Artifical intelligence and inherent mathematical difficulty
University of Warwick(华威大学);Université Paris 1 Panthéon-Sorbonne(巴黎第一大学先贤祠-索邦大学)
本文通过更新可计算性与复杂性理论的限制性论证,并结合自动定理证明、SAT求解器和大语言模型等AI方法,论证数学证明发现本质上困难,AI技术只是蛮力搜索,只能处理低逻辑复杂度命题。
2024-08-01 cs.AI cs.CC math.HO
Reliable AI: Does the Next Generation Require Quantum Computing?
Ludwig-Maximilians-Universität München(慕尼黑大学);Technical University of Munich(慕尼黑工业大学);Munich Center for Quantum Science and Technology(慕尼黑量子科学与技术中心);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文综述了下一代人工智能是否需要量子计算的问题,指出数字硬件的图灵机离散模型在优化、深度学习和微分方程上存在固有限制,而量子电路和量子图灵机模型仍受部分限制,但 Blum-Shub-Smale 等模拟计算模型有望突破这些限制。
2023-07-06 cs.AI quant-ph
Quantitative Analysis of Whether Machine Intelligence Can Surpass Human Intelligence
Beijing Jiaotong University(北京交通大学);Chinese Academy of Sciences(中国科学院)
机器智能能否超越人类智能是一个有争议的问题。本文在传统智商的基础上,提出了一种既适用于机器智能又适用于人类智能的通用智商测试方法。该方法将机器智能和人类智能划分为4大类15小类。全球共有50个搜索引擎及150名不同年龄的人士接受有关测试。然后,得出了2014年测试对象的通用智商排行榜。
2015-04-11 cs.AI
Artificial Intelligence in Humans
在这篇论文中,我提出,在许多情况下,思维机制相当于编程到人类头脑中的人工智能模块。
2013-10-30 cs.AI
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
Understanding Human Intelligence through Human Limitations
Princeton University(普林斯顿大学)
人工智能的最新进展提供了一个机会,让我们有机会提出这样一个问题:人类智能的独特之处是什么?我认为,我们可以通过考虑人类思维必须解决的计算问题的特征来理解人类智能,以及它与人工智能的不同之处。我认为,这些问题的结构来自于适用于人类的三个基本限制:有限的时间、有限的计算和有限的交流。从这些局限性中,我们可以得到许多与人类智能相关的特性,例如快速学习、将问题分解成各个部分的能力,以及累积文化进化的能力。
2020-09-29 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
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
Artificial intelligence and the limits of the humanities
Nicolaus Copernicus University(尼古拉·哥白尼大学)
本文探讨了人文学科在数字时代面临的认知局限与转型压力,指出借助人工智能和跨学科研究可推动人文学科复兴并拓展其发展边界。
2023-10-30 cs.AI
Bridging the Gap between Artificial Intelligence and Artificial General Intelligence: A Ten Commandment Framework for Human-Like Intelligence
University of Colorado, Denver(科罗拉多大学丹佛分校);Dell Technologies Inc(戴尔科技公司)
人工智能领域出现了爆炸性增长和指数级成功。开发的最后阶段展示了深度学习解决多个领域中各种难题的能力。这些网络中有许多达到并超过了人类的基准,成为他们所训练领域的专家。尽管人工智能的成功已经开始掩盖它的失败,但当前的人工智能工具仍有很大的差距,无法成为人类那样的特殊的一般学习者。在本文中,我们确定了人类智能系统和分层构建的十诫。我们相信这些戒律共同发挥作用,成为导致高阶认知和智能出现的基本成分。本文讨论了一个计算框架,可以容纳这十条戒律,并提出了新的架构修改,可能会导致开发更智能,更可解释,和概括的人工系统的启发神经形态的方法。
2022-10-17 cs.AI cs.NE q-bio.NC
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
An Approach to Joint Hybrid Decision Making between Humans and Artificial Intelligence
Human-Machine Systems, Fraunhofer FKIE(人机系统,弗劳恩霍夫 FKIE);Humanoid Robots Lab, University of Bonn(人形机器人实验室,波恩大学)
本文提出了一种联合混合智能框架,旨在整合人类与人工智能的异质能力,通过联合代理工程和设计模式实现决策代理的协同优化。
2025-11-29 cs.AI cs.HC 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
Human-Centered Artificial Intelligence: Reliable, Safe & Trustworthy
University of Maryland(马里兰大学)
设计良好的技术,提供高水平的人类控制和高水平的计算机自动化,可以提高人类的表现,导致更广泛的采用。以人为中心的人工智能(HCAI)框架阐明了如何(1)设计高水平的人类控制和高水平的计算机自动化,以提高人类的表现,(2)了解完全人类控制或完全计算机控制是必要的情况,以及(3)避免过度人类控制或过度计算机控制的危险。HCAI的方法更有可能产生可靠、安全和值得信赖的设计。实现这些目标将大大提高人类的表现,同时支持人类的自我效能,掌握,创造力和责任感。
2020-02-23 cs.AI cs.HC
Evaluating and Modeling Social Intelligence: A Comparative Study of Human and AI Capabilities
BIGAI(北京智源人工智能研究院);Peking University(北京大学)
该研究构建社会智能评估基准与递归贝叶斯模型,通过IR和IIP任务比较人类与GPT,发现人类具备二阶以上社会智能而GPT仅达零阶。
2024-05-20 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
Human $\neq$ AGI
University of Louisville(路易斯维尔大学)
术语人工通用智能(AGI)和人类水平的人工智能(HLAI)已经互换使用,指的是人工智能(AI)研究的圣杯,创造一个能够在广泛的环境中实现目标的机器。然而,普遍隐含的假设AGI和HLAI的能力之间的等效性似乎是不合理的,因为人类不是一般的智能。在本文中,我们将证明这一区别。
2020-07-11 cs.AI cs.CY
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
Robust Artificial Intelligence and Robust Human Organizations
Oregon State University(俄勒冈州立大学)
每个AI系统都是由人类组织部署的。在高风险应用中,人类和人工智能相结合的系统必须作为一个高可靠性的组织来运作,以避免灾难性的错误。这篇短文回顾了高可靠性组织的特性,并对人工智能技术的发展和该技术的安全应用提出了建议。
2018-11-27 cs.AI cs.CY
Learning Human Rewards by Inferring Their Latent Intelligence Levels in Multi-Agent Games: A Theory-of-Mind Approach with Application to Driving Data
University of California, Berkeley(加利福尼亚大学伯克利分校)
奖励函数作为一种识别人的能动性并使人的行为合理化的激励表示方法,在人机交互中对人的行为建模具有重要意义。逆强化学习是从演示中获取奖励函数的有效方法。然而,将其应用于多智能体环境时一直具有挑战性,因为智能体之间的相互影响必须进行适当的建模。为了应对这一挑战,以前的工作要么利用均衡解决方案的概念,假设人类是完全理性的优化与无限的智慧或预先分配人类的互动策略先验。在这项工作中,我们主张,人类是有限理性的,并有不同的智力水平时,推理别人的决策过程中,这样一个内在的和潜在的特点,应占奖励学习算法。因此,我们利用这样的见解,从理论的心灵,并提出了一个新的多智能体逆强化学习框架,原因人类的潜在智力水平在学习过程中。我们验证了我们的方法在零和和一般和游戏与合成代理,并说明了一个实际的应用程序来学习人类司机的奖励功能,从真实的驾驶数据。我们比较我们的方法与两个基线算法。实验结果表明,通过对人类潜在智力水平的推理,该方法具有更大的灵活性,能够更好地提取出解释人类驾驶行为的奖励函数。
2021-03-07 cs.AI cs.RO
Grounding Artificial Intelligence in the Origins of Human Behavior
Inria(法国国家信息与自动化研究所);Ensta ParisTech(巴黎高等先进技术学院)
人工智能(AI)的最新进展重新唤起了对能够获得开放式技能库的智能体的追求。然而,尽管这种能力从根本上与人类智力的特征有关,但该领域的研究很少考虑在物种进化过程中可能指导复杂认知能力出现的过程。人类行为生态学(HBE)的研究旨在了解人类本性的行为如何被视为对我们生态位结构的重大变化的适应性反应。在本文中,我们提出了一个框架,强调环境复杂性在开放式技能获取中的作用,基于HBE的主要假设和强化学习(RL)的最新贡献。我们使用这个框架来突出这两个学科之间的基本联系,并确定引导生态复杂性的反馈回路,为人工智能研究人员创造有前途的研究方向。
2020-12-17 cs.AI
The Nature of Intelligence
Heidelberg University(海德堡大学)
本文提出智能本质是通过建立数据集间功能关系以最小化系统熵的数学功能过程,人类和AI均通过消耗能量的强化方式实施这些熵减过程来实现智能。
2024-02-19 cs.AI q-bio.NC
Advancing Explainable AI Toward Human-Like Intelligence: Forging the Path to Artificial Brain
Lancaster University(兰卡斯特大学)
本文探讨了可解释AI(XAI)方法的演进及其在医疗、金融等领域的应用与挑战,并进一步研究了XAI与认知科学融合的潜力及情感智能AI的发展,展望了AI迈向类人智能与通用人工智能(AGI)的多学科探索之路。
2024-02-07 cs.AI
Human-Level Intelligence or Animal-Like Abilities?
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
鹰和蛇的视觉系统比我们在实验室里能制造的任何东西都要好,但是蛇和鹰不能制造望远镜或显微镜。(朱迪亚·珀尔)
2017-07-13 cs.AI cs.CY cs.LG
Artificial General Intelligence, Existential Risk, and Human Risk Perception
Defence Research and Development Canada(加拿大国防研究与发展局);York University(约克大学)
本文利用公开预测和舆论数据,比较专家与非专家对AGI风险的感知,发现其被视为高于其他生存威胁且增长更快,但共识基础尚不明确。
2023-11-15 cs.AI cs.CY
Human/AI Collective Intelligence for Deliberative Democracy: A Human-Centred Design Approach
Knowledge Media Institute, The Open University(知识媒体研究所,开放大学);Connected Intelligence Centre, University of Technology Sydney(连接智能中心,技术悉尼大学)
本文提出利用人工智能增强审议民主的集体智能概念,探讨以人类为中心的设计方法,通过协作设计方法识别挑战、细化用户场景并推导技术影响,展示AI支持下公民组织需求的实现案例。
2026-03-17 cs.AI cs.CY cs.HC
Measuring Intelligence Beyond Human Scale
Princeton(普林斯顿大学)
研究如何测量超越人类能力的智能,提出基于相对测量的新范式,模型生成公开挑战,汇总结果得对抗性心理测量评级系统,还描述实用协议,在不同领域实例化框架,实现对超越人类前沿系统的测量。
2026-10-06 cs.AI
Human-Centric Artificial Intelligence Architecture for Industry 5.0 Applications
Qlector d.o.o.(Qlector有限公司);Ubitech Ltd(Ubitech有限公司);University of West Attica(西阿提卡大学);R2M Solution Srl(R2M解决方案股份公司);University of Cagliari(卡利亚里大学);University of Piraeus(比雷埃夫斯大学);National Technical University of Athens(雅典国立技术大学);INTRASOFT International(INTRASOFT国际公司);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI))
以人为本是制造业向工业5.0演进背后的核心价值。然而,缺乏将安全性、可信赖性和以人为中心作为其核心的架构。因此,我们提出了一个架构,集成人工智能(主动学习,预测,可解释的人工智能),模拟现实,决策和用户的反馈,专注于人类和机器之间的协同作用。此外,我们将建议的架构与大数据价值关联参考架构模型保持一致。最后,我们验证了三个用例从现实世界的案例研究。
2022-10-19 cs.AI
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
AI-enhanced Collective Intelligence
University College Dublin(都柏林大学学院);Geary Institute for Public Policy(格里公共政策研究所);Trinity College Dublin(都柏林圣三一学院)
本研究针对社会挑战超出人类单独或集体能力的问题,结合复杂网络科学构建人机集体智能的多层表示(认知、物理、信息层),分析智能体多样性与交互对系统集体智能的影响,为该领域提供综述与概念框架。
2024-09-26 cs.AI cs.CY
Building and Testing a General Intelligence Embodied in a Humanoid Robot
Sanctuary Cognitive Systems Corporation(Sanctuary认知系统公司)
本文提出构建与测试人形机器人通用智能的方法,包含物理机器人、软件控制系统、类人智能性能指标 g+ 及提升该指标的进化算法,并报告了 g+ 的测量数据。
2023-07-26 cs.AI cs.RO
The future of human-AI collaboration: a taxonomy of design knowledge for hybrid intelligence systems
vencortex;Kassel University(卡塞尔大学);University of St. Gallen(圣加仑大学)
最近的技术进步,特别是在机器学习领域,在通往人工通用智能的道路上取得了惊人的进步。然而,当前现实世界中的业务应用程序中的任务还不能单独由机器来解决。因此,我们确定需要开发人类和机器的社会技术合奏。这种系统具有通过将人类和人工智能相结合来实现复杂目标的能力,以共同实现卓越的结果,并通过相互学习不断改进。因此,这些系统需要结构化设计知识。按照分类发展方法,本文提供了三个主要贡献:首先,我们提出了一个结构化的概述跨学科研究的作用,人类在机器学习管道。第二,我们设想混合智能系统和概念化的系统设计的第一次相关的尺寸。最后,我们提供了有用的指导系统开发人员在实施这些应用程序。
2021-05-07 cs.AI cs.HC
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
Integrating Artificial and Human Intelligence for Efficient Translation
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心);Saarland Informatics Campus(萨尔兰信息学园区)
当前机器翻译的进步增加了译员从传统翻译转向机器翻译文本的后期编辑的需求,这一过程节省了时间并提高了质量。人类和人工智能需要以一种有效的方式进行整合,以利用两者的优势来完成翻译任务。本文概述了AI和HCI边界的方法,并讨论了进一步推进该领域的开放性研究问题。
2019-03-07 cs.AI cs.CL cs.HC
Complementary artificial intelligence designed to augment human discovery
University of Chicago(芝加哥大学);Santa Fe Institute(圣塔菲研究所)
无论是设计来玩图灵模仿游戏的人工智能,还是为了最大限度地提高人类对信息的操纵而构建的增强智能,都无法加速创新,并改善人类在应对最大挑战时的集体进步。我们重新概念化和引导有益的人工智能,通过补充而不是与人类认知能力竞争,从根本上增强人类的理解。我们的互补智能方法建立在群体智慧的基础上,这取决于群体成员信息和方法的独立性和多样性。通过有计划地整合来自研究论文的科学专业知识不断发展的分布信息,我们的方法遵循文献中的内容分布,同时避免科学人群和认知上可用的假设。我们使用这种方法来生成有价值的预测,即哪些材料具有有价值的能量相关属性(例如,热电性),以及哪些化合物具有有价值的医学性质(例如,哮喘),补充人类科学的人群。我们证明,我们的互补预测,如果被人类科学家和发明家识别,只有在未来几年才被发现。当我们用第一性原理方程评估我们的预测的承诺时,我们证明了我们的预测的互补性增加并不会减少,并且在某些情况下会增加预测具有目标属性的概率。总之,通过调整人工智能以避开人群,我们可以产生在遥远的未来之前不太可能想象或追求的假设,并有望推动科学进步。通过识别和纠正人类的集体偏见,这些模型还提出了通过重新制定科学发现教育来改善人类预测的机会。
2022-07-02 cs.AI
A Study on Artificial Intelligence IQ and Standard Intelligent Model
Beijing Jiaotong University(北京交通大学);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)
当前,人工智能(AI)对人类的潜在威胁在社会上引发了很大的争议,其背后的问题实质是能否对人工智能(AI)系统进行定量评估。分析和评价了人工智能发展水平面临的挑战,提出人类智能测验和人工智能系统的评价方法不统一,其关键原因在于没有一种模型能够统一描述人工智能系统和类人生物。针对这一问题,本研究建立了一个标准的智能系统模型来统一描述人工智能系统和类人生物。在此基础上进行了抽象的数学描述,建立了标准的智能机数学模型,对冯·诺依曼体系结构进行了扩展,提出了刘峰-施永体系结构,给出了人工智能智商的定义,建立了人工智能的量表和评价方法,并对该模型进行了验证。对全球50个搜索引擎和3个不同年龄的人类受试者进行测试,最终得出人工智能IQ 2014的绝对智商和偏差智商排名。
2015-12-03 cs.AI
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
Interaction-Centered Intelligence: Toward an Interaction-Based Theory of Human-AI Co-Creation
Georgia Institute of Technology(佐治亚理工学院);Co-Creative AI Consulting(协同人工智能咨询)
本文提出以交互作为主要分析单元,通过分布式认知、具身认知等理论,论证智能涌现于交互动态而非孤立计算,并引入交互中心智能框架。
2026-06-12 cs.AI cs.HC
Continuum-Interaction-Driven Intelligence: Human-Aligned Neural Architecture via Crystallized Reasoning and Fluid Generation
Tsinghua University(清华大学)
针对当前AI系统的幻觉、不可预测性等问题,本研究受人类认知二元性启发,提出整合概率生成与白盒过程性推理的双通道架构,解决对齐性与可信性问题,为可信AI部署与下一代人机协作提供新范式与理论基础。
2025-04-12 cs.AI
Enhancing Human Capabilities through Symbiotic Artificial Intelligence with Shared Sensory Experiences
Beijing University of Posts and Telecommunications(北京邮电大学);Broad Institute of MIT and Harvard(布罗德研究所(麻省理工学院与哈佛大学共建));Beijing Institute of Technology(北京理工大学)
本文提出共享感官体验的共生人工智能(SAISSE)概念,通过多感官输入和记忆存储建立人机互利关系,并探讨隐私、伦理、偏见及缓解策略。
2023-05-26 cs.AI cs.HC
A Survey of Hybrid Human-Artificial Intelligence for Social Computing
University of Science and Technology Beijing(北京科技大学);Beijing Engineering Research Center for Cyberspace Data Analysis and Applications(北京网络空间数据分析与应用工程研究中心);China University of Petroleum(中国石油大学);Ulster University(阿尔斯特大学)
随着现代计算技术和社会科学的发展,社会计算的理论研究和实际应用不断扩展。特别是随着人工智能(AI)的蓬勃发展,社会计算受到AI的显著影响。然而,传统的人工智能技术在处理更复杂和动态的问题时存在缺陷。这种缺陷可以通过混合人类-人工智能(H-AI)来弥补,它将人类智能和人工智能集成为一个统一体,形成新的增强智能。H-AI在处理社会问题上展现出人工智能无法超越的优势。本文首先介绍了H-AI的概念。人工智能是H-AI过渡阶段的智能,因此综述了人工智能在社会计算中的最新研究进展。其次,总结了人工智能在社会计算中面临的典型挑战,并为引入H-AI解决这些挑战提供了可能。最后,本文提出了一个结合H-AI的社会计算整体框架,该框架包括四个层次:对象层、基础层、分析层和应用层。这表明H-AI在解决社会问题方面比AI具有显著的优势。
2021-03-17 cs.AI
Toward Carbon-Neutral Human AI: Rethinking Data, Computation, and Learning Paradigms for Sustainable Intelligence
本文提出人类人工智能(HAI)框架,通过增量学习、碳感知优化和人在回路协作,平衡性能与生态责任,实现可持续智能。
2025-10-27 cs.AI cs.LG
On Benchmarking Human-Like Intelligence in Machines
Harvard University(哈佛大学);Massachusetts Institute of Technology(麻省理工学院);University of Cambridge(剑桥大学);New York University(纽约大学);Princeton University(普林斯顿大学);Johns Hopkins University(约翰斯·霍普金斯大学);Stanford University(斯坦福大学)
本文针对现有AI评估范式在评估模型类人认知能力上的不足,通过9个基准的人类评估研究指出其任务与标签设计缺陷,并提出5项改进建议。
2026-08-13 cs.AI
Human-in-the-loop Artificial Intelligence
University of Rome Tor Vergata(罗马第二大学)
一点一点地,报纸正在揭示人工智能(AI)正在建设的光明未来。智能机器将帮助任何地方。然而,这一光明的未来也有黑暗的一面:在其不可预测的转变之前,就业市场将出现戏剧性的萎缩。因此,在不久的将来,大量的求职者将需要财政支持,同时赶上这些新的不可预测的工作。这场可能的就业市场危机有一个解毒剂。事实上,人工智能的崛起是由近年来最大的知识盗窃所支撑的。学习型人工智能机器通过分析他们的互动,从不知情的熟练或非熟练工人那里提取知识。通过热情地做他们的工作,这些工人正在挖自己的坟墓。在本文中,我们提出人在回路人工智能(HIT-AI)作为一个更公平的范例人工智能系统。HIT-AI将以不同的方案奖励有意识和无意识的知识生产者:人工智能系统产生收入的决策将偿还用于做出这些决策的知识的合法所有者。作为现代的罗宾汉,HIT-AI研究人员应该为一个更公平的人工智能而战,把它偷来的东西还给他们。
2017-10-23 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
Artificial Human Intelligence: The role of Humans in the Development of Next Generation AI
Department of Computer Engineering, Boğaziçi University(计算机工程系,博兹达奇大学);Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology (MIT)(脑与认知科学系,麻省理工学院(MIT))
本文探讨了人类在下一代AI发展中的关键作用,分析了人类与人工智能的互动,提出以人类为中心的发展方向,并强调伦理、责任和稳健智能系统的重要性。
2025-12-05 cs.AI q-bio.NC
Where's the Structure? A Systematic Literature Review of Empirical Research on Human-AI Collaboration and Hybrid Intelligence for Learning
GSIC-EMIC research group, Universidad de Valladolid (Spain)(瓦伦西亚大学GSIC-EMIC研究组);GICAP research group, Department of Digitization, Universidad de Burgos (Spain)(布尔戈斯大学数字技术系GICAP研究组)
本文通过系统文献综述(N=62)分析了人机协作与混合智能在学习支持中的协作过程、结构及应用背景,提取了设计知识和研究空白。
2026-05-30 cs.AI cs.CY cs.HC
On some Foundational Aspects of Human-Centered Artificial Intelligence
Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);University of Coimbra(科英布拉大学);Örebro University(厄勒布鲁大学);Technische Universität Wien(维也纳工业大学);Universitat Politecnica de Catalunya(加泰罗尼亚理工大学)
人工智能的蓬勃发展促使人们建议人工智能技术应该“以人为本”。然而,对于以人为中心的人工智能(简称HCAI)的含义并没有明确的定义。本文旨在通过解决HCAI的一些基本方面来改善这种情况。为此,我们引入术语HCAI代理来指代任何配备AI组件并与人类交互和/或协作的物理或软件计算代理。本文确定了参与HCAI代理的五个主要概念组件:观察,需求,动作,解释和模型。我们将HCAI代理的概念及其组件和功能视为连接以人为中心的AI的技术和非技术讨论的一种方式。在本文中,我们专注于我们的分析方案组成的一个单一的代理人在动态环境中存在的人类。
2021-12-29 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
AI Gamestore: Scalable, Open-Ended Evaluation of Machine General Intelligence with Human Games
MIT(麻省理工学院);Harvard University(哈佛大学);University of British Columbia(不列颠哥伦比亚大学);Princeton University(普林斯顿大学);University of Cambridge(剑桥大学);Universitat Politècnica de València(瓦伦西亚理工大学)
通过AI GameStore评估机器通用智能,利用人类游戏测试AI在游戏中的表现,发现其在复杂游戏任务中表现不佳。
2026-02-19 cs.AI
Symmetry as an Organizing Principle for Geometric Intelligence
Georgia Institute of Technology(佐治亚理工学院)
对几何图案的探索激发想象力,鼓励抽象推理,这是人类智能的一个显著特征。在认知科学中,像对称性这样的完形原则经常解释人类感知的重要方面。我们提出了一种计算技术,用于构建人工智能(AI)代理,使用对称性作为组织原则,解决Dehaene的几何智能测试\cite{dehaene2006core}。我们的模型的性能与Dehaene测试中现存的问题解决AI模型相当,并且似乎与同一测试中人类行为的某些元素相关。
2020-04-16 cs.AI cs.CV
Cognitive Architecture for Co-Evolutionary Hybrid Intelligence
Saint-Petersburg Electrotechnical University 'LETI'(圣彼得堡电工大学(LETI))
本文批判数据中心化AI难以实现强人工智能,提出协同进化混合智能概念,并设计一种将人类纳入问题解决回路的认知架构。
2022-09-05 cs.AI
Comprehensive systematic review into combinations of artificial intelligence, human factors, and automation
Tehran University(德黑兰大学)
基于人工智能(AI)的模型用于改善包括医疗保健和金融在内的不同领域。AI的优势之一是自动化。然而,在人工智能在自动化中的应用中,考虑人为因素很重要。本文报告了一个系统的审查已发表的研究,用于调查应用AI在PM。本综合系统性综述使用ScienceDirect识别相关文章。在发现的422篇文章中,40篇符合纳入和排除标准,并用于综述。根据人为因素和应用领域的类别对所选文章进行分类。结果表明,人工智能在自动化中的应用,就人的因素,可分为三个领域的物理工效学,认知工效学和组织工效学。物理和认知工效学的主要应用领域包括交通、用户体验和人机交互。
2021-04-09 cs.AI cs.HC