Prototype Based Classification from Hierarchy to Fairness
Massachusetts Institute of Technology（麻省理工学院）
人工神经网络可以表示和分类许多类型的数据，但通常是针对特定的应用程序-例如，“公平”或“分级”分类。一旦选择了一个架构，人类通常很难为新任务调整模型;例如，分层分类器无法轻松转换为屏蔽受保护字段的公平分类器。我们在这项工作中的贡献是一个新的神经网络架构，概念子空间网络（CSN），它概括了现有的专门分类器，以产生一个统一的模型，能够学习频谱的多概念关系。我们证明，CSN再现国家的最先进的结果，在公平的分类时，强制执行概念的独立性，可以转化为分层分类，甚至调和公平和层次结构在一个单一的分类。CSN的灵感来自于现有的基于原型的分类器，促进可解释性。
2022-05-27 cs.AI cs.LG
Physical Artificial Intelligence: The Concept Expansion of Next-Generation Artificial Intelligence
Hainan University（海南大学）；Visionogy；Zeekr Group（极氪集团）；Zayed University（扎耶德大学）；Alibaba Group（阿里巴巴集团）；Ghent University（根特大学）；Inner Mongolia University（内蒙古大学）
人工智能已经成为我们社会的增长催化剂，并被所有行业视为基础技术。然而，它的发展一直局限于信号处理领域，依赖于从其他传感器生成和收集的数据。在最近的研究中，数字人工智能和物理智能的概念已经出现，这可以被认为是物理智能理论发展的一大步。本文探讨了物理智能的概念，并提出了两个子领域：集成物理智能和分布式物理智能。本文还将探讨物理智能的趋势和治理。
2021-05-17 cs.AI
Comparison of Artificial Intelligence Techniques for Project Conceptual Cost Prediction
General Petroleum Company (GPC)（通用石油公司（GPC））；Zagazig University（扎加齐克大学）
在项目的概念阶段开发一个可靠的参数成本模型对项目管理者和决策者至关重要。现有的方法，如概率和统计算法已被开发用于项目成本预测。然而，这些方法无法产生准确的结果，概念成本预测，由于小和不稳定的数据样本。人工智能（AI）和机器学习（ML）算法包括用于监督回归应用的许多模型和算法。因此，需要对人工智能模型进行比较分析，以指导从业者选择合适的模型。本研究的重点是调查20人工智能（AI）技术进行成本建模，如模糊逻辑（FL）模型，人工神经网络（ANN），多元回归分析（MRA），基于案例的推理（CBR），混合模型，集成方法，如可扩展的提升树（XGBoost）。田间渠道改善项目（FCIPs）被用作一个实际的案例研究，以分析所应用的ML模型的性能。在20种人工智能技术中，结果表明，最准确和最合适的方法是XGBoost，平均绝对百分比误差（MAPE）和调整后的R2分别为9.091%和0.929。对这20个人工智能模型的非线性适应性、缺失值和异常值的处理、模型解释和不确定性进行了讨论。保留字：人工智能、机器学习、集成方法、XGBoost、进化模糊规则生成、概念成本和参数成本模型。
2019-08-08 cs.AI cs.LG
Control and Monitoring of Artificial Intelligence Algorithms
本文强调AI模型部署后的治理与监控，解释数据漂移和概念漂移概念，并介绍评估模型随时间性能变化的指标。
2023-07-24 cs.AI cs.LG
Dynamic Heterogeneous Federated Learning with Multi-Level Prototypes
Southeast University（东南大学）
针对动态异构联邦学习中客户端数据异构、内部任务动态变化引发的灾难性遗忘与概念漂移问题，提出含多级正则化的FedMLP框架，通过原型与语义原型及三类正则化保障性能，在多种设置下达SOTA。
2023-12-15 cs.AI cs.LG
Concept-Based Explainable Artificial Intelligence: Metrics and Benchmarks
University of Southampton（南安普顿大学）；Computer Science（计算机科学学院）
针对概念瓶颈模型中概念在特征空间对齐假设缺乏验证的问题，提出了概念全局重要性、存在性和定位三个指标及可视化技术，揭示了事后CBMs在概念对齐上的严重局限。
2025-01-31 cs.AI cs.LG
Generalizing Prototype Theory: A Formal Quantum Framework
Center Leo Apostel for Interdisciplinary Studies, Brussels Free University（布鲁塞尔自由大学跨学科研究利奥·阿波斯泰尔中心）；University of British Columbia（不列颠哥伦比亚大学）；University of Leicester（莱斯特大学）
自然语言和概念的理论一直无法模拟的灵活性，创造性，上下文依赖性和涌现，表现出的词，概念和它们的组合。量子理论的数学形式主义反而成功地捕捉了这些现象，如分级成员，情境意义，类别组成，以及更复杂的决策情况，这些情况无法用传统的概率方法建模。我们展示了如何一个正式的量子方法的概念和它们的组合可以提供一个强大的扩展原型理论。我们解释了原型如何可以干涉概念组合作为其上下文的相互作用的结果，并提供了一个直观的波形图的说明。这种量子概念的方法给了原始原型理论新的生命，但没有使它成为一个特权的概念理论，正如我们在我们的文章的最后解释。
2016-01-25 cs.AI quant-ph
ConsciousControlFlow(CCF): A Demonstration for conscious Artificial Intelligence
Harbin Institute of Technology（哈尔滨工业大学）
在这个演示中，我们提出了意识控制流（CCF），一个原型系统，以证明有意识的人工智能（AI）。该系统基于意识的计算模型和需求层次。CCF支持典型场景来展示有意识AI的行为和心理活动。我们证明，CCF提供了一个有用的工具，有效的机器意识的演示和人类行为的研究援助。
2021-02-06 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
The Artificial Intelligence Ontology: LLM-assisted construction of AI concept hierarchies
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；UC Berkeley（加州大学伯克利分校）；Helen Wills Neuroscience Institute（海伦·威尔斯神经科学研究所）；Redwood Center for Theoretical Neuroscience（红杉理论神经科学中心）
本文提出人工智能本体AIO，通过人工策展与大语言模型辅助，构建涵盖Networks、Layers、Functions、LLMs、Preprocessing和Bias六大分支的AI概念层级体系，并开源发布以支持标准化术语与跨学科研究。
2024-04-03 cs.AI cs.LG
Quantum and Concept Combination, Entangled Measurements and Prototype Theory
Center Leo Apostel for Interdisciplinary Studies（利奥·阿波斯泰尔跨学科研究中心）；Brussels Free University（布鲁塞尔自由大学）
我们分析的意义，违反边际概率定律的相关测量的情况下，纠缠被确定。我们表明，量子理论应用于认知领域，这种违反并不导致通常认为会发生在量子理论应用于物理领域的情况下的问题。我们简要介绍了我们的量子方法建模的概念和它们的组合方面的概念的“扩展”和“内涵”的理论意义，并在现有的概念理论。
2013-05-19 cs.AI cs.CL quant-ph
Artificial Cognitively-inspired Generation of the Notion of Topological Group in the Context of Artificial Mathematical Intelligence
Institución Universitaria Pascual Bravo（帕斯夸尔·布拉沃大学学院）；Visión Real Cognitiva S. A. S.（真实认知视觉公司）；Vienna University of Technology（维也纳技术大学）
概念计算这一新的计算范式已被引入到人工数学智能的研究计划中。我们为拓扑群的基本数学概念提供了明确的人工生成（或概念计算）。具体来说，我们开始与两个基本概念属于拓扑和抽象代数，我们描述递归形式规范的通用代数规约语言（CASL）。概念空间之间的概念融合的概念可以在异构工具集（HETS）中具体化。拓扑群的基本概念是通过基于概念融合和概念识别的三种不同的人工规范明确产生的，从连续函数和数学群的概念开始（用最小集合论条件描述）。这构成了人工数学智能第三支柱的额外启发式证据。
2021-12-05 cs.AI
Concept-Constrained Prompt Learning for Few-Shot CLIP Adaptation
University of California, San Diego（加州大学圣迭戈分校）；Georgia Institute of Technology（佐治亚理工学院）；Independent Researcher（独立研究员）
提出概念约束提示学习（CCPL），通过轻量级正则化框架将可学习类提示锚定到冻结的概念级文本原型，提升少样本CLIP的基类到新类泛化能力。
2026-06-23 cs.AI cs.CL cs.GR
Conceptualization and Framework of Hybrid Intelligence Systems
随着人工智能（AI）系统在我们的社会中变得无处不在，与其公平性，问责制和透明度相关的问题正在迅速增加。因此，研究人员正在将人类与人工智能系统相结合，以构建强大而可靠的混合智能系统。然而，对这些系统的适当概念化并不能支撑这种快速增长。本文提供了一个精确的定义，混合智能系统，以及解释它与其他类似的概念，通过我们提出的框架和例子，从当代文学。该框架根据耦合程度和各方的指令权威来分解人与机器之间的关系。最后，我们认为所有的人工智能系统都是混合智能系统，因此需要在这些系统生命周期的每个阶段都检查人为因素。
2020-12-11 cs.AI cs.HC
SIDE: Sparse Information Disentanglement for Explainable Artificial Intelligence
Jagiellonian University, Faculty of Mathematics and Computer Science（雅盖隆大学数学与计算机科学学院）；Ardigen SA（Ardigen公司）
针对原型部件网络在大规模视觉任务中解释复杂的问题，本文提出 SIDE，通过稀疏化训练、剪枝及 sigmoid 激活，在保持准确率的同时将解释规模缩减逾90%。
2025-07-25 cs.AI cs.CV cs.LG
Collaborative Learning with Artificial Intelligence Speakers (CLAIS): Pre-Service Elementary Science Teachers' Responses to the Prototype
University of Georgia（佐治亚大学）；Seoul National University（首尔国立大学）；Gyeongin National University of Education（京仁教育大学）
本文提出CLAIS系统，将AI说话者作为同伴与人类学习者组成小组进行拼图式协作学习，并通过15名职前小学科学教师的实施评估验证了其在提升智能技术教学法内容知识及推动课堂认知实践变革方面的潜力。
2023-12-20 cs.AI cs.CY
Abstracted Gaussian Prototypes for True One-Shot Concept Learning
Binghamton University（宾夕法尼亚州立大学布林茅尔分校）
本文提出抽象高斯原型方法，通过生成模型实现单样本概念学习，兼顾低复杂度和任务能力，推动对学习系统生成稳健概念的理解。
2026-02-26 cs.AI cs.CV
The Key Concepts of Ethics of Artificial Intelligence - A Keyword based Systematic Mapping Study
University of Jyväskylä（于韦斯屈莱大学）
自主系统和人工智能在我们生活中的影响力和决策能力不断增长，迫使我们考虑这些系统中蕴含的价值。但是，道德规范应该如何在这些系统中实施呢？在这项研究中，解决方案被视为哲学概念化的框架，以形成人工智能伦理的实际实施模式。为了在概念化方面迈出第一步，需要确定实地使用的主要概念。对人工智能和伦理学中使用的关键词进行了基于关键词的系统映射研究（SMS），以帮助识别，蔑视和比较当前人工智能伦理话语中使用的主要概念。在检索的1062篇论文中，SMS在83篇学术论文中发现了37个重复出现的关键词。我们认为，专注于寻找关键词是为人工智能伦理领域的未来研究提供指导和方向的第一步。
2018-09-19 cs.AI
Conceptual Modeling and Artificial Intelligence: Mutual Benefits from Complementary Worlds
TU Wien（维也纳工业大学）
概念建模（CM）应用抽象来降低所研究系统的复杂性（例如，现实的缩影）。作为概念建模过程的结果，人类可解释的形式化表示（即，概念模型），其使得能够在人类之间进行理解和通信，以及由机器进行处理。人工智能（AI）算法也被应用于复杂的现实（通常由大量数据表示），以识别模式或对数据中的实体进行分类。除了这两种方法的共同点外，通过查看结果可以观察到显着的差异。虽然概念模型是可理解的、可再现的和明确的知识表示，但人工智能技术能够有效地从给定的输入中导出输出，同时充当黑盒。人工智能解决方案往往缺乏全面性和可重复性。即使是人工智能系统的开发人员也无法解释为什么会产生某种输出。在概念建模与人工智能（CMAI）的研讨会上，我们有兴趣解决两者的交叉点，到目前为止，CM和AI的学科大多是孤立的。该研讨会包含了这样一个假设，即通过i）调查概念建模（CM）对AI的贡献，以及ii）反过来，人工智能（AI）对CM的贡献，可以实现多种互利。
2021-10-16 cs.AI cs.SE
Conceptive Artificial Intelligence: Insights from design theory
目前的论文提供了一个视角，我们称之为概念智能-代理人不断思考新的对象定义（任务，问题，物理系统等）的能力。并寻找实现它们的方法。这个框架被称为布劳威尔机，它的灵感来自于以前在设计理论和建模方面的研究，其根源在于直觉主义的建构主义数学。我们所描述的双重建构主义视角提供了在对象类型和构造对象的方法方面创造新颖性的可能性。更一般地说，布劳威尔机器所基于的理论工作被称为想象建构主义。基于框架和理论，我们讨论了人工智能研究中无所不在的许多范式和技术，以及它们在设计建模方面的优缺点，如想象建构主义所描述的。为了证明和解释的创造性的过程中所表达的布劳威尔机的概念的类型，我们比较这个概念与系统使用遗传算法的科学规律发现。
2014-04-02 cs.AI
Conceptual Modeling and Artificial Intelligence: A Systematic Mapping Study
TU Wien（维也纳工业大学）；Open Universiteit（开放大学）；Ghent University（根特大学）
在概念建模（CM）中，人类应用抽象来表示现实的摘录，以便理解和交流，并由机器处理。人工智能（AI）应用于大量数据，以自动识别模式或对实体进行分类。虽然CM产生可理解和明确的知识表示，但AI算法的结果往往缺乏这些品质，同时能够从大型和非结构化表示中提取知识。最近，出现了CM和AI交织的趋势。这种系统的映射研究显示了这个跨学科的研究领域是如何结构化的，相互受益的交织，以及未来的研究方向。
2023-03-12 cs.AI cs.SE
Uncertainty-Aware Concept Bottleneck Models with Enhanced Interpretability
Université Jean Monnet Saint-Etienne（Jean Monnet 圣艾蒂安大学）；Institut d’Optique Graduate School（光学研究生学院）；Laboratoire Hubert Curien UMR-CNRS 5516（Hubert Curien 实验室 CNRS 5516）；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）
针对概念瓶颈模型（CBMs）预测性能不足且不确定性传播研究欠缺的问题，提出一种新型不确定性感知可解释分类器，通过类别级概念原型同时实现分类、不确定性度量与可解释规则，结合共形预测提升模型可解释性与鲁棒性。
2025-10-01 cs.AI cs.CV
An interdisciplinary conceptual study of Artificial Intelligence (AI) for helping benefit-risk assessment practices: Towards a comprehensive qualification matrix of AI programs and devices (pre-print 2020)
Inserm（法国国家健康与医学研究院）；Université Paul Sabatier Toulouse 3（图卢兹第三大学）；GIS Genotoul（Genotoul科学研究集团）；Université Fédérale de Toulouse（图卢兹联邦大学）；Groupement d’Intérêt Public e.santé Occitanie（奥克西塔尼电子健康公共利益集团）；IRIT-CNRS（图卢兹信息研究所-法国国家科学研究中心）
本文提出了对来自不同学科的现有概念的全面分析，这些学科涉及智能的概念，即心理学和工程学，以及旨在规范人工智能创新的学科，即人工智能伦理学和法律。其目的是确定共同的概念或差异，以考虑合格的人工智能系统。相关概念被整合到一个矩阵中，旨在帮助更精确地定义计算工具（程序或设备）何时以及如何被认定为人工智能，同时突出关键特征，以服务于对人工智能开发挑战的特定技术，道德和法律评估。一些适应现有的概念的AI特征的建议。该矩阵是一个基于风险的概念模型，旨在从效益-风险评估实践、技术监测和监管合规的角度对人工智能技术进行经验性、灵活性和可扩展性的鉴定：它为从事负责任研究和创新的人工智能开发利益相关者提供了一个结构化的反思工具。预印本（2020年5月完成）
2021-05-07 cs.AI
Exploration of Artificial Intelligence-oriented Power System Dynamic Simulators
Tsinghua University（清华大学）；Wuxi Power Supply Company of State Grid（国家电网无锡供电公司）
随着人工智能的迅速发展，可以预见，动态仿真器与人工智能的结合将大大提高未来电力系统动态分析的准确性和效率。为探索电力系统动态仿真与人工智能的交互机制，提出了一种面向人工智能的电力系统动态仿真器的总体设计方案，该方案由具有神经网络支持的高性能仿真器和灵活的外部和内部应用编程接口（API）组成。在API的支持下，仿真辅助AI和AI辅助仿真形成了电力系统动态仿真与AI的全面交互机制。这种设计的原型实现，并公开的基础上，一个高效的机电模拟器。在样本生成、基于人工智能的稳定预测、数据驱动的动态元件建模和人工智能辅助的稳定控制等4种场景下对原型系统进行了测试，验证了面向人工智能的电力系统动态仿真器设计和实现的有效性、灵活性和高效性。
2022-07-06 cs.AI cs.SY eess.SY
Interactive Medical Image Analysis with Concept-based Similarity Reasoning
Australian Institute for Machine Learning, The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Flinders University（弗林德斯大学）
本文提出基于概念的相似性推理网络CSR，通过图像块级原型实现概念定位解释和空间级交互，在三个生物医学数据集上比现有可解释方法提升最高4.5%。
2025-03-11 cs.AI cs.CV cs.LG
Concept-based Explainable Artificial Intelligence: A Survey
Politecnico di Torino（都灵理工大学）
本文针对可解释人工智能领域缺乏统一分类和精确定义的问题，对基于概念的可解释人工智能（C-XAI）方法进行全面综述，定义概念与解释类型、提出九类分类法及选择指南，助力该领域发展。
2023-12-20 cs.AI cs.HC
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
Design of a Quality Management System based on the EU Artificial Intelligence Act
Technical University of Munich（慕尼黑工业大学）
本文针对欧盟人工智能法案的实施需求，提出了一种基于微服务SaaS架构的质量管理系统设计概念与原型，支持AI系统验证、记录及子服务协调，并通过多维度评估验证了其有效性。
2024-11-12 cs.AI cs.CY cs.SE
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
Generating Mixcode Popular Songs with Artificial Intelligence: Concepts, Plans, and Speculations
本文提出一个结合人工智能与流行音乐的项目，旨在创造工具以促进社会变革、教育、医疗和情感福祉，目前处于概念与推测阶段。
2024-11-10 cs.AI cs.IR
Comprehensible Artificial Intelligence on Knowledge Graphs: A survey
University of Bamberg（班贝格大学）；BMW Group（宝马集团）
本文综述知识图谱上的可理解人工智能，提出用上位概念“可理解人工智能”区分可解释人工智能与可解释机器学习，并构建新分类体系、梳理研究现状与未来方向。
2024-04-04 cs.AI
Measuring an Artificial Intelligence System's Performance on a Verbal IQ Test For Young Children
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；MTA-SZTE Research Group on Artificial Intelligence（匈牙利科学院-塞格德大学人工智能研究组）
我们将韦克斯勒学前和小学智力量表（WPPSI-III）的言语智商（VIQ）部分应用于ConceptNet 4 AI系统。测试问题（例如，“为什么要握手？“）被翻译成ConceptNet 4输入，使用ConceptNet附带的简单自然语言处理工具和我们编写的简短Python程序的组合。问答使用了基于光谱方法的ConceptNet版本。ConceptNet系统的WPPSI-III VIQ得分为4岁儿童的平均水平，但低于5至7岁儿童的平均水平。子测试之间的较大差异表明了潜在的改进领域。特别是，结果是最强的词汇和相似性子测试，中间的信息子测试，最低的理解和单词推理子测试。理解力是与常识联系最紧密的分项测试。子测试和普通常识之间的巨大差异强烈表明，WPPSI-III VIQ结果并没有显示“概念网络具有四岁儿童的语言能力。相反，儿童智商测试为评估和比较人工智能系统提供了一个客观的指标。此外，这项工作延续了以前对心理测量AI的研究。
2015-09-11 cs.AI
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
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
The Role of Rigor in Artificial Intelligence
Google DeepMind（谷歌DeepMind）
从严谨性角度系统分析人工智能，介绍概念、认知、操作严谨性的框架，用其剖析相关问题，指出人工智能独特发展轨迹源于严谨性交互，有助于解释其发展与不确定性及面临的挑战。
2026-07-07 cs.AI
A Conceptual Bio-Inspired Framework for the Evolution of Artificial General Intelligence
Oslo Metropolitan University（奥斯陆城市大学）；Norwegian University of Science and Technology（挪威科技大学）；Simula Metropolitan（西穆拉城市研究院）
在这项工作中，提出了一个概念性的生物启发的并行和分布式学习框架，用于一般智能的出现，其中代理人通过环境奖励进化，并在没有监督的情况下终生学习，即，通过具体化进行自我学习。所选择的代理控制机制是基于脉冲神经网络的生物学上合理的神经元模型。网络拓扑通过演进变得更加复杂，即，拓扑不是固定的，而网络的突触权重不能被继承，即，新生儿的大脑没有经过训练，对环境没有天生的知识。受进化过程影响的是网络拓扑结构、神经元类型和学习类型。这个过程确保了经过几代的控制器在其生命周期内具有在可变环境中学习和适应的内在能力。我们设想，所描述的方法可能会导致最简单形式的人工通用智能的出现。
2020-09-22 cs.AI cs.NE
The Computational Theory of Intelligence: Data Aggregation
在本文中，我们将阐述在[1]中提出的概念，在那里我们提出了一个信息论的方法来计算意义上的智能。我们将检查数据和模因聚合，并研究有限的资源对模因振幅的影响。
2014-12-24 cs.AI
The SP Theory of Intelligence as a Foundation for the Development of a General, Human-Level Thinking Machine
本文总结了“SP智能理论”及其在“SP计算机模型”中的实现如何简化和整合人工智能及相关领域的概念，从而为开发一种通用的、人类水平的思维机器提供了一个有前途的基础，这与人工通用智能研究的主要目标是一致的。这种简化和整合的关键是从生物信息学中借用和改编的强大的“多重比对”概念。这一概念有可能成为智能的“双螺旋”，对人类智能的意义不亚于DNA对生物科学的意义。SP系统的优点包括：在表示不同种类的知识方面的通用性;在智能方面的通用性（包括：无监督学习的优势;自然语言的处理;在面对数据错误时具有鲁棒性的多级抽象的模式识别;几种推理（包括：一步“演绎”推理;推理链;溯因推理;用概率网络和树进行推理;用“规则”进行推理;非单调推理和用默认值进行推理;用“解释”进行贝叶斯推理;等等）;规划;解决问题;等等）;各种知识和智能的各种方面以任何组合方式的无缝集成;以及在若干领域中的应用潜力（包括：帮助解决大数据带来的九个问题;帮助自主机器人开发人类水平的智能;作为一个具有智能和多功能性的数据库，用于表示和整合多种形式的知识;作为医学知识的载体和医疗诊断的辅助工具;还有几个）。
2016-12-22 cs.AI
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
Towards Trustworthy and Explainable AI for Perception Models: From Concept to Prototype Vehicle Deployment
Institute for Automotive Engineering, RWTH Aachen University（汽车工程研究所，亚琛工业大学）
本文提出一个结合鲁棒性、可解释性和不确定性校准的Transformer感知模块，并部署于原型车辆，通过实时可视化验证可信AI的可行性。
2026-05-22 cs.AI cs.RO
The Interplay of Learning, Analytics, and Artificial Intelligence in Education: A Vision for Hybrid Intelligence
University College London（伦敦大学学院）
本文反思AIED中把AI仅视为工具的倾向，提出认知外化、模型内化与人机紧密耦合三种AI概念化，倡导面向混合智能重塑教育。
2024-07-08 cs.AI cs.CY
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
Artificial Intelligence and Statistics
University of California at Berkeley（加州大学伯克利分校）
人工智能（AI）本质上是数据驱动的。它要求在数据生成、算法开发和结果评估过程中通过人机协作应用统计概念。本文讨论了如何通过人口，感兴趣的问题，训练数据的代表性和结果的审查（PQRS）的统计概念，这样的人机协作可以接近。PQRS工作流程提供了一个概念框架，用于将统计思想与人类输入整合到AI产品和研究中。这些思想包括随机化和局部控制的试验设计原则以及稳定性原则，以获得算法和数据结果的可重复性和可解释性。我们讨论了这些原则在自动驾驶汽车、自动医疗诊断以及作者合作研究中的例子中的应用。
2017-12-08 cs.AI stat.ML
Neuro-Conceptual Artificial Intelligence: Integrating OPM with Deep Learning to Enhance Question Answering Quality
Tokushima University（德岛大学）；Technion – Israel Institute of Technology（以色列理工学院）
本文提出 NCAI 框架，利用 OPM 概念建模与上下文内学习增强深度学习问答系统，并通过透明度指标验证其在推理透明性和答案准确性上的优势。
2025-02-12 cs.AI cs.CL
A Review of Findings from Neuroscience and Cognitive Psychology as Possible Inspiration for the Path to Artificial General Intelligence
本文通过垂直综述神经科学与认知心理学中从神经元到认知架构的多层机制，探讨其为弥补深度学习抽象推理与因果理解缺陷、推进人工通用智能提供的启发。
2024-01-03 cs.AI
Artificial Intelligence and Medicine: A literature review
City University of Hong Kong（香港城市大学）；College of Engineering, City University of Hong Kong（香港城市大学工程学院）
在当今几乎所有行业中，人工智能都是机器帮助人类的最有效方式之一。自成立以来，全球大量研究人员一直在开拓人工智能在医学中的应用。虽然人工智能似乎是21世纪的概念，但艾伦·图灵在20世纪40年代开创了第一个基础概念。人工智能在医学中有着各种各样的应用，研究人员正在不断探索。计算机和人力资源的巨大增长加速了21世纪的进步，并将在未来许多年继续如此。这篇文献综述将突出人工智能在医学中的新兴领域及其目前的发展水平。
2022-05-05 cs.AI q-bio.QM
Navigating Conceptual Space; A new take on Artificial General Intelligence
UiT - The Arctic University of Norway（特罗姆瑟大学-挪威北极圈大学）
Edward C.托尔曼发现，强化学习在解释智力方面并不令人满意，并提出了学习和行为之间的明确区别。托尔曼关于潜在学习和认知地图的想法最终导致了现在所知的概念空间，概念和想法可以形成点或形状的几何表示。想法之间的主动导航-推理-可以直接表达为概念空间中的目的导航。从现代神经科学中吸收概念空间理论，我们提出自主导航作为一种有效的方法，模拟认知。然而，在高维欧氏空间中实现自主导航在技术上并不简单。在这项工作中，我们探讨了neoRL导航是否适合这项任务;采用Kaelbling对高效机器人导航的关注，我们测试了neoRL方法是否在导航方式中通用，在经验考虑中组合，以及在多个欧几里德维度学习时是否有效。我们发现neoRL学习比AI中的RL更符合生物学习，并提出概念空间的neoRL导航作为模拟认知的一条可行的新途径。
2022-02-19 cs.AI cs.RO cs.SY
Atomic Units of X: The Compression Layer of Intelligence
SeKondBrain AI Labs（第二大脑人工智能实验室）
该论文提出将智能视为原子压缩与组合复用过程的理论框架，借助多学科证据阐述原子单位概念，给出压缩演算等核心方法，为设计自进化知识系统奠基，为智能相关多方面提供统一视角。
2026-08-31 cs.AI
Concepts, Properties and an Approach for Compositional Generalization
组合概括是从已知成分中识别和想象大量新颖组合的能力。它是人类智能的关键，但目前的神经网络普遍缺乏这种能力。这份报告连接了我们的一系列工作的合成概括，并总结了一种方法。第一部分包含概念和属性。第二部分研究了机器学习方法。该方法使用架构设计和正则化来调节表示的信息。这份报告侧重于基本思想与直观和说明性的解释。我们希望这项工作将有助于澄清基本的合成泛化，并导致先进的人工智能。
2021-02-08 cs.AI
Computing as compression: the SP theory of intelligence
本文概述了SP智能理论及其核心思想，即人工智能、主流计算以及人类的许多感知和认知都可以理解为信息压缩。描述了SP理论的背景和起源，以及该理论的主要元素，包括从生物信息学中借用但具有重要差异的多重比对的关键概念。与SP理论相关联的是这样一种思想，即信息中的冗余可以被理解为模式的重复，信息的压缩可以通过模式的匹配和统一（合并）来实现，并且计算和信息压缩基本上都是概率性的。看来SP系统是图灵等价的，在这个意义上，任何可以用图灵机计算的东西，原则上也可以用SP机计算。SP理论和多重对齐概念的主要优势之一是在人工智能中对概念和现象进行建模。在该领域内，SP理论提供了一种简单但通用的表示不同种类知识的方法，它可以对自然语言的解析和产生进行建模，具有理解和翻译自然语言的潜力，它在模式识别方面具有优势，在计算机视觉方面具有潜力，它可以对几种推理进行建模，并且它具有规划，解决问题，和无监督学习。本文包括两个例子，展示了如何替代解析的一个歧义句可能被建模为多重对齐，以及另一个例子，展示了如何多重对齐的概念可以应用于医疗诊断。
2013-03-08 cs.AI
Science Consultant Agent
Department of Computer Science, Duke University（杜克大学计算机科学系）；Amazon（亚马逊）
科学顾问代理是一种基于网络的AI工具，通过四个核心组件帮助用户选择并实施最有效的建模策略，加速AI解决方案的开发过程。
2025-12-18 cs.AI cs.CL cs.IR
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
What Do We Want From Explainable Artificial Intelligence (XAI)? -- A Stakeholder Perspective on XAI and a Conceptual Model Guiding Interdisciplinary XAI Research
Saarland University（萨尔大学）；Technical University Dortmund（多特蒙德工业大学）；Institute of Intelligent Software（智能软件研究所）
可解释性人工智能（XAI）的先前研究表明，可解释性方法的主要目的是在各种背景下满足关于人工系统的特定兴趣、目标、期望、需求和要求（我们称这些利益相关者的需求）。然而，关于XAI的文献是巨大的，分布在多个基本上不相关的学科中，并且通常仍然不清楚可解释性方法应该如何实现满足利益相关者需求的目标。本文讨论了利益相关者的人工系统的可解释性要求的主要类别，并审查其desiderata。我们提供了一个模型，明确阐述了主要的概念和关系，需要考虑和调查时，评估，调整，选择和发展的可解释性的方法，旨在满足利益相关者的desiderata。该模型可以为来自XAI所涉及的各种不同学科的研究人员提供服务，作为共同点。它强调在评价和可解释性方法的发展中存在跨学科潜力的地方。
2021-02-15 cs.AI cs.HC
Predictive Prototyping: Evaluating Design Concepts with ChatGPT
Singapore University of Technology & Design（新加坡科技设计大学）
本文通过GPT-RAG方法评估设计概念，证明其在预测成本、性能和可用性方面优于人类估计，并展示了由该方法指导的原型在性能上的优势。
2026-01-21 cs.AI cs.HC
