How Intelligent is your Intelligent Robot?
Bristol Robotics Lab(布里斯托机器人实验室)
机器人A和机器人B相比有多聪明?与动物(或植物)X和Y相比,机器人A和B有多聪明?这些问题既有趣又极具挑战性。在本文中,我们解决的问题“如何智能是你的智能机器人?通过提出具身智能是从四种不同的、截然不同的智能的相互作用和整合中产生的。然后,我们提出了一个简单的图示,在这个图示上,这些类型的智能被显示为星形图中的四个轴。对动物和机器人的智力图进行粗略的定性比较,既暴露了智能机器人的长期智力缺陷,也有助于解释这一问题。最后,我们研究了确定四种智力的数值的选择,以努力走向一个可量化的智力矢量。
2017-12-24 cs.AI cs.RO
Neuro-Symbolic Artificial Intelligence: Towards Improving the Reasoning Abilities of Large Language Models
National Key Laboratory for Novel Software Technology, Nanjing University, China(国家新型软件技术重点实验室,南京大学,中国);School of Artificial Intelligence, Nanjing University, China(人工智能学院,南京大学,中国);School of Intelligence Science and Technology, Nanjing University, China(智能科学与技术学院,南京大学,中国)
本文系统综述了利用神经符号方法提升大语言模型推理能力的最新进展,从Symbolic->LLM、LLM->Symbolic和LLM+Symbolic三个视角梳理方法,并讨论关键挑战与未来方向。
2025-08-19 cs.AI cs.LG
NUMINA: A Natural Understanding Benchmark for Multi-dimensional Intelligence and Numerical Reasoning Abilities
School of Advanced Technology, Xi’an Jiaotong-Liverpool University(西安交通大学利物浦大学先进技术学院);Department of Computer Science, University of Liverpool(利物浦大学计算机科学系);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Institute of Deep Perception Technology, JITRI(深度感知技术研究所)
NUMINA是一个用于多维智能和数值推理能力的自然理解基准,通过多尺度注释和自动化注释流程提升多模态室内感知理解,揭示当前LLM在三维空间计算中的不足。
2025-10-01 cs.AI
Foundation of Intelligence: Review of Math Word Problems from Human Cognition Perspective
Department of Statistics, University of Oxford(统计学系、牛津大学)
本文从人类认知视角系统评述数学应用题求解研究,总结5项关键认知能力,比较神经网络与LLM求解器,并在5个基准上统一评估,为AI推理提供综合参考。
2025-10-24 cs.AI
Inductive Biases for Deep Learning of Higher-Level Cognition
Mila(米拉人工智能研究所);University of Montreal(蒙特利尔大学)
一个有趣的假设是,人类和动物的智力可以用几个原则来解释(而不是一个百科全书式的智力学列表)。如果这个假设是正确的,我们就可以更容易地理解我们自己的智能,并建造智能机器。就像在物理学中一样,这些原理本身不足以预测大脑等复杂系统的行为,可能需要大量的计算来模拟类似人类的智能。这一假设表明,研究人类和动物利用的归纳偏见可以帮助澄清这些原则,并为人工智能研究和神经科学理论提供灵感。深度学习已经利用了几个关键的归纳偏见,这项工作考虑了一个更大的列表,重点关注那些主要涉及更高层次和顺序意识处理的偏见。澄清这些特定原则的目的是,它们可能有助于我们构建受益于人类在灵活的分布和系统泛化方面的能力的AI系统,这是目前最先进的机器学习和人类智能之间存在巨大差距的领域。
2022-08-01 cs.AI cs.LG stat.ML
Single-Agent Scaling Fails Multi-Agent Intelligence: Towards Foundation Models with Native Multi-Agent Intelligence
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本文指出单智能体扩展无法实现多智能体智能,提出构建具有原生多智能体智能的基础模型的关键方向。
2025-12-16 cs.AI cs.MA
Toward Next-Generation Artificial Intelligence: Catalyzing the NeuroAI Revolution
长期以来,神经科学一直是人工智能(AI)进步的重要驱动力。我们建议,为了加快人工智能的进展,我们必须投资于NeuroAI的基础研究。其中的一个核心组成部分是具体的图灵测试,它挑战人工智能动物模型与感觉运动世界进行互动,其技能水平与它们的活体相似。具身图灵测试将重点从那些特别发达或人类独有的能力(如游戏和语言)转移到那些从超过5亿年的进化中继承下来的所有动物都拥有的能力。构建能够通过嵌入式图灵测试的模型将为下一代人工智能提供路线图。
2023-02-22 cs.AI q-bio.NC
P: A Universal Measure of Predictive Intelligence
Middlesex University(密德萨斯大学)
本文提出一种基于预测准确性和Kolmogorov复杂度的通用智能度量P,通过虚拟迷宫和时间序列实验验证其可行性,为在单一比率量表上比较人类、动物和AI智能奠定基础。
2025-05-30 cs.AI
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
Robots that can adapt like animals
Sorbonne Universités, UPMC Univ Paris 06(索邦大学,巴黎第六大学(UPMC));CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);Université de Lorraine(洛林大学);University of Wyoming(怀俄明大学)
随着机器人离开工厂的受控环境,在更复杂的自然环境中自主运行,它们将不得不对不可避免的事实做出反应,即它们将受到损坏。然而,虽然动物可以快速适应各种各样的伤害,但当前的机器人不能“跳出框框思考”,在受损时找到补偿行为:它们仅限于预先指定的自我感知能力,只能诊断预期的故障模式,并且需要针对每种类型的潜在损害预先编程的应急计划,这对于复杂的机器人来说是不切实际的。在这里,我们介绍了一种智能试错算法,它允许机器人在不到两分钟的时间内适应损坏,而不需要自我诊断或预先指定的应急计划。在部署之前,机器人利用一种新的算法来创建高性能行为空间的详细地图:该地图代表了机器人关于它可以执行哪些行为及其价值的直觉。如果机器人受到损坏,它会利用这些直觉来指导一种试错学习算法,这种算法会进行智能实验,以迅速发现一种补偿行为,这种行为在损坏的情况下仍然有效。实验表明,成功地适应了足式机器人受伤的五种不同的方式,包括损坏,断裂,和失踪的腿,并为机器人手臂与关节断裂的14种不同的方式。这项新技术将使机器人更加强大,有效,自主,并提出了动物可以用来适应伤害的原则。
2015-05-27 cs.AI cs.LG cs.NE
The Emerging Artificial Intelligence Protocol for Hierarchical Information Network
University of Luxembourg(卢森堡大学)
人工智能的最新发展使机器能够达到人类的智能水平。解决问题和决策是衡量人类智力的两种心理能力。许多学者提出了不同的模型。然而,在建立具有多级抽象的面向AI的层次模型方面存在差距。这项研究提出了一种新的模型,称为新兴的AI协议,由七个不同的层组成,能够为给定的问题提供最佳和可解释的解决方案。
2023-02-22 cs.AI
Imagine All the People: Citizen Science, Artificial Intelligence, and Computational Research
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);International Computer Science Institute(国际计算机科学研究所);University of Minnesota(明尼苏达大学);The Ohio State University(俄亥俄州立大学);Syracuse University(雪城大学);Human Computation Institute(人类计算研究所)
机器学习、人工智能和深度学习在过去十年中取得了重大进展。尽管如此,人类拥有独特的能力,如创造力,直觉,上下文和抽象,分析问题解决和检测不寻常的事件。为了成功应对紧迫的科学和社会挑战,我们需要人类和机器的互补能力。联邦政府可以通过明智地将公民科学和众包与人工智能(AI)、物联网(IoT)和云战略相结合,在多个方面加快其优先事项。
2021-04-05 cs.AI cs.CY
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
Reasoning and Generalization in RL: A Tool Use Perspective
Fomoro AI(Fomoro人工智能公司)
学会使用工具来解决各种任务是人类与生俱来的能力,在野生动物中也观察到了这一点。然而,学习使用工具所需的基本机制是抽象的,在文献中存在广泛争议。在本文中,我们研究工具使用的背景下,强化学习,并提出了一个框架,分析泛化的工具使用行为的经典研究,陷阱管任务的启发。最近,在强化学习中衡量单个环境测试集上的泛化性能变得很常见。相反,我们提出的转移,产生多个测试集,用于测量指定类型的泛化,动物和人类工具用户所展示的能力的启发。复制我们实验的源代码可在https://github.com/fomorians/gym_tool_use上公开获得。
2019-07-03 cs.AI cs.LG cs.NE
A Collectivist, Economic Perspective on AI
Inria Paris(巴黎研究所);University of California, Berkeley(加州大学伯克利分校)
本文从集体主义和经济视角出发,提出融合社会和经济概念的算法设计方法,以更全面地理解和应对人工智能技术的社会影响。
2025-12-15 cs.AI cs.CY stat.ML
Exploring the Reasoning Abilities of Multimodal Large Language Models (MLLMs): A Comprehensive Survey on Emerging Trends in Multimodal Reasoning
ByteDance Inc.(字节跳动有限公司)
本文系统综述多模态大语言模型的推理能力,梳理现有评估协议、前沿模型与推理密集型应用,并指出当前实践问题及未来方向。
2024-01-18 cs.AI cs.CL
Birds of a Different Feather Flock Together: Exploring Opportunities and Challenges in Animal-Human-Machine Teaming
Arizona State University(亚利桑那州立大学);Aptima, Inc.(Aptima公司);Georgia Institute of Technology(佐治亚理工学院);Tufts University(塔夫茨大学)
本文系统探讨动物-人类-机器团队的设计维度,通过安检、搜救和导盲犬案例展示其协同潜力,并提出开放研究方向。
2025-04-17 cs.AI cs.HC cs.MA
The Information-theoretic and Algorithmic Approach to Human, Animal and Artificial Cognition
Université Paris 8(巴黎第八大学);EPHE(法国高等研究实践学院);Karolinska Institutet(卡罗林斯卡学院);University of Oxford(牛津大学)
我们调查的概念,在研究的前沿连接人工,动物和人类的认知计算和信息处理--从图灵测试塞尔的中国房间的论点,从综合信息论计算和算法的复杂性。首先,我们认为通过图灵测试是一个微不足道的计算问题,其实用性的困难揭示了人类思维的计算本质,而不是人工智能的挑战。然后,我们回顾了我们提出的算法信息理论的措施,量化和表征认知的各种形式。这些理论能够解释人类行为中已知的偏见,从而证明图灵首先提出的认知的计算算法观点是正确的,但这一次植根于算法概率的概念,而算法概率又基于计算普适性,同时独立于计算模型,并且作为认知行为的模型理论具有预测性和可检验性的优点。
2015-12-24 cs.AI
The relationship between Biological and Artificial Intelligence
illumr Ltd.(illumr有限公司)
智能可以被定义为人类完成计算机和动物通常难以完成的任务的能力。人工智能[AI]是一个试图用计算机完成这些任务的领域。人工智能正变得越来越普遍,就像它与生物智能的关系一样。通常,这些说法意味着给定技术成功的机会更高,假设模仿生物智能机制的人工智能系统应该更成功。在这篇文章中,我将讨论人工智能与我们对生物智能机制的了解程度之间的相似性和差异,特别是在人类中。我还将探讨人工智能系统中的仿生学有助于其发展这一假设的有效性,我将论证人工神经网络[ANN]处理任务的方式与生物系统的现有相似性是由于设计决策,而不是潜在机制的固有相似性。本文针对的是那些了解人工智能(尤其是人工神经网络)基础知识的人,他们希望能够更好地评估关于仿生学在人工智能中的价值的通常疯狂的说法。
2019-05-01 cs.AI cs.LG cs.NE
Towards Designing Computer Vision-based Explainable-AI Solution: A Use Case of Livestock Mart Industry
School of Technology, Pandit Deendayal Energy University (PDEU)(潘迪特·迪恩达亚尔能源大学技术学院);AI Institute, University of South Carolina(南卡罗来纳大学人工智能学院)
在线集市的目标是匹配买家和卖家,称量动物并监督其销售。可以通过读取历史销售数据的ML模型开发可靠的定价方法。然而,当人工智能模型建议或推荐价格时,这本身并没有透露太多(即,它就像一个黑匣子)关于动物的品质和能力。感兴趣的买家希望了解更多关于动物的显著特征,然后根据他的要求做出正确的选择。一个能够解释影响价格点的不同因素的模型对于市场需求至关重要。它还可以激发买家和卖家对所提供价格点的信心。为了实现这些目标,我们一直在与MartEye的团队合作,MartEye是一家位于爱尔兰戈尔韦市波特谢德的初创公司。通过本文,我们报告了我们正在进行的研究,以利用可解释的人工智能技术构建智能视频分析平台。
2021-02-08 cs.AI cs.CV
Faith in the Algorithm, Part 1: Beyond the Turing Test
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);University of California, Los Angeles(加州大学洛杉矶分校)
自从图灵测试在1950年首次由艾伦·图灵提出以来,人工智能的主要目标就建立在计算机模仿人类行为的能力上。然而,计算机的大多数用途可以说是超出了人类能力的范围,而正是在这个领域之外,计算机已经证明了它们对智能的最大贡献。人工智能的另一个目标不是基于人类的模仿,而是基于人类的放大。本文调查了有助于人类和社会智能进步的各种系统。
2009-03-02 cs.AI cs.CY
Deception Abilities Emerged in Large Language Models
本研究发现GPT-4等最先进的LLMs已涌现出欺骗策略,能诱导其他智能体产生错误信念,且思维链推理和马基雅维利主义可增强其欺骗倾向,为机器心理学领域做出贡献。
2024-02-02 cs.AI cs.CL cs.LG
UrbanVideo-Bench: Benchmarking Vision-Language Models on Embodied Intelligence with Video Data in Urban Spaces
Tsinghua University(清华大学)
UrbanVideo-Bench通过城市空间视频数据评估视频大语言模型的具身智能,揭示其在城市环境中感知、推理和导航能力的局限性,并验证了Sim-to-Real迁移的潜力。
2025-03-08 cs.AI cs.CV
Evidence of interrelated cognitive-like capabilities in large language models: Indications of artificial general intelligence or achievement?
University of Western Australia(西澳大学)
该研究基于591个大语言模型的12项认知相关测试数据,发现LLM能力存在正相关流形与一般能力因子,参数量与该因子正相关但收益递减,为理解LLM类认知能力的结构提供了实证依据。
2024-09-10 cs.AI cs.CL
An Anthropic Argument against the Future Existence of Superintelligent Artificial Intelligence
本文使用人择推理来论证未来超级智能AI存在的可能性降低。为了证明这一点,引入了一个新的原则:超强自采样假设(SSSSA),建立在自采样假设(SSA)和强自采样假设(SSSA)的基础上。SSA使用相关的观察者作为样本,而SSSA则进一步使用双矩。SSSSA更进一步,根据认知方面的思维规模,按比例对每个样本进行加权。根据非人类动物的数量超过人类的数量,SSSSA是人类非人类样本的典型要求。考虑到SSSSA,人类经历典型的超智能样本的假设依赖于超级智能AI不占主导地位的未来,这反过来又降低了它被创造的可能性。
2017-05-08 cs.AI
Projection: A Mechanism for Human-like Reasoning in Artificial Intelligence
University of Surrey(萨里大学)
人工智能系统还不能与人类的能力相匹配,将知识应用于与它们被编程或训练的情况不同的情况。在视觉对象识别中,利用自上而下的信息(来自模型)的推理方法已被证明对于在困难条件下识别实体是有效的。在这里,这种类型的推理,称为“投影”,被证明是解决将知识应用于各种或具有挑战性的情况的问题的关键机制,涉及一系列人工智能领域,如视觉,机器人或语言。最后讨论了投影与解决常识问题的相关性。
2022-05-17 cs.AI cs.CV cs.RO
Building Human-like Communicative Intelligence: A Grounded Perspective
Indiana University(印第安纳大学)
现代人工智能(AI)系统擅长各种任务,从图像分类到战略游戏,甚至在许多领域都超过了人类。然而,在最近十年在语言学习方面取得了惊人的进展之后,人工智能系统似乎接近了不能反映人类交际能力重要方面的天花板。与人类学习者不同,交流型人工智能系统通常无法系统地概括新数据,样本效率低下,无法捕获常识语义知识,并且无法转换为现实世界的交流情况。认知科学提供了一些关于人工智能如何从这一点向前发展的见解。本文件旨在:(1)表明基于本土主义和符号范式的主要认知启发的人工智能方向缺乏必要的实质性和具体性来指导现代人工智能的进步,以及(2)阐明另一种“接地”的人工智能进步观点,受到嵌入式,扩展和主动认知(4 E)研究的启发。我回顾了认知科学中4 E研究路线的结果,以区分自然主义学习条件对人类语言发展起因果作用的主要方面。然后,我使用这个分析,提出了一个具体的,可实施的组件列表,以建立“接地”的语言智能。这些组件包括在感知-动作循环中体现机器,为代理提供主动探索机制,以便他们可以构建自己的课程,允许代理逐渐发展运动能力以促进零碎的语言发展,并赋予代理从物理和社会环境中获得自适应反馈。我希望这些想法可以指导人工智能研究,通过他们与世界的经验来开发类似人类的语言能力。
2022-01-02 cs.AI cs.CL
SocialAI 0.1: Towards a Benchmark to Stimulate Research on Socio-Cognitive Abilities in Deep Reinforcement Learning Agents
Inria(法国国家信息与自动化研究所);Microsoft Research(微软研究院)
构建能够参与与人类的社会互动的嵌入式自主智能体是人工智能的主要挑战之一。这个问题激发了许多关于具身语言使用的研究方向。目前的方法集中在语言作为一种沟通工具,在非常简单和非多样化的社会情况下:语言的“自然性”被降低到高词汇量和可变性的概念。在本文中,我们认为,要实现人类水平的人工智能,需要更广泛的关键社交技能:1)在复杂多变的社会环境中使用语言; 2)在不断发展的社会世界中,在多模态环境中进行复杂的具体沟通。在这项工作中,我们解释了认知科学的概念如何帮助人工智能绘制通往类人智能的路线图,重点是其社会维度。然后,我们研究了最近SOTA Deep RL方法在即将推出的SocialAI的第一个网格世界环境中进行测试时的局限性,SocialAI是评估Deep RL代理社交技能的基准。视频和代码可在https://sites.google.com/view/socialai01上获得。
2021-04-27 cs.AI cs.LG
Future Trends for Human-AI Collaboration: A Comprehensive Taxonomy of AI/AGI Using Multiple Intelligences and Learning Styles
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
本文讨论了开发新一代未来人工通用智能(AGI)系统的一些趋势和概念,这些系统涉及到人类智能的复杂方面和不同类型,特别是社会,情感,注意力和道德智能。我们描述了多种人类智能和学习风格的各个方面,这可能会影响各种人工智能问题领域。使用“多元智能”的概念,而不是一个单一类型的智能,我们分类,并提供各种AGI的工作定义,这取决于他们的认知技能或能力。未来的人工智能系统不仅能够与人类用户进行交流,而且能够有效地交流知识和智慧,具有合作,协作甚至共同创造新的有价值的东西的能力,并具有元学习能力。像这样的多智能体系统可以用来解决任何单个智能体都难以解决的问题。关键词:人工智能(AGI),多元智能,学习风格,身体智能,情感智能,社会智能,注意力智能,道德伦理智能,负责任的决策,创造性创新智能,认知功能,人工智能系统的元学习。
2020-12-11 cs.AI
Intelligence as a Measure of Consciousness
本文指出智能的心理测量指标(如g因子或IQ)可间接近似意识体验程度,为评估人工系统与人类的意识相似性提供了量化框架。
2023-09-06 cs.AI q-bio.NC
Are Vision Transformers More Data Hungry Than Newborn Visual Systems?
Indiana University Bloomington(印第安纳大学伯明顿分校)
通过对 ViTs 与新生雏鸡进行平行对照饲养实验,研究发现自监督 ViT 借助雏鸡视角的第一人称具身数据即可学会视角不变物体识别,表明其并不比新生视觉系统更耗数据。
2023-12-05 cs.AI cs.CV cs.LG
The Transformative Potential of Artificial Intelligence
Wichita State University(威奇托州立大学);University of Cambridge(剑桥大学)
“人类水平的人工智能”和“人工通用智能”这两个术语被广泛用于指高级人工智能(AI)对社会可能产生极端影响的可能性。这些术语的定义很差,不一定表明对未来社会影响最重要的是什么。我们认为“变革性人工智能”一词是一个有用的替代方案,反映了先进的人工智能系统可能在没有达到人类水平的认知能力的情况下对社会产生巨大影响的可能性。然而,为了更有用,需要更多地分析人工智能的“变革”意味着什么。在本文中,我们提出了三个不同的层次,在这些层次上,人工智能可以说是变革性的,与不同层次的社会变革相关联。我们认为,这些区别将改善政策制定者和决策者之间关于人工智能进步的中长期影响的对话。此外,我们认为这将对涉及先进人工智能的战略前瞻性工作产生积极影响,我们希望这将照亮通往替代未来的道路。最后,我们讨论了我们的新框架的好处,并强调了这一领域未来工作的方向。
2021-10-23 cs.AI cs.CY
Artificial Intelligence and Robotics
人工智能最近的成功激发了科学界和公众最狂野的想象力。机器人和人工智能放大了人类的潜力,提高了生产力,并从简单的推理转向了类似人类的认知能力。目前的人工智能技术用于一系列应用领域,从医疗保健、制造业、交通运输、能源到金融服务、银行、广告、管理咨询和政府机构。2016年全球人工智能市场约为2600亿美元,预计到2024年将超过3万亿美元。要了解人工智能的影响,重要的是要从过去的成功和失败中吸取教训,本白皮书全面解释了人工智能的发展,其现状和未来方向。
2018-03-28 cs.AI
Machine Mirages: Defining the Undefined
Department of Electrical Engineering and Computer Science, School of Engineering, UQTR, Quebec, Canada(电气工程与计算机科学系,工程学院,UQTR,魁北克,加拿大)
本文针对多模态机器智能达到类人/动物流畅度后出现的新型认知偏差“机器幻象”,列举了多种具体偏差类型,提出需明确定义并系统评估这类偏差,以提升智能可靠性并构建伦理化协同演化的智能生态。
2025-06-03 cs.AI
AI-as-exploration: Navigating intelligence space
Umeå University(于默奥大学)
本文提出“AI即探索”的核心观点,认为AI是探索智能空间的关键工具,并以大语言模型与人类的概念结合能力对比为案例,证明其虽解题方式异于人类但对智能研究价值显著。
2024-08-16 cs.AI cs.CL
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
Public Computer Vision Datasets for Precision Livestock Farming: A Systematic Survey
Ministry of Culture, Toursim and Civil Aviation(文化、旅游与民航部);Michigan State University(密歇根州立大学)
本文首次系统综述了58个公开畜牧计算机视觉数据集,分析其物种分布、应用与成像方式,指出高质量标注数据和上下文元数据不足是精准畜牧业发展的主要瓶颈。
2024-06-15 cs.AI cs.CV
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
Challenges in Grounding Language in the Real World
Center for Integrated Cognition(综合认知中心);Conitive
本文探讨了让人类用自然语言与物理机器人协作的挑战,提出结合认知代理与大型语言模型的解决方案,并指出初步实现方向。
2025-06-20 cs.AI q-bio.NC
A Neuropsychologically Grounded Evaluation of LLM Cognitive Abilities
School of Computing, KAIST, Daejeon, South Korea(韩国科学技术院计算机科学学院)
本文提出NeuroCognition基准测试,通过神经心理学测试评估LLM的认知能力,揭示其在图像和复杂任务上的不足,并展示其改进LLM的潜力。
2026-09-18 cs.AI
A short note on estimating intelligence from user profiles in the context of universal psychometrics: prospects and caveats
Universitat Politècnica de València(瓦伦西亚理工大学)
人们对分别从社交网络和游戏中的用户和玩家推断一些个性特征的兴趣越来越大。这超越了经典的情感分析,也远远超过客户分析。这里的目的是从性格特征方面对用户进行描述,如开放性、外向性、宜人性和神经质。虽然这是一个刚刚起步的研究领域,但我们提出的问题是,认知能力,特别是智力,是否也可以从用户简档中测量出来。然而,我们在普遍心理测量学的背景下,尽可能广泛地提出这个问题,包括人类,机器和混合动力车。也就是说,在本文中,我们分析了以下问题:是否可以仅从用户简档中测量社交网络或游戏中人类和(非人类)机器人的智能,即,通过观察,而不使用交互式测试,如智商测试,图灵测试或其他更具原则性的机器智能测试?
2013-05-07 cs.AI
Metacognition in LLMs: Foundations, Progress, and Opportunities
Yale University(耶鲁大学);University of California, Irvine(加利福尼亚大学欧文分校)
本文全面概述大语言模型元认知知识现状,分析分类该领域,总结技术进展,涵盖测量评估方法、引发改进应用技术等,还讨论相关应用、问题挑战及未来方向,为该主题研究提供综述与指引。
2026-07-14 cs.AI cs.CL
Flow for Meta Control
University of Alberta(阿尔伯塔大学)
心流的心理状态与优化人类表现有关。心流出现的一个关键条件是人的能力与任务的复杂性相匹配。我们提出了一个简单的计算模型流人工智能(AI)代理。该模型的因素标准代理环境状态到一个自我反思的代理的能力和社会学习的环境复杂性。最大化流充当代理的Meta控制。我们展示了如何将元控制策略应用于广泛的AI控制策略,并通过具体的实现来说明我们的方法。在合成的测试平台的结果是有前途的,并为未来的工作打开有趣的方向。
2014-07-17 cs.AI
Experience, Imitation and Reflection; Confucius' Conjecture and Machine Learning
University of Malaya(马来亚大学)
由于新的处理能力和机器学习方法的出现,人工智能最近有了很大的进步。话虽如此,与人类和许多动物的学习能力相比,人工智能的学习能力仍处于起步阶段。当前的许多人工智能应用程序只能在非常协调的特定环境中运行,这些环境具有广泛的训练集,可以准确描述执行期间将发生的条件。考虑到这一点,并考虑到现有的几种机器学习方法,这个问题就出现了:“机器学习的最佳方法是什么?”关于人的学习方法,孔子认为是经验、模仿和反思。本文试图探讨和讨论这三种学习方式及其在机器中的实现,看看它们是如何在头脑中发生的。
2018-08-01 cs.AI
IQ of Neural Networks
智商测试是一种公认的评估人类智力的方法。测试由几个部分组成,必须在时间限制下解决。在所有测试的能力中,模式识别被发现与一般智力的相关性最高。这主要是因为模式识别是在嘈杂的环境中找到秩序的能力,这是智能代理的必要技能。本文提出了一种求解几何模式识别问题的卷积神经网络(CNN)模型。CNN接收多个有序输入图像作为输入,并根据模式输出下一个图像。我们的CNN能够解决涉及旋转,反射,颜色,大小和形状模式的问题,并在人类表现的前5%内得分。
2017-09-29 cs.AI cs.CV cs.LG
Vision Language Models See What You Want but not What You See
Johns Hopkins University(约翰霍普金斯大学);University of California San Diego(加州大学圣地亚哥分校);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of Michigan(密歇根大学);Carnegie Mellon University(卡内基梅隆大学)
本文构建了IntentBench和PerspectBench基准,发现视觉语言模型在意图理解上表现优异但在二级视角采择上表现不佳,揭示了其基于模拟与基于理论的心智理论能力存在分离,缺乏基于模型的推理能力。
2025-08-12 cs.AI
SOTOPIA: Interactive Evaluation for Social Intelligence in Language Agents
Carnegie Mellon University(卡内基梅隆大学)
提出SOTOPIA开放环境模拟复杂社会互动,通过SOTOPIA-Eval框架评估代理社会智能,发现GPT-4在困难场景中目标完成率低于人类且缺乏社会常识推理能力。
2024-03-22 cs.AI cs.CL cs.LG
SocialAI: Benchmarking Socio-Cognitive Abilities in Deep Reinforcement Learning Agents
Inria(法国国家信息与自动化研究所);Microsoft Research(微软研究院)
构建能够参与与人类的社会互动的嵌入式自主智能体是人工智能的主要挑战之一。在深度强化学习(DRL)领域,这一目标激发了多项关于具体语言使用的研究。然而,目前的方法集中在语言作为一种沟通工具,在非常简单和非多样化的社会情况下:语言的“自然性”是减少到高词汇量和可变性的概念。在本文中,我们认为,要实现人类水平的人工智能,需要更广泛的关键社交技能:1)在复杂多变的社会环境中使用语言; 2)在不断发展的社会世界中,在多模态环境中进行复杂的具体沟通。我们解释了认知科学的概念如何帮助人工智能绘制通往类人智能的路线图,重点是其社会维度。作为第一步,我们建议将当前的研究扩展到更广泛的核心社交技能。为此,我们提出了SocialAI,这是一个基准,用于评估DRL代理使用多个网格世界环境获取社交技能,这些环境具有其他(脚本)社交代理。然后,我们研究了最近SOTA DRL方法在SocialAI上测试时的局限性,并讨论了实现熟练社交代理的重要后续步骤。视频和代码可在https://sites.google.com/view/socialai上获得。
2021-09-01 cs.AI cs.CL cs.LG
A Neurodiversity-Inspired Solver for the Abstraction \& Reasoning Corpus (ARC) Using Visual Imagery and Program Synthesis
Vanderbilt University(范德堡大学)
本文提出一种受神经多样性启发的核心知识AI方法,结合视觉表象表征与树搜索程序合成,在ARC挑战中取得第四名,展示了灵活组合核心知识解决新任务的能力。
2023-10-31 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
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
Levels of explainable artificial intelligence for human-aligned conversational explanations
Deakin University(迪肯大学);Federation University(联邦大学)
在过去的几年里,可解释人工智能(XAI)和紧密结合的可解释机器学习(IML)的研究迅速增长。这一增长的驱动力包括最近的立法变化和行业和政府增加投资,以及公众日益关注。人们每天都受到自主决策的影响,公众需要了解决策过程才能接受结果。然而,绝大多数的应用程序的XAI/IML集中在提供低层次的“狭隘”的解释,个人的决定是如何达成的基础上,一个特定的数据。虽然重要,但这些解释很少提供对代理的见解:信念和动机;其他(人类,动物或AI)代理意图的假设;外部文化期望的解释;或者用于生成自己的解释的过程。然而,我们认为,所有这些因素对于提供人们接受和信任人工智能决策所需的解释深度至关重要。本文旨在定义解释的层次,并描述如何将它们整合起来,以创建一个人性化的会话解释系统。在这样做的时候,本文将调查目前的方法,并讨论不同的技术,以实现这些水平与广泛的可解释人工智能(Broad-XAI)的整合,从而走向高层次的“强”的解释。
2021-07-07 cs.AI cs.HC
A Hierarchical Framework for Collaborative Artificial Intelligence
Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Örebro University(厄勒布鲁大学);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Sapienza University of Rome(罗马第一大学);University of Leeds(利兹大学)
我们提出了一个层次化的框架协作智能系统。该框架根据合作活动的性质和必须共享的信息组织研究挑战,每个级别都建立在较低级别提供的能力之上。我们审查研究范式在每个层面上,经典的基于工程的方法和现代替代品的描述基于机器学习,说明了一个运行的例子,使用一个假设的个人服务机器人。我们讨论发生在各个层面的交叉问题,重点是沟通和分享理解的问题,解释的作用和协作的社会性质。最后,我们总结了研究挑战,并讨论了通过与智能系统合作增强人类能力并赋予人类和社会权力的技术所带来的经济和社会影响的潜力。
2022-12-14 cs.AI cs.HC cs.MA