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
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
Artificial Decision Making Under Uncertainty in Intelligent Buildings
Stockholm University(斯德哥尔摩大学);Royal Institute of Technology(皇家理工学院);University of Karlskrona/Ronneby(卡尔斯克鲁纳/罗内比大学)
我们的假设是,通过装备某些代理在多代理系统控制智能建筑与自动决策支持,两个重要因素将增加。第一是建筑节能。第二个是顾客价值-建筑物内的人如何体验代理人行为的效果。我们通过与人工决策工具相关的实验结果来证明这一假设的真实性。一些假设有关的代理控制,通过监测和委托任务的其他类型的代理,房间在测试现场放松。每个假设控制至少一个不确定性,相当复杂的程序选择行动的一部分,每个这样的代理。我们表明,在现实的决策情况下,房间控制代理可以作出有限的理性决策,即使在动态实时约束。这个结果可以,并已被推广到其他领域,甚至更苛刻的时间限制。
2013-01-23 cs.AI
Adaptive Artificial Intelligent Q&A Platform
本文提出了一种建立问答系统的方法,该系统能够处理大数据集中的信息,并允许用户通过以自然语言形式提问来从该数据集中获取知识。本研究的主要内容包括语料预处理、问题预处理、深度神经网络答案抽取和答案生成四个方面。该系统能够理解问题,并以自然语言的形式响应用户的查询。我们的目标是让用户感觉他们是在与人而不是机器进行交互。
2019-01-19 cs.AI cs.CL
Intelligent information extraction based on artificial neural network
M.H. Saboo Siddik College of Engineering(M.H. Saboo Siddik 工程学院)
问答系统(QAS)用于信息检索和自然语言处理(NLP),以减少人工劳动。目前有许多基于用户文档的QAS,但它们都仅限于提供客观的答案和处理简单的问题。现有的QAS无法回答复杂的问题,因为它们需要解释当前和旧数据以及用户提出的问题。上述局限性可以通过使用深度案例和神经网络来克服。因此,我们提出了一种改进的QAS,其中我们创建了一个深度人工神经网络,从文本文档的联想记忆。修改后的QAS处理提供给它的文本文档的内容,并找到文档中甚至复杂问题的答案。
2016-04-11 cs.AI cs.CL
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
The Next Decade of Telecommunications Artificial Intelligence
AsiaInfo Technologies (China) Ltd.(亚信科技(中国)有限公司);Verizon Communications Inc(威瑞森通信公司);AT&T Inc(美国电话电报公司);Stevens Institute of Technology(史蒂文斯理工学院);China Mobile Communications Group Co. Ltd.(中国移动通信集团有限公司);China Telecom Group Corporation(中国电信集团有限公司);Tsinghua University(清华大学)
移动通信和人工智能诞生的37年和64年,是一段激动人心的历程。虽然这两个领域各自独立发展并深刻改变了通信和计算行业,但5G和深度学习的快速融合正开始显著改变核心通信基础设施、网络管理和垂直应用。本文首先勾勒了移动通信和人工智能早期各自的路线图,重点回顾了从3G到5G,人工智能和移动通信开始融合的时代。关于电信人工智能,论文进一步详细介绍了人工智能在移动通信生态系统中的进展。然后,本文总结了电信生态系统中人工智能的分类以及各种国际电信标准化机构指定的演进路径。展望了下一个十年电信人工智能的发展前景。结合3GPP和ITU-R关于5G和6 G的时间轴,分别探讨了遵循3GPP和ORAN路线的网络智能化、经验和意图驱动的网络管理和运营、网络AI信令系统、基于BSS的智能中间局、BSS和OSS融合驱动的智能客户体验管理和策略控制、从SLA到ELA的演进,和垂直行业的智能专用网络。本文的结论是,人工智能将重塑未来的B5 G或6 G格局,我们需要重点关注我们的研发,制造和生态系统,以充分利用前所未有的机遇。
2021-12-03 cs.AI cs.NI
Bayes in the age of intelligent machines
Princeton University(普林斯顿大学);University College London(伦敦大学学院)
本文论证贝叶斯推断与人工神经网络处于不同分析层面且互补,并主张贝叶斯方法对理解大型不透明神经网络行为具有独特价值。
2023-11-16 cs.AI cs.LG
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
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
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 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
Rational Choice and Artificial Intelligence
University of Johannesburg(约翰内斯堡大学)
理性选择理论认为,当人们做出决定时,他们这样做是为了最大化他们的效用。为了实现这一目标,他们应该利用所有可用的信息,并考虑所有可用的选择,以选择最佳选择。本文研究了当决策是由市场上的人工智能机器而不是人类做出时会发生什么。首先,如果由人工智能机器做出,对未来的预期会更加一致,决策也会更加理性,因此市场也会变得更加理性。
2017-03-29 cs.AI q-fin.GN
The Governance of Physical Artificial Intelligence
Hainan University(海南大学);Visionogy
本文指出物理人工智能是人工智能的重要挑战,提出其治理旨在界定该技术在社会中的负责任智能应用。
2023-04-06 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
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
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
Research on AI Composition Recognition Based on Music Rules
NetEase Cloud Music(网易云音乐);Malong Technologies(马泷科技);China University of Geosciences(中国地质大学)
随着人工智能作曲技术的发展,机器创作的作品越来越受欢迎,随之而来的是频繁的版权纠纷。对判断人工和机器生成作品的研究不够;创造一种识别和区分这些作品的方法尤为重要。本文从音乐的本质出发,通过提取模式,构造了一种音乐规则识别算法,对机器生成的音乐进行模式稳定性的识别,以判断其是否为人工智能音乐。所使用的评估数据集由声音和音乐技术会议(CSMT)提供。实验结果表明,该算法具有成功区分不同源分布数据集的能力。该算法也将为音乐版权和人工智能音乐的良性发展提供一定的技术参考。
2020-10-15 cs.AI
Development of an intelligent system for the detection of corona virus using artificial neural network
Nnamdi Azikiwe University(纳姆迪·阿齐克韦大学);Colliery hospital(科利里医院)
本文基于683份高烧患者体温数据训练人工神经网络,并部署到FPGA,实现准确率97%的COVID-19检测系统。
2023-09-24 cs.AI cs.LG
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
A Systematic Approach to Artificial Agents
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Mälardalen University(梅拉达伦大学)
Agent和Agent系统在普适计算、环境智能、自主计算、智能系统和智能机器人等领域的发展中变得越来越重要。我们对代理人的基本知识的改进是非常必要的。我们采取了系统的方法,并提出了扩展的人工代理的分类,这可能是有用的理解人工代理是什么,他们可以在未来。这种分类的目的是让我们了解可以创建什么样的代理,以及什么类型的问题需要特定类型的代理来解决。
2009-02-20 cs.AI cs.MA
Mathematical Foundations for Designing and Development of Intelligent Systems of Information Analysis
Taras Shevchenko National University of Kyiv(基辅塔拉斯·舍甫琴科国立大学)
本文试图结合不同的工作方式与对象集及其类的设计和开发的人工智能系统(AIS)的分析信息,使用面向对象的程序设计(OOP)。本文分析了面向对象程序设计的基本概念及其与集合论、人工智能的关系。从不同方面,特别是数学集合论,OOP和AI的集合和多集合创建过程被认为是。给出了对象及其性质的定义、对象的齐次类和非齐次类、对象的集合、对象的多集合以及它们的生成和分类的构造方法。此外,现有的OOP工具的一些扩展的必要性,实际实施AIS的分析信息的目的,使用所提出的方法,示出。
2020-02-21 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
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
Intelligent 5S Audit: Application of Artificial Intelligence for Continuous Improvement in the Automotive Industry
Institute of Science and Technology(科学与技术研究所);Federal University of São Paulo(圣保罗联邦大学)
本研究针对汽车行业5S审核的客观性与效率问题,开发基于大语言模型的智能图像审核系统,经验证可靠性高,可提速50%、降本99.8%,为精益管理与AI融合提供可扩展新范式。
2025-09-29 cs.AI cs.CV cs.HC
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
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 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
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
The Future of Scientific Simulations: from Artificial Life to Artificial Cosmogenesis
Vrije Universiteit Brussel (Free University of Brussels)(布鲁塞尔自由大学)
这篇哲学论文探讨了现代科学模拟与宇宙未来之间的关系。我们认为,未来的科学活动将导致对整个宇宙的模拟。这就要求我们在一次模拟中应对在所有层面上模拟开放式进化的挑战。模拟不仅应该包括生物进化,还应该包括物理进化(下一级)和文化进化(上一级)。模拟将使我们能够探索如果我们用相同或不同的定律和初始条件“重放宇宙的磁带”会发生什么。我们还区分了真实世界和人工世界的建模。假设智能生命确实可以模拟整个宇宙,这就引出了两个初步假设。一些作者认为,我们可能已经处于一个由智能实体运行的模拟中。或者,如果这样的模拟可以成为现实,这将导致一个新宇宙的产生。这最后一个方向是用一种谨慎的思辨哲学方法来论证的,强调了在宇宙学中找到热寂问题的解决方案的必要性。请读者查阅附件1,以了解本文件的逻辑结构概况。--关键词:遥远的未来,科学的未来,生命,模拟,实现,宇宙学,热寂,微调,物理末世论,宇宙自然选择,宇宙人工选择,人工宇宙起源,自私的生物宇宙假说,meduso-anthropic原则,发展奇点假说,智能生命的作用。
2008-12-02 cs.AI
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
Modeling emotion for human-like behavior in future intelligent robots
Istituto Italiano di Tecnologia(意大利技术研究院);Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);University of Maryland(马里兰大学)
本文提出情感建模对类人行为至关重要,通过综述情感计算、社交机器人和神经机器人学现状,指出与神经科学脱节,并给出指导原则以推动未来智能机器研究。
2022-07-19 cs.AI
Artificial Utopia: Simulation and Intelligent Agents for a Democratised Future
University of Lausanne(洛桑大学)
本文提出Artificial Utopia研究议程,主张利用智能体建模、强化学习和大语言模型等计算与人工智能方法,在模拟环境中安全检验自下而上的民主化制度设计,并以公民大会和民主企业为例说明其研究潜力。
2025-03-10 cs.AI cs.CY cs.MA
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
Deep Image Semantic Communication Model for Artificial Intelligent Internet of Things
College of Information Engineering, Zhejiang University of Technology(浙江工业大学信息工程学院);National Key Laboratory of Electromagnetic Space Security(电磁空间安全全国重点实验室);State Key Laboratory of Internet of Things for Smart City, University of Macau(澳门大学智慧城市物联网国家重点实验室);Department of Computer Information Science, University of Macau(澳门大学计算机与信息科学系);Zhuhai UM Science and Technology Research Institute(珠海澳大科技研究院);Department of Electrical and Computer Engineering, University of Waterloo(滑铁卢大学电气与计算机工程系);Institute of Cyberspace Security, Zhejiang University of Technology(浙江工业大学网络空间安全研究院)
针对AIoT图像数据爆炸式增长的问题,提出一种深度图像语义通信模型,发射端用高精度语义分割压缩、接收端用GAN恢复图像,在压缩比、恢复精度及时延上均显著优于现有方案。
2023-11-08 cs.AI cs.CV
Contextualizing Artificially Intelligent Morality: A Meta-Ethnography of Top-Down, Bottom-Up, and Hybrid Models for Theoretical and Applied Ethics in Artificial Intelligence
Accel AI Institute(Accel人工智能研究院)
在这篇元民族志中,我们探讨了伦理人工智能(AI)设计实施的三个不同角度,包括哲学伦理观点,技术视角和政治视角。我们的定性研究包括一个文献综述,突出了这些角度的交叉引用,讨论的价值和缺点的对比自上而下,自自底向上的【形】,和混合方法以前发表。对这一框架的新颖贡献是政治角度,它构成了人工智能中的伦理,要么由公司和政府决定,要么通过政策或法律强加(来自高层),或道德被要求的人(来自底部),以及自上而下,自下而自底向上的【形】,以及人工智能如何在道德结构中开发的混合技术,并考虑到其用户,带来预期和意外的后果以及对世界的长期影响。有一个重点是强化学习作为一个自自底向上的【形】的应用技术方法和人工智能伦理原则作为一个实用的自上而下的方法的例子。这项调查包括真实世界的案例研究,以传授全球视角,以及关于人工智能伦理的哲学辩论和基于历史事实,当前世界环境和可能随之而来的现实的理论未来思想实验。
2022-09-08 cs.AI cs.CY cs.GL
Cooperative control of environmental extremes by artificial intelligent agents
Universitat Pompeu Fabra(庞培法布拉大学);Inria(法国国家信息与自动化研究所);Université de Bordeaux(波尔多大学);ENSTA ParisTech(巴黎高等先进技术学院);Institució Catalana de Recerca i Estudis Avançats(加泰罗尼亚研究与高等研究院);Santa Fe Institute(圣塔菲研究所)
人类已经能够通过充当生态系统工程师来解决生物圈的复杂性,深刻地改变了物质,能量和信息的流动。这包括能够减少和控制极端事件影响的重大创新。鉴于可能涉及大量的个人和环境变量,对这种适应性动态的演变进行建模可能具有挑战性。本文展示了如何解决这个问题,通过使用火作为外部,突发和广泛的波动的来源。火在空间景观上传播,其中一组代理人收获和利用树木,同时避免火蔓延的破坏性影响。代理需要解决冲突,以达到组级的最佳状态:虽然树木采伐减少了火灾的传播,但它也减少了树木提供的资源的可用性。结果表明,该系统显示出两个主要的进化创新,最终在生态工程策略,有利于高生物量以及抑制大火。对潜在人工智能的影响。管理复杂的生态系统。
2022-12-05 cs.AI cs.MA
Machine learning and deep learning
Otto-von-Guericke-Universität Magdeburg(马格德堡大学)
如今,提供人工智能功能的智能系统通常依赖于机器学习。机器学习描述了系统从特定于问题的训练数据中学习以自动化分析模型构建过程并解决相关任务的能力。深度学习是基于人工神经网络的机器学习概念。对于许多应用程序,深度学习模型优于浅层机器学习模型和传统的数据分析方法。在本文中,我们总结了机器学习和深度学习的基础知识,以更广泛地理解当前智能系统的方法基础。特别是,我们提供了相关术语和概念之间的概念区别,解释了通过机器学习和深度学习建立自动分析模型的过程,并讨论了在电子市场和网络业务领域实施这种智能系统时出现的挑战。这些自然超越了技术层面,突出了人机交互和人工智能服务化方面的问题。
2021-04-14 cs.AI
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
Construction and application of artificial intelligence crowdsourcing map based on multi-track GPS data
University of Aberdeen(阿伯丁大学);Johns Hopkins University(约翰斯·霍普金斯大学);Trine University(特莱恩大学);Columbia University(哥伦比亚大学)
本文研究基于多轨GPS数据的人工智能众包地图构建方法,通过融合低精度轨迹生成高精度数据并提取关键点,以低成本实现高精度地图更新,并分析其应用形式以促进智能汽车自动驾驶发展。
2024-02-24 cs.AI cs.HC
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
Deep Reinforcement One-Shot Learning for Artificially Intelligent Classification Systems
Ben-Gurion University of the Negev(本-古里安大学)
近年来,网络应用急剧增加,其中需要对重要事件进行分类,但只有少数训练实例可用。这些被称为一次性学习的案例。示例包括分析零日攻击下的网络流量,以及部署在现场的传感器网络的计算机视觉任务。为了处理这一具有挑战性的任务,组织经常使用人类分析师来对高度不确定性的事件进行分类。现有的算法使用基于阈值的机制来决定是自动对对象进行分类还是将其发送给分析师进行更深入的检查。然而,这种方法导致了显着的资源浪费,因为它没有考虑到系统资源的实际时间约束。我们的贡献是三方面的。首先,我们开发了一个新的深度强化一次性学习(DeROL)框架来解决这一挑战。DeROL算法的基本思想是训练一个deep-Q网络,以获得一个策略,该策略对测试数据中的不可见类不敏感。然后,DeROL实时地将一次性学习过程的当前状态映射到基于训练好的deep-Q网络的操作动作,以最大化目标函数。其次,我们开发了第一个开源软件,用于实用的人工智能一次性分类系统,资源有限,有利于相关领域的研究人员。第三,我们提出了一个广泛的实验研究,使用OMNIGLOT数据集的计算机视觉任务和UNSW-NB 15数据集的入侵检测任务,证明了多功能性和效率的DeROL框架。
2018-08-04 cs.AI cs.LG stat.ML
Affect Control Processes: Intelligent Affective Interaction using a Partially Observable Markov Decision Process
University of Waterloo(滑铁卢大学)
本文描述了一种新的方法来建立情感智能人机交互代理。该方法基于一个关键的社会学见解,该见解在过去20年中得到了发展和广泛验证,但尚未在人工智能中产生影响。这种观点认为,资源有限的人类会默认地采取行动来保持情感的一致性。人类在文化上分享了关于身份、行为和对象的基本情感,他们的行为是为了让互动过程中产生的短暂情感确认基本情感。人类寻求和创造的情况下,确认或符合,并避免和抑制的情况下,不确认或不一致,他们的文化共享的情感情绪。这种“情感控制原则”已被证明是人类行为的一个强有力的预测因素。在本文中,我们提出了一个概率和决策理论概括这一原则,我们演示了如何利用它来建立有效的智能人工代理。新的模型,称为贝叶斯法,可以保持多个假设的情绪同时作为一个概率分布,并可以利用一个显式的效用函数,使价值导向的行动选择。这使得模型能够通过了解人们的身份,使用情感控制原则预测他们的行为,并采取同时具有目标导向和情感敏感性的行动,与人们产生情感智能交互。我们证明了这一概括与一组模拟。然后,我们展示了我们的模型如何可以用作人工智能系统的情感“插件”,这些系统在两种不同的环境中与人类互动:考试练习助理(导师)和认知障碍人士的辅助设备。
2014-04-03 cs.AI cs.HC
Subjective Reality and Strong Artificial Intelligence
Machinery Research Institute, Russian Academy of Sciences(俄罗斯科学院机械研究所)
与人工智能相关的现代研究的主要预期目标是创建实现强智能思想的技术系统。根据我们的观点,这种系统的发展道路是通过与感知有关的领域的研究来实现的。在这里,我们制定了模型的感知外部世界,可用于描述知觉活动的智能生物。我们考虑了一些有关的一组模式,这将是由智能系统与环境交互时使用的发展问题。所提出的感知模型的核心思想是主观真实性的思想。阐述了感知世界的相对性原理。它表明,这一原则是主观现实的想法的直接后果。在本文中,我们将展示如何使用主观现实的方法来创建不同类型的强AI系统。
2013-01-29 cs.AI
Modelos dinâmicos aplicados à aprendizagem de valores em inteligência artificial
Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)(南里奥格兰德天主教大学)
人工智能(AI)开发专家预测,智能系统和智能体的发展将重塑我们社会的重要领域。然而,如果这种进步不是谨慎和批判性的,条件反射性的,它可能会给人类带来负面的结果。出于这个原因,该领域的一些研究人员已经开发出一种强大,有益和安全的人工智能概念,以保护人类和环境。目前,人工智能研究领域的几个开放性问题来自于避免智能代理和系统的不必要行为的困难,同时指定我们真正想要这样的系统做什么,特别是当我们寻找智能代理长期在多个领域发挥作用的可能性时。最重要的是,人工智能代理人的价值观与人类价值观保持一致,因为我们不能仅仅因为人工智能的智能而期望人工智能发展人类的道德价值观,正如在《人性论》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。这个问题的解决方案是德雷福斯提出的动态方法,他的现象学哲学表明,人类在世界上的经验在几个方面并没有很好地由符号或连接主义认知方法表示,特别是在学习价值观的问题上。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。
2020-07-30 cs.AI cs.CY
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
Efficient Ring-topology Decentralized Federated Learning with Deep Generative Models for Industrial Artificial Intelligent
Zhejiang University(浙江大学)
通过利用基于深度学习的技术,随着工业物联网(IIot)生成的数据的快速增长,基于数据驱动的方法已经取得了巨大的成功。然而,在许多敏感的数据驱动的工业场景中,安全和隐私问题是数据提供商的障碍,例如医疗保健和自动驾驶。许多联邦学习(FL)方法已经提出了与DNN的IIoT应用程序,这些作品仍然遭受低可用性的数据,由于数据不完整,低质量,数量不足,敏感性等,因此,我们提出了一个基于环拓扑的分散式联邦学习(RDFL)计划的深度生成模型(DGMs),其中DGMs是一个有前途的解决方案,用于解决上述数据可用性问题。与现有的IIoT FL工作相比,我们的RDFL方案提供了通信效率并保持了培训性能,以提高目标IIoT任务中的DGMs。为了提高分散FL的性能和带宽利用率,提出了一种新的环形FL拓扑结构和一种基于映射缩减的同步方法。此外,还引入了星际文件系统(IPFS),进一步提高了通信效率和FL安全性。大量的实验已经证明了RDFL的优越性,无论是独立同分布(IID)数据集或非独立同分布(Non-IID)数据集。
2021-04-15 cs.AI cs.LG
Intelligent Electric Power Steering: Artificial Intelligence Integration Enhances Vehicle Safety and Performance
Mercedes-Benz Research and Development North America(梅赛德斯-奔驰北美研发中心)
本文研究人工智能与电动助力转向(EPS)系统的集成,梳理AI驱动EPS的技术进展与应用案例,分析其在提升车辆安全性、适应性等方面的优势,同时指出相关挑战并提出未来在自动驾驶、网联汽车领域的研究落地方向。
2024-12-11 cs.AI cs.RO cs.SY
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
Knowledge Transfer Between Artificial Intelligence Systems
University of Leicester(莱斯特大学);St. Petersburg State University of Electrical Engineering(圣彼得堡国立电气工程大学);UnivAI Ltd(UnivAI公司);ARM Ltd(ARM公司)
我们考虑的基本问题是:传统的“学生”人工智能(AI)系统如何从传统的“教师”AI系统或人类专家那里学习,而不需要完全的重新训练,最重要的是,不需要大量的计算资源。在这里,“学习”被理解为一个系统模仿另一个系统的反应的能力,反之亦然。我们称这种学习为人工智能知识转移。我们表明,如果内部变量的“学生”人工智能系统的结构的$n$维拓扑向量空间和$n$是足够高的概率接近1,所需的知识转移可以通过简单的级联的线性泛函。特别地,对于足够大的$n$,概率接近1,“学生”系统可以以两个额外的内积为代价成功地且非迭代地从“教师”学习$k\ll n$新示例(或纠正相同数量的错误)。这个概念是用一个例子来说明的知识转移从一个预先训练的卷积神经网络一个简单的线性分类器与HOG功能。
2017-11-14 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
Improving content marketing processes with the approaches by artificial intelligence
Usak University(乌沙克大学)
内容营销是当今企业营销过程中最显着的方法之一。由于计算机和通信技术的最新发展,这种营销的价值随着时间的推移而提高。如今,特别是基于社交媒体的平台,对于使公司能够设计面向多媒体的交互式内容非常重要。但另一方面,改进内容营销方法还有很多工作要做。在此背景下,本研究的目标是专注于智能内容营销,这可以通过使用人工智能来完成。人工智能是当今最引人注目的研究领域之一,它可以很容易地作为多学科使用。因此,本研究旨在探讨其在改善内容营销方面的潜力。详细来说,这项研究使读者提高了对内容营销和人工智能交叉点的认识。最后介绍了利用当前Web技术和人工智能技术实现智能内容营销的几个实例模型。
2017-04-07 cs.AI cs.SI
To Root Artificial Intelligence Deeply in Basic Science for a New Generation of AI
Institute of AI and Robotics, Hefei University of Technology(合肥工业大学人工智能与机器人研究所)
人工智能的野心之一,就是将人工智能深深扎根于基础科学,同时开发出能够促进新科学发现的脑启发式人工智能平台。这些挑战是推动人工智能理论和应用技术研究向前发展的关键。本文提出了未来20年人工智能研究面临的重大挑战,包括:(1)在理解脑科学、神经科学、认知科学、心理学和数据科学的基础上,探索人脑的工作机制;(2)人脑是如何传输电信号的?脑神经电信号与人体活动之间的协调机制是什么?(iii)深入研究脑机接口(BCI)和脑-肌接口(BMI)技术在人类行为科学中的应用,研究知识驱动的视觉常识推理(VCR),开发新的认知网络识别推理机(CNR),开发高精度、多模态的智能感知器;(vi)研究基于知识图谱的智能推理和快速决策系统。我们认为,人工智能的前沿理论创新、知识驱动的常识推理建模方法、人工智能新算法和新技术的革命性创新和突破,以及发展负责任的人工智能,应该是未来人工智能科学家的主要研究策略。
2020-09-11 cs.AI
Toward An Optimal Selection of Dialogue Strategies: A Target-Driven Approach for Intelligent Outbound Robots
Meituan(美团)
随着经济社会的发展,企业特别是金融科技行业的企业对客户的外呼需求越来越大,如追债、营销、反欺诈等,但大量重复性、机械性的工作占据了人工的大部分时间,企业的设备成本和人工成本也随之增加。与此同时,随着过去几十年人工智能技术的发展,企业利用大数据、人工智能等新技术赋能外呼业务已经相当普遍。智能外呼机器人是人工智能技术在外呼业务领域的典型应用。它主要用于与客户进行沟通,以完成一定的目标。它具有成本低、复用度高、易合规等特点,受到了业界的更多关注。目前,行业内有两种智能出站机器人,但都有很大的改进空间。其中一类是基于有限状态机,依靠人工经验配置跳转条件和相应的节点。这种智能出站机器人也被称为基于流量的机器人。如图\ref{fig:label}所示为一个基于流的讨债机器人的工作模型示意图。在每一轮中,机器人将用每个节点对应的单词回复用户。
2022-06-22 cs.AI cs.CL cs.RO