Universal Intelligence: A Definition of Machine Intelligence
IDSIA（达勒莫尔人工智能研究所）
人工智能的一个基本问题是没有人真正知道智能是什么。当我们需要考虑与人类显著不同的人工系统时，这个问题尤其严重。在本文中，我们处理这个问题的方式如下：我们采取了一些众所周知的非正式定义的人类智能，已由专家，并提取其基本特征。然后这些被数学形式化，以产生任意机器的智能的一般度量。我们认为，这个等式在最广泛的合理意义上正式捕捉了机器智能的概念。然后，我们展示了这个正式的定义是如何与通用的最佳学习代理的理论。最后，我们调查了许多其他的测试和定义的智能已经提出了机器。
2007-12-20 cs.AI
A New Framework for Machine Intelligence: Concepts and Prototype
DataVeras
机器学习（ML）和人工智能（AI）已成为许多信息处理领域的热门话题，从聊天机器人到科学数据分析。与此同时，将主流机器学习技术扩展为具有持续学习能力的通用解决方案的可能性也存在不确定性。在这里，一个简单的，但全面的，智能系统的理论框架。镜像组合表示（MCR）和解决方案的批评循环（SCL）的组合，提出了不同类型的问题作为一种通用的方法。本文提出了一个基于英文维基百科语料库的文档比较原型系统。
2018-06-06 cs.AI cs.LG
Watershed of Artificial Intelligence: Human Intelligence, Machine Intelligence, and Biological Intelligence
University of Brasilia（巴西利亚大学）；University of Sao Paulo（圣保罗大学）
本文回顾了23年前提出的“一次学习”机制，以及随后在图像分类中的“一次性学习”和在客观检测中的“You Only Look Once - YOLO”的成功。分析了人工智能（AI）的发展现状，提出AI应明确划分为人工人类智能（AHI）、人工机器智能（AMI）和人工生物智能（ABI），这也将是AI理论和应用发展的主要方向。作为人工智能分支的分水岭，讨论了一些分类标准和方法：1）面向人类、面向机器和面向生物的人工智能研发; 2）通过模糊度上升或模糊度下降处理的信息输入; 3）使用一个/几个或大样本进行知识学习。
2021-05-07 cs.AI
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
Living Together: Mind and Machine Intelligence
Amazon Research Cambridge（亚马逊剑桥研究院）；The University of Sheffield（谢菲尔德大学）
在本文中，我们考虑我们在人类智能的背景下创造的机器智能的性质。我们认为，人类和机器智能之间的根本区别归结为\emph{embodiment factors}。我们将体现因素定义为实体传达信息的能力与计算信息的能力之间的比率。我们推测化身因素在驱动我们自己的智力和意识中的作用。我们简要回顾了认知的双重过程模型，并在该框架内铸造了机器智能，将其描述为一个占主导地位的零系统，它可以通过与我们潜意识的交互来驱动行为。出于对这种系统后果的担忧，我们建议可以考虑采取预防性行动。我们的主要结论是，我们应该害怕的是\emph{not}感知智能，而不是\emph{non-sentient}智能。
2017-05-22 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
The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence
最近在人工智能和机器学习方面的研究在很大程度上强调了通用学习和越来越大的训练集以及越来越多的计算。相比之下，我提出了一种混合的、知识驱动的、基于推理的方法，以认知模型为中心，可以为比目前更丰富、更强大的人工智能提供基础。
2020-02-19 cs.AI cs.LG
Evolutionary Computation for the Design and Enrichment of General-Purpose Artificial Intelligence Systems: Survey and Prospects
University of Granada（格拉纳达大学）；TECNALIA（泰克纳利亚公司）；Basque Research Technology Alliance (BRTA)（巴斯克研究技术联盟（BRTA））；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））；Southern University of Science and Technology（南方科技大学）；University of Nottingham（诺丁汉大学）；Victoria University of Wellington（惠灵顿维多利亚大学）；University of Birmingham（伯明翰大学）；CERCIA
该综述梳理了进化计算（EC）在通用人工智能系统（GPAIS）设计与增强中的作用、研究进展与应用挑战，提出了EC优化GPAIS的策略并指明未来研究方向。
2024-06-03 cs.AI cs.NE
Artificial and Biological Intelligence
本文考虑了来自物理和生物科学的证据，表明与生物系统相比，机器在整合智能方面存在缺陷。机器在两个方面存在不足：首先，与大脑不同，机器不会以递归的方式自组织;其次，机器基于经典逻辑，而自然的智能可能依赖于量子力学。
2006-01-13 cs.AI
Considerations upon the Machine Learning Technologies
人工智能提供了卓越的技术和方法，通过这些技术和方法，来自不同领域的问题可以找到最佳解决方案。机器学习技术是指旨在开发允许计算机“学习”的技术的人工智能领域。有些基于机器学习技术的系统倾向于消除人类智能的必要性，而另一些则采用人机协作的方法。
2009-04-23 cs.AI cs.LG
Design of a dynamic and self adapting system, supported with artificial intelligence, machine learning and real time intelligence for predictive cyber risk analytics in extreme environments, cyber risk in the colonisation of Mars
University of Oxford（牛津大学）；Cisco Research Centre（思科研究中心）；Cardiff University（卡迪夫大学）；University of Warwick（华威大学）
多个政府机构和私人组织已经承诺殖民火星。这种殖民化需要复杂的系统和基础设施，在网络攻击的情况下，修复或更换这些系统和基础设施的成本可能非常高。本文调查了深度学习算法、物联网网络安全和风险模型，并建立了数学公式，以确定开发动态和自适应的系统的最佳方法，用于在人工智能和机器学习以及边缘计算中的实时的智能的支持下进行预测性网络风险分析。本文提出了一种新的数学方法，用于集成认知引擎设计、边缘计算、人工智能和机器学习的概念，以自动化异常检测。该引擎通过应用嵌入在物联网网络边缘的人工智能和机器学习来推动一个步骤的变化，为预测性网络风险分析提供安全和功能性的实时的智能。这将增强风险分析能力，并有助于全面系统地了解部署边缘计算节点以及将人工智能和机器学习技术迁移到互联网外围和本地物联网网络时出现的机会和威胁。
2021-02-11 cs.AI cs.CR cs.CY
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
Memory Based Machine Intelligence Techniques in VLSI hardware
Indian Institute of Information Technology and Management-Kerala（印度喀拉拉邦信息技术与管理学院）
我们简要介绍了在超大规模集成电路硬件中模拟机器智能的基于内存的方法，并描述了挑战和优势。人工智能技术在超大规模集成电路中的实现是一个实际而又困难的问题。深层架构、层次化时间记忆和记忆网络是这一研究领域的一些当代方法。这些技术试图模拟低级别的智能任务，并旨在为高级别的智能问题，如稀疏编码和上下文处理提供可扩展的解决方案。
2012-01-28 cs.AI cs.RO
Computational Narrative Intelligence: A Human-Centered Goal for Artificial Intelligence
Georgia Institute of Technology（佐治亚理工学院）
叙事智能是对故事进行创作、讲述、理解和情感回应的能力。我们认为，灌输人工智能与计算叙事智能提供了一些有益于人类的应用。我们列出了实现计算叙事智能所需解决的一些机器学习挑战。最后，我们认为，计算叙事是一个实际的一步，机器文化，社会文化价值观的教学机器。
2016-02-21 cs.AI
Human-Centered Artificial Intelligence and Machine Learning
Georgia Institute of Technology（佐治亚理工学院）
人类越来越多地接触到人工智能和机器学习系统。以人为中心的人工智能是对AI和ML的一种观点，即算法必须在设计时意识到它们是由人类组成的更大系统的一部分。我们提出了一个论点，即以人为中心的人工智能可以分为两个方面：（1）从社会文化角度理解人类的人工智能系统，以及（2）帮助人类理解他们的人工智能系统。我们进一步认为，社会责任的问题，如公平，问责制，可解释性和透明度。
2019-01-31 cs.AI
Swarm Differential Privacy for Purpose Driven Data-Information-Knowledge-Wisdom Architecture
Hainan University（海南大学）；Zayed University（扎耶德大学）；Zeekr Group（极氪集团）；Visionogy；Leicester University（莱斯特大学）
隐私保护是近年来学术界和工业界关注的焦点。社会通过复杂的法律框架保护个人数据隐私。数据科学和人工智能的应用越来越多，对数据的无处不在的应用提出了更高的要求。广泛的数据-信息-知识-智慧（DIKW）领域的隐私保护，即下一代信息组织，已成为次要角色。在本文中，我们将探讨DIKW架构，通过流行的群体智能和差分隐私的应用。由于差分隐私被证明是一种有效的数据隐私方法，我们将从DIKW域的角度来看待它。群体智能算法可以有效地优化和减少差分隐私中DIKW的项目数，从而提高了差分隐私在概念DIKW多模态交叉中的有效性和效率。所提出的方法是通过应用程序的个性化数据，是基于开源IRIS数据集。实验证明了群体智能在降低计算复杂度方面的有效性。
2021-06-29 cs.AI cs.NE
Measuring Machine Intelligence Through Visual Question Answering
Facebook AI Research（Facebook人工智能研究院）；Virginia Tech（弗吉尼亚理工大学）；Microsoft Research（微软研究院）
随着机器变得越来越智能，人们对测量其智能的方法重新产生了兴趣。一种常见的方法是提出人类擅长的任务，但机器发现困难。然而，一个理想的任务也应该容易评估，而不是容易游戏。我们开始一个案例研究，探讨最近流行的任务图像描述和它的局限性作为一个任务，测量机器智能。另一个更有前途的任务是视觉问答，它测试机器对语言和视觉的推理能力。我们描述了一个为该任务创建的规模空前的数据集，其中包含超过760，000个人类生成的关于图像的问题。使用大约1000万个人类生成的答案，可以很容易地评估机器。
2016-08-31 cs.AI cs.CL cs.CV
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
Detecting Fake News on Social Media: A Novel Reliability Aware Machine-Crowd Hybrid Intelligence-Based Method
Hefei University of Technology（合肥工业大学）；University of Delaware（特拉华大学）
针对现有混合智能假新闻检测方法未考虑可靠性的问题，提出含三个模块的RAHI方法，结合贝叶斯深度学习、IRT用户聚合与分布融合机制，在Weibo数据集上表现优异，对多类主体有实用价值。
2024-12-07 cs.AI cs.LG cs.SI
Chess AI: Competing Paradigms for Machine Intelligence
ChessEd；Booth School of Business（布斯商学院）；University of Chicago（芝加哥大学）；Phillips Academy（菲利普斯学院）
长期以来，残局研究一直是测试人类创造力和智力的工具。我们发现它们也可以作为测试机器能力的工具。两个领先的国际象棋引擎Stockfish和Leela Chess Zero（LCZero）在比赛中采用了截然不同的方法。我们使用Plaskett's Puzzle（20世纪70年代末著名的残局研究）来比较这两个引擎。我们的实验表明，Stockfish优于LCZero的难题。我们研究了引擎之间的算法差异，并将我们的观察结果作为仔细解释测试结果的基础。从人类如何解决国际象棋问题中汲取灵感，我们问机器是否可以拥有某种形式的想象力。在理论方面，我们描述了如何贝尔曼方程可能被应用到优化的概率获胜。最后，我们讨论了我们的工作对人工智能（AI）和人工通用智能（AGI）的影响，为未来的研究提出了可能的途径。
2021-09-23 cs.AI cs.LG stat.ML
Submodularity In Machine Learning and Artificial Intelligence
University of Washington（华盛顿大学）
在这篇手稿中，我们提供了一个温和的审查子模和超模及其性质。我们提供了大量的次模定义;一个完整的描述了一些例子次模函数和它们的推广;例子离散约束;讨论最大化，最小化和其他操作的基本算法;连续次模扩展的简要概述;和一些历史应用。然后，我们转向子模块化在机器学习和人工智能中是如何有用的。这包括总结，我们提供了一个完整的帐户之间的差异和共性之间的素描，核心集，提取和抽象的总结在NLP，数据蒸馏和冷凝，数据子集选择和特征选择。我们讨论了产生对机器学习有用的子模块函数的各种方式，包括启发式手工制作、学习或近似学习子模块函数或其方面，以及使用子模块函数作为核心集产生器的一些优点。我们讨论子模块组合信息函数，以及子模块如何用于聚类、数据划分、并行机器学习、主动和半监督学习、概率建模以及结构化规范和损失函数。
2022-10-04 cs.AI cs.LG
Leveraging Hybrid Intelligence Towards Sustainable and Energy-Efficient Machine Learning
DFKI（德国人工智能研究中心）；University of Kaiserslautern-Landau（凯撒斯劳滕-兰道大学）
针对机器学习开发重性能、轻流程效率且能效不足的问题，提出结合人在回路与LLM智能体引入次级知识源的混合智能方法，助力实现可持续、高能效的机器学习。
2024-07-15 cs.AI
The limit of artificial intelligence: Can machines be rational?
University of Johannesburg（约翰内斯堡大学）
本文研究机器是否理性的问题。它观察到人类不理性的现有原因，这是由于不完美和有限的信息，有限的和不一致的处理能力，通过大脑和无法优化决策，实现最大效用。它研究人类的这些局限性是否会转移到机器的局限性上。得出的结论是，即使机器不是理性的，但技术的进步使这些机器变得更加理性。它还得出结论，机器可以比人类更理性。
2018-12-16 cs.AI
Naive Few-Shot Learning: Uncovering the fluid intelligence of machines
The Edmond and Lily Safra Center for Brain Sciences, The Hebrew University（希伯来大学埃德蒙和莉莉·萨夫拉脑科学中心）；The Hebrew University（希伯来大学）；Department of Cognitive Sciences, The Federmann Center for the Study of Rationality, The Alexander Silberman Institute of Life Sciences, The Hebrew University（希伯来大学亚历山大·西尔伯曼生命科学研究所费德曼理性研究中心认知科学系）
在本文中，我们的目标是帮助弥合人类流体智能（无需事先训练即可解决新任务的能力）与深度神经网络性能之间的差距，深度神经网络通常需要大量的事先训练。解决智力测试的一个基本认知组成部分，在人类中用于测量流体智力，是识别序列的能力。这促使我们构建了一个基准任务，我们称之为\textit{sequence consistency evaluation}（SCE），其解决方案需要识别序列中的序列的能力。鉴于深度网络的成熟能力，预计它们在经过广泛训练后能够解决这些任务。然而，令人惊讶的是，我们表明，在具有\textit{single}优化步骤的\textit{single} SCE上训练的朴素（随机初始化）深度学习模型仍然可以相对较好地解决任务的非平凡版本。我们扩展了我们的研究结果，以解决，没有任何事先培训，在视觉和听觉模式的真实世界的异常检测任务。这些结果证明了深度网络的流体智能计算能力。我们讨论了我们的工作，构建流体智能机器的影响。
2023-01-26 cs.AI cs.CV cs.LG
Measurements of collective machine intelligence
Université Libre de Bruxelles（布鲁塞尔自由大学）
独立于仍在进行中的研究，在测量个人的智慧，我们预计，并提供了一个框架，测量集体智慧。集体智慧是指几个人可以合作以实现高水平的智力。因此，我们提出了一些想法，一个群体的智力可以测量和模拟这样的测试。然而，我们将在这里关注人工智能代理的组（即，机器）。我们将探讨一组代理是如何能够选择适当的问题，并专门为各种任务。这是一个功能，这是一个重要的贡献者，以增加一个组中的智能（除了添加更多的代理和改进，由于共同的决策）。我们的研究结果揭示了一些有趣的结果，关于（集体）智能如何建模，关于集体智能测试如何设计，以及关于集体智能的潜在动态。由于它将是有用的，我们的模拟，我们也提供了一些改进的阈值分配模型最初用于该领域的群体智能，但在这里进一步推广。
2013-06-27 cs.AI cs.MA
Artificial Intelligence and Machine Learning for Quantum Technologies
Max Planck Institute for the Science of Light（马克斯·普朗克光科学研究所）；Friedrich-Alexander Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
近年来，机器学习的巨大进步已经开始对许多科学技术领域产生重大影响。在本文中，我们将探讨量子技术如何从这场革命中受益。我们展示了在过去的几年里，科学家们如何开始使用机器学习和更广泛的人工智能方法来分析量子测量，估计量子设备的参数，发现新的量子实验设置，协议和反馈策略，并普遍改善量子计算，量子通信和量子模拟的各个方面。我们强调了开放的挑战和未来的可能性，并总结了未来十年的一些推测性愿景。
2022-08-07 cs.AI cs.LG quant-ph
State of the Art Review for Applying Computational Intelligence and Machine Learning Techniques to Portfolio Optimisation
计算技术在金融领域已经显示出了很大的希望，因为它们能够从令人生畏的复杂系统中提取意义。本文回顾了这些技术中最有前途的，从传统的计算智能方法，他们的机器学习兄弟姐妹，特别是考虑到他们的应用优化管理的投资组合的金融工具。评估了当前的最新技术水平，并评估和推荐了未来的进一步工作
2009-10-13 cs.AI cs.CE
Proceedings of the Artificial Intelligence for Cyber Security (AICS) Workshop 2020
研讨会将重点讨论人工智能在网络安全问题中的应用。AICS 2020的重点将是在网络安全问题的背景下进行人机合作，并将专门探索人类操作员与人工智能技术之间的合作。该研讨会将涉及人工智能的适用领域，如机器学习，博弈论，自然语言处理，知识表示，自动化和辅助推理以及人机交互。此外，网络安全应用领域，特别强调人机合作的表征和部署将是重点。
2020-06-10 cs.AI cs.CR cs.HC
Wide Area Network Intelligence with Application to Multimedia Service
Chinese Academy of Sciences（中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）；Osaka University（大阪大学）；Tokyo Institute of Technology（东京工业大学）
网络智能是一门学科，它建立在网络系统的能力之上，通过使用网络资源在不断变化的环境中提供高质量的服务来智能地行动。广域网智能是广域网中的一类网络智能，它覆盖了互联网的核心和边缘。本文提出了一种基于机器学习的广域网智能系统。整个系统由一个用于预训练的核心机和多个用于快速响应的终端机组成。每台机器都是由左右半球组成的双半球模型。左半球用于通过终端响应来改善延迟，而右半球用于通过数据生成来改善通信。在一个多媒体业务的应用中，该模型在准确性、延迟和通信方面优于数据中心最新的深度前馈神经网络。评估表明，可扩展的改善方面的终端机的数量。评估还表明，改进的成本是更长的学习时间。
2022-01-14 cs.AI cs.NE cs.NI
Machine Learning and Quantum Intelligence for Health Data Scenarios
QSPectral Systems（QSPectral系统）
针对医疗领域高维或低质量数据集下传统机器学习的挑战，本文探索量子机器学习（QML）在健康数据场景的应用，聚焦量子核方法与混合量子-经典网络在心脏病预测和新冠检测中的可行性与性能。
2024-10-28 cs.AI cs.LG quant-ph
On the link between conscious function and general intelligence in humans and machines
Microsoft Research（微软研究院）；Araya Inc.（Araya公司）
在大众媒体中，人工智能体意识的出现与这些智能体同时实现人类或超人水平的智能之间往往存在联系。在这项工作中，我们探索了意识和智力之间这种看似直观的联系的有效性和潜在应用。我们这样做，通过检查与三个当代理论的意识功能的认知能力：全球工作空间理论（GWT），信息生成理论（IGT）和注意力图式理论（AST）。我们发现，这三种理论都将意识功能与人类领域一般智力的某些方面联系起来。有了这种见解，我们转向人工智能（AI）领域，发现虽然还远未证明一般智能，但许多最先进的深度学习方法已经开始结合三种功能理论中的每一种的关键方面。在确定了这一趋势之后，我们使用人类心理时间旅行的激励性例子来提出三种理论中的每一种的见解可以组合成一个统一的和可实施的模型的方法。考虑到这是由三种功能理论中的每一种所支撑的认知能力所实现的，能够进行精神时间旅行的人工智能不仅比目前的方法具有更高的一般智能，而且与我们目前对人类意识功能作用的理解更加一致，因此使其成为人工智能研究的一个有希望的近期目标。
2022-07-19 cs.AI cs.NE
Machine Intelligence for Outcome Predictions of Trauma Patients During Emergency Department Care
The Ohio State University（俄亥俄州立大学）；The Abigail Wexner Research Institute at Nationwide Children’s Hospital（全国儿童医院阿比盖尔·韦克斯纳研究所）
创伤死亡率是由许多非线性相关风险因素引起的，包括患者人口统计学、损伤特征、提供的医疗护理和医疗设施的特征;然而传统方法试图使用刚性回归模型来捕获这些关系。我们假设基于迁移学习的机器学习算法可以深入了解创伤患者的病情，并准确识别死亡率高风险的个体，而无需依赖于限制性回归模型标准。匿名患者访视数据来自国家创伤数据库2007-2014年。排除了生命体征不完整、结局未知或人口统计学数据缺失的患者。所有患者就诊均发生在美国医院，在回顾性检查的2，007，485次就诊中，8，198次导致死亡（0.4%）。评估机器智能模型的敏感性、特异性、阳性和阴性预测值以及Matthews相关系数。我们的模型在特定年龄的比较模型中取得了相似的性能，并且在同时应用于所有年龄时具有很好的推广性。在测试混杂因素时，我们发现，排除跌倒相关伤害可以提高成年创伤患者的表现;但是，它会降低儿童的表现。这里描述的机器智能模型展示了与当代机器智能模型相似的性能，而不需要限制性回归模型标准或广泛的医学专业知识。
2020-09-09 cs.AI cs.LG stat.ML
Applying Data Mining and Machine Learning Techniques to Submarine Intelligence Analysis
我们描述了如何专门的数据库技术和数据分析方法，瑞典国防部，以帮助处理在八十年代和九十年代初的外国潜艇入侵者侵犯瑞典海洋领土。在尝试的几种方法中，有些产生了有趣的信息，尽管大多数关键问题仍然没有答案。最后，我们调查的信念函数和遗传算法为基础的方法，提出了支持解释的情报报告和预测未来的潜艇位置，分别。
2003-05-16 cs.AI cs.DB cs.NE
Can machines think efficiently?
本文提出一种新的智能评估测试，通过引入能量消耗约束，强调高效性在智能评估中的重要性。
2026-09-02 cs.AI cs.CY cs.LG
A Roadmap towards Machine Intelligence
Facebook AI Research（脸书人工智能研究院）；University of Trento（特伦托大学）
智能机器的发展是计算机科学中尚未解决的最大挑战之一。在本文中，我们提出了这些机器应该具有的一些基本属性，特别关注通信和学习。我们讨论了一个简单的环境，可以用来逐步教机器基于自然语言的通信的基础知识，作为与人类用户进行更复杂交互的先决条件。我们还提出了一些关于机器应该支持的算法类型的说明，以便从环境中进行有益的学习。
2016-02-26 cs.AI cs.CL
Explore Brain-Inspired Machine Intelligence for Connecting Dots on Graphs Through Holographic Blueprint of Oscillatory Synchronization
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出HoloGraph框架，通过振荡同步机制改进图神经网络，解决过平滑问题并提升图推理能力。
2026-01-20 cs.AI cs.LG q-bio.NC
Symbolic Graph Intelligence: Hypervector Message Passing for Learning Graph-Level Patterns with Tsetlin Machines
本文提出一种基于稀疏二值超向量与 Tsetlin 机器的多层符号图分类框架，通过结构化消息传递和分层绑定保留图层次语义，并在 TUDataset 上取得具有竞争力的准确率与局部可解释性。
2025-07-22 cs.AI cs.LG
Narrow Artificial Intelligence with Machine Learning for Real-Time Estimation of a Mobile Agents Location Using Hidden Markov Models
Université du Québec à Montréal（蒙特利尔魁北克大学）
我们建议使用有监督的机器学习技术来实时的跟踪移动代理的位置。隐马尔可夫模型用于构建人工智能，该智能估计在定义环境中移动的移动目标的未知位置。这种狭义的人工智能执行两个不同的任务。首先，它提供了实时的估计移动代理的位置使用的前向算法。其次，它使用Baum-Welch算法作为统计学习工具来获得移动目标的知识。最后，提出了一个实验环境，即一个视频游戏，我们用来测试我们的人工智能。我们提出的统计和图形结果来说明我们的方法的效率。
2018-02-09 cs.AI
Natively Interpretable Machine Learning and Artificial Intelligence: Preliminary Results and Future Directions
Diveplane Corporation（Diveplane公司）
为了更好地逼近复杂函数，机器学习模型已经变得越来越复杂。虽然在许多领域卓有成效，但增加的复杂性是以模型可解释性为代价的。曾经流行的k-最近邻（kNN）方法，它发现并使用最相似的数据进行推理，在最近几十年里受到的关注要少得多，因为与其他技术相比存在许多问题。我们表明，许多这些历史问题与kNN可以克服，我们的贡献不仅在机器学习，而且在在线学习，数据合成，异常检测，模型压缩和强化学习中的应用，而不牺牲可解释性。我们介绍了kNN和信息论之间的综合，我们希望将提供一个清晰的路径，模型是天生的可解释和可审计的。通过这项工作，我们希望将kNN与信息论结合起来，作为完全可审计的机器学习和人工智能的一条有前途的道路。
2019-01-18 cs.AI cs.LG stat.ML
On the independence between phenomenal consciousness and computational intelligence
Universidad Pontificia de Comillas（卡米亚斯大主教大学）
意识和智力是民间心理学和一般社会通常理解为依赖的属性。人工智能这个术语以及近年来它设法解决的问题，已经被证明是一个论据，证明机器有某种意识。按照罗素的类比，如果一台机器能够做一个有意识的人所做的事情，那么机器有意识的可能性就会增加。然而，这种类比的社会影响是灾难性的。具体地说，如果权利被赋予能够解决神经正常人所能解决的问题的实体，那么机器是否可能比残疾人拥有更多的权利？例如，自闭症综合症谱系可能会使人无法解决机器可以解决的问题。我们认为，答案显然是否定的，因为解决问题并不意味着意识。因此，我们将在本文中讨论现象意识和至少计算智能是如何独立的，以及为什么机器不拥有现象意识，尽管它们可能发展出比人类更高的计算智能。为了做到这一点，我们试图制定一个客观的衡量计算智能的标准，并研究它如何在人类，动物和机器中呈现。类似地，我们研究现象意识作为一个二分变量，以及它是如何分布在人类，动物和机器。由于现象意识和计算智能是独立的，这一事实对我们在本书中分析的社会具有重要意义。
2022-08-03 cs.AI
Artificial intelligence and machine learning generated conjectures with TxGraffiti
Rice University（莱斯大学）
本文介绍基于机器学习与启发式方法的数学猜想自动生成系统 TxGraffiti，概述其技术实现、回顾其已发表成果，并发布面向公众的图论猜想在线探索平台。
2024-07-03 cs.AI math.CO
Dürfen Maschinen denken (können)? Warum Künstliche Intelligenz eine Ethik braucht. (Are Machines Allowed to (be able to) Think? Why Artificial Intelligence Needs Ethics)
小组讨论会“机器能思考吗？”的冲动讲座演讲稿（德语+英语）2022年5月28日在斯图加特举行的第102届Katholikentag。小组：Winfried Kretschmann（MdL，巴登-符腾堡州总理，斯图加特），Ursula Nothelle-Wildfeuer（弗赖堡），Michael Resch（斯图加特），Karsten Wendland（Aalen）。主持人：Stefanie Rentsch（Fulda）。观众辩护律师：Verena Neuhausen（斯图加特）。
2022-08-15 cs.AI cs.CY
KANDINSKYPatterns -- An experimental exploration environment for Pattern Analysis and Machine Intelligence
Medical University Graz（格拉茨医科大学）
当具有高质量的训练数据时，机器智能在标准识别任务中非常成功。机器级的模式识别和人类级的概念学习之间仍然存在显著的差距。人类可以在不确定的情况下仅从几个例子中学习，并将这些概念推广到解决新问题。对可解释的机器智能的兴趣日益增长，需要实验环境和诊断测试来分析现有方法的弱点，以推动该领域的进展。在本文中，我们讨论了现有的诊断测试和测试数据集，如CLEVR，CLEVERER，CLOSURE，CURI，Bongard-Paddle，V-PROM，并提出了我们自己的实验环境：KANDINSKYPatterns，命名的俄罗斯艺术家瓦西里·康定斯基，谁作出了理论贡献的组成，即所有的感知组成的几何基本的个人组成部分。这一点在20世纪60年代被Hubel & Wibel实验证明，并成为机器学习方法的基础，如Neocognitron和更晚的深度学习。虽然KANDINSKYPatterns一方面具有计算可控的属性，带来了地面真理，但它们也很容易被人类观察者区分，即，受控模式可以由人类和算法描述，使其成为国际机器智能研究的另一个重要贡献。
2021-02-28 cs.AI
Can Machines Design? An Artificial General Intelligence Approach
CentraleSupélec, Université Paris-Saclay（巴黎-萨克雷大学中央理工-高等电力学院）；Initiative for Interstellar Studies (i4is)（星际研究倡议会）
机器能设计吗？他们是否能够为问题提出创造性的解决方案，并在广泛的领域中构建工具和工件？计算创造力和正式的通用人工智能（AGI）领域的最新进展为具有一般设计能力的机器提供了框架。在本文中，我们建议将一个正式的计算创造力框架的哥德尔机框架。我们称之为框架设计哥德尔机。这种机器可以通过产生新的概念来解决各种设计问题。此外，它可以通过修改自身来改变这些概念的生成方式。设计哥德尔机能够改进其初始设计程序，一旦它证明修改将增加其效用函数的回报。最后，我们勾勒出一个特定版本的设计哥德尔机，专门解决复杂的软件和硬件系统的设计。未来的工作旨在开发一个更正式的版本的设计哥德尔机和概念实现的证明。
2018-06-26 cs.AI
Using a Collated Cybersecurity Dataset for Machine Learning and Artificial Intelligence
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
人工智能（AI）和机器学习（ML）算法可以支持指标级（例如异常检测）到行为级网络安全建模和推理的跨度。这一贡献基于一个名为BRON的数据集，该数据集由公共威胁和漏洞行为源合并而成。我们演示了如何BRON可以支持相关的威胁技术和攻击模式的预测。我们还讨论了BRON的其他AI和ML用途，以利用其行为知识。
2021-08-05 cs.AI cs.CR
A comparative study of artificial intelligence and human doctors for the purpose of triage and diagnosis
Babylon Health（巴比伦健康）；Imperial College London（帝国理工学院）；Yale New Haven Health（耶鲁纽黑文健康）；Stanford University（斯坦福大学）
在线症状检查器在改善患者护理方面具有巨大潜力，但其可靠性和准确性仍然存在差异。我们假设，一个人工智能（AI）驱动的分诊和诊断系统在分诊和诊断准确性方面可以与人类医生相媲美。我们对人工智能分类和诊断系统的准确性和安全性进行了前瞻性验证研究。相同的病例由人工智能系统和人类医生进行评估。鉴别诊断和分诊结果由独立法官进行评估，该法官不知道结果的来源（AI系统或人类医生）。独立于这些病例，还评估了来自公共资源的小插曲，为以前的研究和MRCGP检查的诊断部分提供基准。总的来说，我们发现Babylon AI支持的分类和诊断系统能够识别临床小插曲模拟的疾病，其准确性与人类医生相当（在精确度和召回率方面）。此外，我们发现，与独立专家法官提供的可接受的分流范围相比，人工智能系统推荐的分流建议平均而言比人类医生更安全，适当性只有很小的降低。
2018-06-27 cs.AI cs.LG stat.AP
Toward Multiphysics-Informed Machine Learning for Sustainable Data Center Operations: Intelligence Evolution with Deployable Solutions for Computing Infrastructure
本文提出多物理场指导机器学习框架，用于提升数据中心运营的可持续性，通过整合物理先验与数据驱动模型，实现碳感知IT资源配置、智能冷却控制等关键应用。
2026-02-04 cs.AI cs.LG
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
The Holy Grail of Quantum Artificial Intelligence: Major Challenges in Accelerating the Machine Learning Pipeline
LMU Munich（慕尼黑大学）；MaibornWolff
讨论了量子计算与人工智能之间的协同关系。在调查了当前的量子人工智能方法并将其与机器学习过程的正式模型相关联之后，我们推断出量子人工智能未来面临的四大挑战：（i）用更快的量子算法取代迭代训练，（ii）将大量数据的经验提取到训练过程中，（iii）允许量子和经典组件轻松组合和交换，以及（iv）构建工具来彻底分析所观察到的益处是否真的源于算法的量子特性。
2020-04-29 cs.AI quant-ph
Creativity and Artificial Intelligence: A Digital Art Perspective
University of Johannesburg（约翰内斯堡大学）
本文描述了人工智能在数字艺术创作中的应用。人工智能是一种将智能编码成机器的计算范式。一般有三种类型的人工智能，这些是机器学习，进化编程和软计算。机器学习是构建智能系统的统计方法。进化编程是利用自然进化系统来设计智能机器。一些进化编程系统包括遗传算法，它是由进化和群体优化的原则启发，这是由鸟，鱼，蚂蚁等成群的启发。软计算包括技术，如代理基于建模和模糊逻辑。这些数字艺术的应用机会进行了探讨。
2018-07-21 cs.AI cs.CY
Berkeley and Heiserman as an Unexhausted Architecture for Embodied Machine Intelligence
本文以伯克利的《符号逻辑与智能机器》及海斯曼的工作为研究对象，探讨其在具身机器智能方面贡献。他们将逻辑与硬件、行为等联系，超越静态逻辑形式，为具身机器人认知架构方法提供思路，不应被视为历史终点。
2026-08-07 cs.AI
Confederated Machine Learning on Horizontally and Vertically Separated Medical Data for Large-Scale Health System Intelligence
Harvard Medical School（哈佛医学院）；Aetna, CVS Health（安泰保险，CVS健康公司）
卫生信息通常分散在各个小仓库中。虽然以支持快速学习医疗保健系统的方式将数据统一起来进行分析在技术上是可行的，但隐私问题和监管障碍限制了数据集中化。机器学习可以以联合方式在具有相同变量集的患者数据集上进行，但在护理站点之间分开。但是，联邦学习无法处理给定患者的不同数据类型在不同组织中垂直分离的情况，以及不同机构之间的患者ID匹配困难的情况。我们将能够对由两个或更多度分离的数据进行机器学习模型训练的方法称为联合机器学习。我们提出并评估了一种联合学习来训练机器学习模型，以在数据按个体水平分离、按数据类型垂直分离以及按身份分离而无患者ID匹配时对几种疾病的风险进行分层。
2020-12-09 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
Finding the unicorn: Predicting early stage startup success through a hybrid intelligence method
University of Kassel（卡塞尔大学）；SAP SE（SAP公司）；University of St. Gallen（圣加仑大学）
人工智能是一个新兴的话题，很快就能比人类更好地执行决策。然而，在创新等更复杂和更具创造性的环境中，问题仍然是机器是否优于人类。机器在两种情况下会失败：处理和解释软信息（无法量化的信息），以及在极端不确定的不可知风险情况下进行预测。在这种情况下，机器没有特定结果的代表性信息。因此，人类仍然是评估软信号和利用直觉的黄金标准。为了预测创业公司的成功，我们将人类和机器的互补能力结合在混合智能方法中。为了实现我们的目标，我们遵循设计科学研究方法来开发一种混合智能方法，该方法结合了机器和集体智能的力量，以证明其在极端不确定性下的预测效用。
2021-05-07 cs.AI cs.HC
