闭环机制,推动健康管理向主动个性化协同演进。
2025-11-17 cs.AI
Three IQs of AI Systems and their Testing Methods
Chinese Academy of Sciences(中国科学院);University of Nebraska at Omaha(内布拉斯加大学奥马哈分校);University of Chinese Academy of Sciences(中国科学院大学)
人工智能的快速发展带来了人工智能威胁论,也带来了如何评价智能产品智能水平的问题。两者都需要找到一种定量的方法来评估智能系统的智能水平,包括人类的智能。基于标准情报系统和扩展的冯·诺依曼体系结构,根据不同的评估目的,提出了情报系统的一般IQ、服务IQ和价值IQ评估方法。其中,智能系统通用智商是回答人工智能能否超越人类智能的问题,体现在将智能系统置于平等地位,进行统一评价。智能系统的服务智商(Service IQ)和价值智商(Value IQ)用来回答智能产品如何更好地为人类服务的问题,反映了每个智能系统作为一个产品在为人类服务过程中的智能程度和所需成本。
2017-12-14 cs.AI
Lateralization in Agents' Decision Making: Evidence of Benefits/Costs from Artificial Intelligence
Victoria University of Wellington(惠灵顿维多利亚大学);Queensland University of Technology(昆士兰科技大学)
侧化在脊椎动物大脑中普遍存在,它在运动中的作用被认为是生物智能的重要因素。偏侧化与表现不佳和良好都有关系。据推测,偏侧化的好处可能会抵消其成本。考虑到偏侧化是普遍存在的,它可能具有有利于人工智能的优势。反过来,侧化人工智能系统可以用作工具,以促进对生物智能侧化的理解。近年来,偏侧化技术被引入到人工智能系统中,用于解决计算机视觉和导航领域的复杂问题。在这里,我们描述和测试两个新的偏侧人工智能系统,同时代表和解决给定的问题,在组成和整体水平。实验结果表明,偏侧化系统在解决复杂问题方面优于最先进的非偏侧化系统。优点来自于以下能力:(i)同时在成分级和整体级表示输入信号,使得最适当的观点控制系统;(ii)通过生成激励和抑制信号来避免无关的计算。与侧化AI系统相关的计算成本要么低于传统AI系统,要么通过提供更好的解决方案来抵消。
2023-02-03 cs.AI
Ontology in Hybrid Intelligence: a concise literature review
University of Technology Sydney(悉尼科技大学)
本文综述了Ontology在Hybrid Intelligence中的应用,指出其在提升质量、互操作性和可解释性方面作用显著(70+%系统已应用),但指出文献缺乏对下一代混合智能环境的整体讨论及对自动推理的明确关注。
2023-10-17 cs.AI
From Robotic Process Automation to Intelligent Process Automation: Emerging Trends
IBM Research AI(IBM研究院人工智能)
在这项调查中,我们研究了机器智能的最新进展如何破坏业务流程的世界。在过去的十年中,在“机器人流程自动化”(RPA)的保护伞下,业务流程的自动化取得了稳步进展。然而,我们目前正处于这一演变的转折点,因为出现了一种称为“智能流程自动化”(IPA)的新范式,将机器学习(ML)和人工智能(AI)技术引入其中,以改善业务流程结果。本文的目的是对这一新兴主题进行调查,并确定人工智能和业务流程交叉点的关键开放研究挑战。我们希望这一新兴主题将在RPA论坛上引发引人入胜的对话。
2020-07-27 cs.AI
Intelligent behavior depends on the ecological niche: Scaling up AI to human-like intelligence in socio-cultural environments
Universität Hamburg(汉堡大学)
本文概述了对人工智能未来的展望,讨论了类人智能机器模型的发展方向。我们解释了人类认知的发展和进化理论应该如何进一步为人工智能提供信息。我们强调生态位在塑造智能行为中的作用,特别是人类智能从根本上适应不断变化的社会文化环境。我们认为,目前人工智能工作的一个主要限制是,无论是在理论上还是在实验上,它都缺乏这种视角。最后,我们讨论了有前途的发展人工智能的方法,通过内在动机的学习,体现和快速变化的社会文化环境之间的多尺度相互作用的婴儿发展建模。本文采用Mandred Eppe对Pierre-Yves Oudeyer的采访形式,组织在KI - K{ü}nstliche Intelligenz发展机器人学特刊的背景下。
2021-03-11 cs.AI cs.CL cs.LG
Measuring Intelligence through Games
IDSIA(IDSIA研究所);University of Lugano(卢加诺大学);IT University of Copenhagen(哥本哈根信息技术大学)
通用人工智能(AGI)是指旨在解决人工智能的全部问题的研究,即创造真正智能的代理。这使它有别于大多数AI研究,这些研究旨在解决相对狭窄的领域,例如字符识别,运动规划或提高游戏中的玩家满意度。但是我们怎么知道一个智能体什么时候是真正的智能体呢?AGI社区的一个共同参考点是Legg和Hutter对通用智能的正式定义,它具有简单和通用性的吸引力,但不幸的是无法计算。各种类型的游戏通常被用作“狭义”AI研究的基准,因为它们被认为具有许多重要属性。我们认为,这些特性中的许多也适用于一般智力的测试。然后,我们概述了如何实际进行这种测试。这个草图的中心部分是通用智能的扩展,以处理有限的时间,并使用适当偏置的游戏描述语言表示的游戏空间的采样。
2011-09-06 cs.AI
Dynamic Cognition Applied to Value Learning in Artificial Intelligence
PUCRS(天主教 Pontifícia 大学(PUCRS))
人工智能(AI)发展专家预测,智能系统和智能体发展的进步将重塑我们社会的重要领域。然而,如果这种进步不谨慎地进行,它可能会给人类带来负面结果。出于这个原因,该领域的几位研究人员正在试图开发一种健壮、有益和安全的人工智能概念。目前,人工智能研究领域的一些开放性问题来自于避免智能代理的不必要行为的困难,同时指定我们希望这样的系统做什么。最重要的是,人工智能主体的价值观与人类价值观保持一致,因为我们不能指望人工智能仅仅因为它的智能而发展我们的道德偏好,正如《道德性论文》中所讨论的那样。也许这个困难来自于我们使用表征认知方法来解决表达目标、价值和目的的问题。德雷福斯的现象学哲学主张,人类的在世经验不能用符号主义或联结主义的认知方法来表征。解决这个问题的一种可能方法是使用理论模型,如SED(情境体现动力学)来解决人工智能中的价值观学习问题。
2021-08-24 cs.AI
Intelligence via ultrafilters: structural properties of some intelligence comparators of deterministic Legg-Hutter agents
The U.S. Securities and Exchange Commission(美国证券交易委员会)
Legg和Hutter,以及后来的作者,通过与奖励环境的互动来考虑智能代理,试图为这些代理分配数字智能措施,指导原则是更聪明的代理应该从环境中获得更高的奖励。在本文中,我们考虑一个相关的问题:而不是测量一个Legg-Hutter代理的数字智能,我们如何比较两个Legg-Hutter代理的相对智能?我们提出了一个优雅的答案基于以下见解:我们可以在选举中,其选民的环境,让每个环境投票(通过其奖励)代理(如果有的话)是更聪明的候选人Legg-Hutter代理。这导致了一个抽象的比较器族,它足够简单,以至于我们可以证明关于它们的一些结构定理。这些结构定理是否适用于更实际的智力测量,这是一个悬而未决的问题。
2019-11-16 cs.AI cs.MA
Do Artificial Intelligence Systems Understand?
Universidad Pontificia de Comillas(科米利亚斯主教大学)
智能机器真的有智能吗?智能的基本哲学概念是否足以描述当前系统的工作方式?理解是智力的充分必要条件吗?如果一台机器能够理解,我们应该把主观性归因于它吗?本文讨论的问题,决定是否所谓的“智能机器”能够理解,而不仅仅是处理的迹象。它涉及句法和语义的关系。主要论点涉及语义的不可避免性的任何讨论的可能性建立有意识的机器,浓缩成以下两个原则:“如果一台机器能够理解(在强意义上),那么它必须能够结合规则和直觉”;“如果语义不能减少到syntaxis,那么机器不能理解。我们的结论指出,没有必要将理解归因于机器,以解释其表现出的“智能”行为;仅仅将智能作为任务解决工具的句法和机械方法就足以证明它在当前技术发展状态下可以显示的操作范围。
2022-07-22 cs.AI cs.LG
Ultimate Intelligence Part II: Physical Measure and Complexity of Intelligence
Gök Us Sibernetik Ar&Ge Ltd. Şti.(格克乌斯西伯利亚克研发有限公司)
我们继续我们的体积和能量的措施,是适当的量化归纳推理系统的分析。我们扩展逻辑深度和概念跳跃大小的措施,在AIT随机问题,和物理措施,涉及体积和能量。我们介绍了一个图形模型的计算复杂性,我们认为是适合智能机器。我们展示了归纳推理的能量、逻辑深度和计算量之间的几个渐近关系。特别是,我们到达一个“黑洞方程”的归纳推理,它涉及能量,体积,空间和算法信息的最佳归纳推理解决方案。我们引入能量有界算法熵。我们简要地将我们的想法应用于我们宇宙中智能计算的物理极限。
2016-05-11 cs.AI
Designing an AI-Driven Talent Intelligence Solution: Exploring Big Data to extend the TOE Framework
Newcastle Business School(纽卡斯尔商学院);University of Newcastle(纽卡斯尔大学)
人工智能有可能通过实施高级自动化来改善人才管理方法,从而实现动态供应。本研究旨在确定开发面向AI的工件以解决人才管理问题的新需求。该设计工件是一种基于人才智能模块和个人成长需求的职业指导智能就业自动化解决方案,旨在增强职业评估和规划属性之间的交互。采用设计科学的方法进行实验研究与结构化的机器学习技术,这是一个全面的人工智能解决方案框架的主要元素,通过提出适度的技术-组织-环境理论。
2022-07-25 cs.AI
Towards an Intelligent Database System Founded on the SP Theory of Computing and Cognition
在以前的出版物中描述的计算和认知的SP理论是智能数据库的有吸引力的模型,因为它为不同种类的知识提供了简单但通用的格式,它具有人工智能的能力,并且当需要时,它也可以像已建立的数据库模型那样起作用。本文描述了SP模型如何模拟数据库应用中使用的其他模型,并将SP模型与其他模型进行了比较。回顾了SP模型的人工智能能力,并描述了它与其他人工智能系统的关系。也被认为是目前的原型可以转化为一个“工业实力”的工作系统的方式。
2003-11-21 cs.AI cs.DB
A Framework for Searching for General Artificial Intelligence
GoodAI
在构建一般智能机器方面,严重缺乏统一的方法。当前的大多数人工智能研究都是在一个非常狭窄的焦点领域内进行的,通常没有考虑到“大局”的重要性。在本文档中,我们试图描述和统一指导我们开发通用人工智能的基础的原则。这些原则围绕着这样一个思想,即智能是一种寻找问题的一般解决方案的工具。我们将智力定义为获得技能的能力,这些技能可以缩小搜索范围,使搜索多样化,并帮助将其引导到更有前途的领域。我们还提供了学习,测量和测试人类智能机器需要获得的各种技能和能力的建议。该文件旨在实现不可知论,并提供一种分析,系统和可扩展的方式来生成我们认为在寻找通用人工智能时需要满足必要条件的假设。我们相信,这样一个框架是一个重要的垫脚石,可以汇集定义,突出开放的问题,连接愿意合作的研究人员,并统一本世纪可能最重要的搜索。
2016-11-02 cs.AI
The Lovelace 2.0 Test of Artificial Creativity and Intelligence
Georgia Institute of Technology(佐治亚理工学院)
观察到某些类型的艺术品的创造需要智力,我们提出了Lovelace 2.0测试的创造力作为替代图灵测试作为一种手段,以确定是否代理是智能的。Lovelace 2.0测试建立在先前的创造力测试的基础上,并提供了一种直接比较不同智能体相对智力的方法。
2014-12-22 cs.AI
Morphological Computation and Learning to Learn In Natural Intelligent Systems And AI
University of Gothenburg(哥德堡大学);School of Innovation, Design and Engineering, Mälardalen University(梅拉达伦大学创新、设计与工程学院)
目前,以机器学习为形式的人工智能正在取得令人瞩目的进展,特别是深度学习(DL)领域[1]。深度学习算法从一开始就受到大自然的启发,特别是人类大脑,尽管我们对大脑功能的了解并不完整。从自然中学习是一个双向的过程,如[2][3][4]中所讨论的,计算是从神经科学中学习,而神经科学正在迅速采用信息处理模型。问题是,在这个发展阶段,来自计算本质的灵感可以为深度学习做出什么贡献,机器学习中的模型和实验可以在多大程度上激励、证明和引导神经科学和认知科学的研究,以及人工智能的实际应用。
2020-04-05 cs.AI
Research on emotionally intelligent dialogue generation based on automatic dialogue system
University of the People(人民大学);Sehan University(世翰大学);Indian Institute of Technology Guwahati(印度理工学院古瓦哈提分校);Universidad Internacional Isabel I de Castilla(卡斯蒂利亚伊莎贝尔一世国际大学);AMA University(AMA大学)
本研究将情感智能技术融入自动对话系统,利用深度学习与自然语言处理创建能实时检测情绪和疼痛信号并提供共情交互的对话生成模型,提升了系统的用户体验和交互质量。
2024-04-17 cs.AI cs.CL
Genes in Intelligent Agents
School of Computer Science and Engineering, Southeast University(东南大学计算机科学与工程学院)
本文提出遗传强化学习(GRL)框架,将机器“基因”定义为可跨代遗传的神经网络片段,使智能体获得祖先经验、本能和更强学习能力,推动机器智能向生物智能演进。
2023-10-27 cs.AI cs.LG cs.NE
Measuring the intelligence of an idealized mechanical knowing agent
The U.S. Securities and Exchange Commission(美国证券交易委员会)
该研究定义了理想化机械认知智能体的智能层级为其已知编码的可计算序数的上确界,证明知晓他者属性的智能体智能层级更高,并以此为依据提出反对智能爆炸可能性的证据。
2019-12-03 cs.AI cs.LO math.LO
Death and Suicide in Universal Artificial Intelligence
Australian National University(澳大利亚国立大学)
强化学习(RL)是研究智能行为的一般范式,其应用范围从人工智能到心理学和经济学。AIXI是RL问题的通用解决方案;它可以学习任何可计算环境。AIXI的一个技术上的微妙之处在于它是使用和不需要为1的半测度上的混合来定义的,而不是在适当的概率测度上。在这项工作中,我们认为,不足的半测量可以自然地被解释为代理人的估计其死亡的概率。我们正式定义死亡一般智能代理,如AIXI,并证明了一些相关的定理,他们的行为。值得注意的发现包括,代理人的行为可以从根本上改变奖励信号的正线性变换(从自杀到教条式的自我保护),以及代理人的后验信念,它将生存随着时间的推移而增加。
2016-06-02 cs.AI
Intelligent Decision Assistance Versus Automated Decision-Making: Enhancing Knowledge Work Through Explainable Artificial Intelligence
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
虽然基于人工智能的自动化决策的最新进展为企业和社会带来了许多好处,但也付出了代价。长期以来,人们一直知道,高水平的决策自动化可能会导致各种缺点,例如自动化偏见和技能下降。特别是,知识工作者的去技能化是一个主要问题,因为他们也是应该训练、挑战和发展人工智能的人。为了解决这个问题,我们概念化一类新的DSS,即智能决策辅助(IDA)的基础上两个不同的研究流- DSS和自动化的文献综述。IDA通过自动化决策支持知识工作者,而不影响他们。具体来说,我们建议使用可解释AI(XAI)技术,同时保留具体的AI建议。为了检验这一概念,我们开发假设的影响,IDA和文献中的实证研究的基础上,其有效性提供了第一个证据。
2021-09-28 cs.AI cs.HC
A Mixed User-Centered Approach to Enable Augmented Intelligence in Intelligent Tutoring Systems: The Case of MathAIde app
本研究提出MathAIde智能辅导系统,通过计算机视觉和AI批改数学练习并提供反馈,采用以教师为中心的混合用户驱动设计方法,在资源有限的课堂环境中展现了良好的效率与可用性。
2025-09-15 cs.AI cs.HC
Artificial Intelligence and Asymmetric Information Theory
University of Johannesburg(约翰内斯堡大学)
当人类代理人聚集在一起做出决策时,通常情况下,一个人类代理人比另一个人拥有更多的信息。这种现象被称为信息不对称,这扭曲了市场。通常,如果一个人类代理打算操纵一个有利于它的决定,人类代理可以发出错误或正确的信息。或者,一个人类代理可以筛选信息,以减少不对称信息对决策的影响。随着人工智能的出现,信号和筛选变得更加容易。本文研究了人工智能对信息不对称理论的影响。据推测,人工智能代理人减少了信息不对称的程度,从而使这些代理人部署的市场变得更有效率。它还假设,在市场上部署的人工智能代理越多,市场上的交易量就越少。这是因为,许多交易的发生,都是因为交易商品和服务的信息不对称,这就产生了套利的感觉。
2015-10-14 cs.AI
Principles of modal and vector theory of formal intelligence systems
National Technical University "Kharkiv Polytechnic Institute"(哈尔科夫理工学院国立技术大学)
基于形式化智能系统的模态和向量理论,研究一类能够解决启发式问题的信息系统。本文论证了FIS分解算法的构造,定义了这些系统的主要特征,并证明了理论基础的定理。阐述了FIS构造的表示多样性原则。本文在形式智能系统模型和向量理论的基础上,论述了形式智能系统(FIS)构造和运行的主要原则。研究了FIS演示子系统的模块化结构、演示文稿生成阶段各阶段的数据处理算法。此外,本文提出了神经元的结构,即区域检测器和处理器,是FIS建设的基础。
2013-02-06 cs.AI
Why We Need a New Framework for Emotional Intelligence in AI
本文探讨了现有AI情感智能评估框架的不足,提出需建立新框架以更全面地评估AI系统的情感智能能力。
2025-12-29 cs.AI
Intelligent Systems: Architectures and Perspectives
近年来,不同的学习和适应技术的整合,以克服个人的局限性,并通过这些技术的杂交或融合,以实现协同效应,促成了大量的新的智能系统设计。计算智能是一个创新的框架,用于构建智能混合体系结构,涉及神经网络(NN),模糊推理系统(FIS),概率推理(PR)和无导数优化技术,如演化计算(EC)。然而,大多数这些杂交方法,遵循一个特设的设计方法,在某些应用领域的成功证明。由于缺乏一个共同的框架,它往往仍然很难比较各种混合动力系统的概念,并评估其性能比较。本章介绍集成智能系统的不同通用体系结构。介绍了NN-FIS、EC-FIS、EC-NN、FIS-PR和NN-FIS-EC等混合体系结构的设计特点和发展前景。最后给出了一些结论。
2004-05-04 cs.AI
Towards Systems Education for Artificial Intelligence: A Course Practice in Intelligent Computing Architectures
Beihang University(北京航空航天大学)
随着人工智能(AI)社区的快速发展,AI教育越来越受到关注。人工智能相关的课程在算法和应用方面已经有很多,而系统级的课程并没有得到认真考虑。为了弥合人工智能和计算系统之间的差距,我们正在尝试探索如何从计算系统的角度进行人工智能教育。本文通过一个智能计算体系结构的课程实践,展示了人工智能时代的系统教育。首先介绍了本课程实施的动机以及学习方向。本课程的主要目标是教学生在FPGA平台上设计AI加速器。详细的课程内容包括课堂讲稿和相关的技术资料。特别是对几个实际的实验室和项目进行了详细的说明。最后,本文总结了一些教学经验和效果,并提出了今后的改进方向。
2022-06-22 cs.AI cs.AR cs.CY
LEXSYS: Architecture and Implication for Intelligent Agent systems
LORIA(洛里亚实验室);IITA (International Institute of Tropical Agriculture)(国际热带农业研究所);University of Wales(威尔士大学)
豆类专家系统是尼日利亚伊巴丹国际热带农业研究所构想的一个项目。它是由COMBS(基于玉米的系统研究协作组)于1990年发起的。这是一个通用的框架,表征在农场测试的技术设计,可持续的谷物为基础的种植制度。LEXIBLE并不是一个真正的专家系统,而只是一个用户友好的信息系统。这项工作是一种尝试,给出一个正式的表示现有的系统,然后提出智能代理可以应用的领域。
2010-03-26 cs.AI
Artificial Intelligence-Enabled Intelligent Assistant for Personalized and Adaptive Learning in Higher Education
University of Iowa(爱荷华大学);IIHR Hydroscience and Engineering(IIHR水科学与工程研究所);Center for Health Effects of Environmental Contamination(环境污染物健康影响中心)
本文提出AIIA框架,利用AI与NLP技术为高等教育提供个性化自适应学习支持,包括答疑、生成测验和个性化路径,并探讨其架构、服务及与LMS的集成。
2023-09-19 cs.AI cs.HC cs.IR
Intelligent Agents with Emotional Intelligence: Current Trends, Challenges, and Future Prospects
School of Computer Engineering, Iran University of Science and Technology(伊朗科学技术大学计算机工程学院);College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算机与数据科学学院)
本文综述了情感智能智能体的核心组件,涵盖多模态数据处理的情感理解、情感认知及表达合成,分析了发展中的关键挑战与未来方向,强调生成技术对情感计算的潜力。
2026-05-02 cs.AI cs.HC
On a Functional Definition of Intelligence
Chulalongkorn University(朱拉隆功大学)
针对现有智能定义多基于自然生物、不适用于人工系统的问题,本文提出仅靠外部观察即可检验的功能性黑箱智能定义,明确智能为连续变量,为AI发展与公众认知提供参考。
2023-12-15 cs.AI
Theory of Cognitive Relativity: A Promising Paradigm for True AI
Beijing University of Technology(北京工业大学)
深度学习的兴起将人工智能(AI)带到了前沿。人工智能的最终目标是实现具有人类思维和意识的机器,但现有成果主要是在计算机平台上模拟智能行为。这些成就都属于弱人工智能,而不是强人工智能。如何实现强大的AI在智能科学领域还不清楚。目前,这一领域正在呼唤一种新的范式,特别是认知相对论。TCR旨在总结一套简单而优雅的关于智能本质的第一原则,至少包括世界相对性原则和符号相对性原则。世界相对性原理指出,智能代理可以观察到的主观世界受到它感知客观世界的方式的强烈约束。符号相对性原理指出,智能体可以使用任何物理符号系统来表达它在主观世界中观察到的东西。这两个原则是从科学事实和生活经验中得出的。思想实验表明,它们对于理解高水平智力很重要,对于建立科学的心理和意识理论也是必要的。TCR确实主张实现真正的人工智能,即人工通用智能或人工意识,而不是类脑智能,这是一个有希望的方向变化,特别是不同于人类和动物的人工智能。此外,TCR信条已经提出并扩展到揭示意识的秘密和指导意识机器的实现。在这个意义上,真正的人工智能可以以一种与大脑不同的方式来实现,TCR可能会结合一些额外的第一原则来推动一场智能革命。
2018-12-20 cs.AI
Guidelines for Artificial Intelligence Containment
Cornell University(康奈尔大学);University of Montreal(蒙特利尔大学);University of Louisville(路易斯维尔大学)
随着人工智能的能力几乎每天都在改进,开发供人工智能研究界使用的安全软件比以往任何时候都更加重要。在我们之前关于AI遏制问题的工作的基础上,我们提出了一些指导方针,这些指导方针应该有助于AI安全研究人员为各级智能程序开发可靠的沙箱软件。这种安全容器软件将使研究和分析智能人工代理成为可能,同时保持一定程度的安全性,防止信息泄漏,社会工程攻击和来自容器内的网络攻击。
2017-07-24 cs.AI cs.CR
User-Centered Design (IX): A "User Experience 3.0" Paradigm Framework in the Intelligence Era
基于“以用户为中心的设计”设计理念的用户体验(UX)领域正在走向智能时代。尽管如此,现有的用户体验范式主要针对非智能系统,缺乏针对智能系统的用户体验的系统方法。纵观UX的发展历程,UX范式呈现出跨技术时代的演进特征。当前,智能时代对用户体验范式提出了新的要求。为此,本文提出了智能时代的“UX 3.0”范式框架和相应的UX方法论体系。“UX 3.0”范式框架包括生态体验、创新赋能体验、AI赋能体验、基于人-AI交互的体验、基于人-AI协作的体验方法五大类UX方法,每一类都提供了相应的多个UX范式方向。“UX 3.0”范式的提出有助于改进现有的UX方法,为UX在智能系统开发中的研究和应用提供了方法论支持。最后,本文对“UX 3.0”范式的未来研究和应用进行了展望。
2023-03-24 cs.AI cs.HC
6G White Paper on Edge Intelligence
University of Oulu(奥卢大学);Capobianco(卡波比安科公司);Huawei(华为);TU Delft(代尔夫特理工大学);University of Vigo(维戈大学);VTT Technical Research Centre of Finland(芬兰技术研究中心);Poznan University of Technology(波兹南理工大学);University of Helsinki(赫尔辛基大学);Pengcheng Laboratory(鹏城实验室)
在本白皮书中,我们提供了6 G边缘智能的愿景。迈向5G和未来的6 G网络,利用数据驱动的机器学习和人工智能的智能解决方案对于几个现实世界的应用变得至关重要,包括但不限于更高效的制造、新颖的个人智能设备环境和体验、城市计算和自主交通设置。我们将边缘计算与其他6 G引擎一起作为建立未来2030年智能互联网技术的关键组成部分,如本系列6 G白皮书所示。在本白皮书中,我们重点关注边缘计算基础设施和平台,数据和边缘网络管理,边缘软件开发,ML/AI算法的实时和分布式训练,以及安全,隐私,定价和最终用户方面。我们讨论了关键的推动因素和挑战,并确定了智能边缘服务开发的关键研究问题。作为本白皮书的主要成果,我们设想了从物联网到智能物联网的过渡,并为6 G智能边缘的发展提供了路线图。
2020-04-30 cs.AI cs.DC cs.NI
Intelligent Product 3.0: Decentralised AI Agents and Web3 Intelligence Standards
University of Cambridge(剑桥大学);RedBite Solutions Ltd(RedBite解决方案有限公司)
本文面向智能产品演进,整合去中心化身份、区块链产品履历与 AI 智能体协作,提出 Intelligent Product 3.0 规范及 Web3 智能标准。
2025-05-14 cs.AI cs.MA cs.NI
Techniques for Adversarial Examples Threatening the Safety of Artificial Intelligence Based Systems
Suleyman Demirel University(苏莱曼德米雷尔大学)
人工智能被认为是塑造世界未来的快速发展的最有效的技术领域。即使在今天,也可以看到智能系统在生活的各个领域中的大量使用。虽然人工智能的优点被广泛观察到,但也有一个黑暗的一面,即努力设计针对人工智能的黑客导向技术。由于这些技术,有可能欺骗智能系统,导致不成功输出的直接结果。这对未来的网络战争也至关重要,因为据预测,战争将由无人驾驶的自主智能系统完成。从解释出发,本研究的目的是提供有关威胁人工智能的对抗性示例的信息,并重点介绍用于创建对抗性示例的一些技术的细节。对抗性示例被称为训练数据,它可以欺骗机器学习技术,使其错误地学习目标问题,并最终导致智能系统失败或被恶意引导。这项研究使读者能够充分了解最近用于创建对抗性示例的技术的细节。
2019-09-29 cs.AI cs.LG math.OC