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
ARC-AGI-3: A New Challenge for Frontier Agentic Intelligence
ARC Prize Foundation(ARC奖基金会)
本文提出ARC-AGI-3基准测试,通过新颖的抽象回合制环境评估代理智能的适应效率,人类可完全解决环境,而前沿AI系统得分低于1%。
2026-04-17 cs.AI
Embodied Intelligence: The Key to Unblocking Generalized Artificial Intelligence
Hefei University of Technology(合肥工业大学);University of Science and Technology of China(中国科学技术大学);Amazon Development Center Germany GmbH(亚马逊德国开发中心)
本文系统梳理具身人工智能的感知、决策、行动与反馈模块及其与 AGI 原则的联系,指出动态学习和现实交互是通向通用智能的关键。
2025-05-11 cs.AI
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
Transformation vs Tradition: Artificial General Intelligence (AGI) for Arts and Humanities
University of Georgia(佐治亚大学);Michigan State University(密歇根州立大学)
本文系统分析了通用人工智能在艺术与人文学科中的应用与影响,梳理其前沿系统与主要风险,并提出缓解策略,倡导以人类繁荣为中心的负责任发展。
2023-10-30 cs.AI
How Modality Shapes Perception and Reasoning: A Study of Error Propagation in ARC-AGI
Hogarthian Technologies, LLC(霍加斯技术有限责任公司);IBM Research(IBM研究院)
研究通过对比文本和图像模态,发现结构化文本能精确获取稀疏特征,图像对分辨率敏感,结合两者可提升执行精度。
2025-11-11 cs.AI cs.CV cs.MA
AGI as Second Being: The Structural-Generative Ontology of Intelligence
University of California, Berkeley(加州大学伯克利分校);University of California, San Diego(加州大学圣地亚哥分校)
本文提出智能的结构-生成本体论,指出真正智能需具备生成性、协调性与持续性深度,现有AI仅为表层模拟,满足条件的未来系统可成为与人类并存的第二存在。
2025-09-02 cs.AI
Federated Graph AGI for Cross-Border Insider Threat Intelligence in Government Financial Schemes
Incedo Inc.(Incedo公司);Indian Institute of Technology(印度理工学院);University of Kent(肯特大学)
FedGraph-AGI通过整合AGI推理与联邦图学习,实现了隐私保护下的跨境内部威胁检测,准确率高达92.3%。
2026-02-18 cs.AI cs.CE cs.CR
Bringing Back Rule Induction to Fluid Intelligence Research? An Initial Validation of the ARC-AGI Benchmark in Humans
Ulm University(乌尔姆大学)
研究围绕流体智力测量的两种观点,以含100名参与者的研究初步验证ARC-AGI基准用于人类流体智力测量的有效性,发现其与图形流体智力显著相关,为相关研究提供支持并建议嵌入人工智能基准以促进评估与合作。
2026-07-16 cs.AI cs.LG
LightHouse: A Survey of AGI Hallucination
Soochow University(苏州大学)
本文综述了通用人工智能(AGI)中的幻觉现象,梳理现有研究并指出多模态AGI幻觉研究尚处早期,同时提出未来研究方向。
2024-01-17 cs.AI cs.CL
AGI: Artificial General Intelligence for Education
AI4STEM Education Center(AI4STEM教育中心);University of Georgia(佐治亚大学);School of Computing(计算机学院);School of Electrical and Computer Engineering(电气与计算机工程学院);University of Virginia(弗吉尼亚大学);School of Data Science(数据科学学院)
本文探讨人工通用智能(AGI)在教育中的应用,分析其关键概念与潜力,强调AGI能提升智能辅导、评估和个性化学习,并指出需关注伦理问题及跨学科合作。
2024-03-13 cs.AI
Stovepiping and Malicious Software: A Critical Review of AGI Containment
Synthetic Intelligence Research Institute(合成智能研究院);Capitol Technology University(国会理工大学)
人们对人工智能可能产生的影响的认识与该领域的进展成正比。虽然对社会有巨大的好处,但许多人认为,与高级形式的人工智能有关的问题也同样多,如果不是更多的话。因此,对安全地开发人工智能的方法的研究越来越重要。在本文中,我们提供了一个这样的安全范例的概述:遏制与关键镜头,旨在对生成对抗网络和潜在的恶意人工智能。此外,我们照亮了潜在的发展盲点stovepiping的遏制机制。
2021-08-01 cs.AI
Asymptotically Unambitious Artificial General Intelligence
Oxford University(牛津大学);University of Cincinnati(辛辛那提大学);Australian National University(澳大利亚国立大学)
一般智力,即解决任意可解问题的能力,被许多人认为是可以人工构建的。狭义智能,即解决某一特定难题的能力,最近有了令人印象深刻的发展。值得注意的例子包括自动驾驶汽车,Go引擎,图像分类器和翻译器。人工通用智能(AGI)带来了狭义智能所没有的危险:如果在每个领域都有比我们更聪明的东西对我们的担忧漠不关心,那将是对人类生存的威胁,就像我们威胁许多物种一样,尽管没有恶意。即使是如何保持AGI的目标与我们自己的目标一致的理论也被证明是非常难以捉摸的。我们提出了第一个算法,我们知道渐近无野心AGI,其中“无野心”包括不寻求任意权力。因此,我们确定了工具趋同理论的一个例外,这大致是默认情况下,AGI会寻求权力,包括对我们的权力。
2020-07-21 cs.AI
A Representationalist, Functionalist and Naturalistic Conception of Intelligence as a Foundation for AGI
Ludwig-Maximilians-Universität München(慕尼黑大学)
本文提出一种表征主义、功能主义和自然主义的智能观,将智能定义为在未知条件下创造技能以实现目标的能力,并论证AGI虽受“没有免费午餐”定理限制,但可比人类更根本地通达世界。
2025-03-10 cs.AI cs.RO
Approaches to Artificial General Intelligence: An Analysis
本文分析了实现AGI的不同方法,包括人脑仿真、AIXI和集成认知架构。首先,本文对AGI的定义进行了界定,并阐述了AGI的要求。对于所提到的每一种拟议方法,都总结了所讨论的方法,并详细介绍了其关键过程,展示了其如何运作。然后,对每种方法进行了分析,考虑到各种因素,如技术要求,计算能力,以及是否符合要求。得出的结论是,虽然有各种方法可以实现AGI,如人脑仿真和集成认知架构,但实现AGI最有前途的方法是集成认知架构。这是因为人脑仿真被发现需要扫描技术,而这些技术很可能要到21世纪30年代才能获得,因此在此之前不太可能创建。此外,集成认知架构降低了计算需求,并为通用智能提供了合适的功能,使其成为实现AGI的最有可能的方式。
2022-01-29 cs.AI
ARC-AGI-2: A New Challenge for Frontier AI Reasoning Systems
ARC-AGI-2通过更细致的任务设计,为评估人工智能的抽象推理和问题解决能力提供更高级的基准测试。
2026-01-15 cs.AI
Building Safer AGI by introducing Artificial Stupidity
Sorbonne universite(索邦大学);University of Louisville(路易斯维尔大学)
人工智能(AI)在各种领域都取得了超人的表现。我们说,当人工智能被故意引入一些限制来匹配人类完成任务的能力时,它在一项任务上变得非常愚蠢。人工通用智能(AGI)可以通过限制其计算能力和内存,或者在某些任务上引入人工愚蠢来变得更安全。我们调查了人类的智力极限,并给出了建议,以实现哪些限制,以建立一个安全的AGI。
2018-08-11 cs.AI
Smart Enough to Go Extinct? An Evolutionary Challenge to the Value of General Intelligence and Its Ethical Implications for AGI
Hochschule der Medien Stuttgart(斯图加特传媒学院)
本文批判性审视AGI的核心前提,提出通用智能或为唯一会威胁自身物种的生物策略,即使对齐良好的AGI也会继承该缺陷,进而引发构建AGI与创造人工意识的伦理问题。
2026-08-12 cs.AI cs.CY
AI for Agile development: a Meta-Analysis
University of Gothenburg(哥德堡大学)
本研究通过系统性文献综述和纵向元分析,探讨了AI与敏捷开发结合在持续集成与交付中的益处、挑战及未来应用,指出需进一步研究其影响并解决实施中的间接挑战。
2023-05-14 cs.AI cs.SE
Integration of cognitive tasks into artificial general intelligence test for large models
Southern University of Science and Technology(南方科技大学);Shanghai AI Laboratory(上海人工智能实验室);Tencent AI lab(腾讯AI实验室);iFLYTEK AI Research(科大讯飞人工智能研究院);Beijing Institute of Technology(北京理工大学);Peking University(北京大学);University of Macau(澳门大学);Tsinghua University(清华大学)
针对当前大模型评估缺乏统一多维度智能衡量框架的问题,提出受认知科学启发的AGI综合测试框架,覆盖多类智能维度,融入沉浸式虚拟社区,可引导大模型针对性优化并加速其融入人类社会。
2024-03-06 cs.AI cs.CL
Towards Artificial General Intelligence (AGI) in the Internet of Things (IoT): Opportunities and Challenges
University of Georgia(佐治亚大学)
本文探讨了在物联网(IoT)中实现人工通用智能(AGI)的机遇与挑战,提出了将AGI无缝集成到IoT的概念框架,并分析了其在多领域的应用及资源、通信、安全等限制。
2023-09-14 cs.AI cs.NI
The Possibility of Artificial Intelligence Becoming a Subject and the Alignment Problem
Institute of computer science, Osnabrück University(奥斯纳布吕克大学计算机科学学院);Institute of philosophy, Oldenburg University(奥尔登堡大学哲学学院)
本文探讨AGI可能成为独立主体的可能性,提出通过支持自主性的养育方式替代传统控制策略,强调人类与AGI的协作共存与共进化。
2026-07-29 cs.AI
Multimodality of AI for Education: Towards Artificial General Intelligence
University of Georgia(佐治亚大学);Technical University of Munich(慕尼黑工业大学);Nanjing Normal University(南京师范大学);University of Arizona(亚利桑那大学)
本文研究教育领域多模态AI对AGI实现的推动作用,分析AGI核心维度与教育变革潜力,探讨伦理问题及未来挑战,为AGI教育应用研发奠基。
2023-12-12 cs.AI
Universal Empathy and Ethical Bias for Artificial General Intelligence
AIDEUS;National Research University of Information Technology, Mechanics and Optics(国立信息技术、机械与光学大学);Aix Marseille Université(艾克斯-马赛大学);CNRS(法国国家科学研究中心)
理性代理通常是为了最大化回报而构建的。然而,AGI代理可以找到不受欢迎的方式来最大化任何先验奖励函数。因此,价值学习对于安全的AGI至关重要。我们假设世界的广义状态是有价值的-而不是奖励本身,并提出了AIXI的扩展,其中奖励仅用于引导分层值学习。修改后的AIXI代理被认为是在多代理环境中,其中其他代理可以是人类或其他“成熟”代理,这些值应该被“婴儿”AGI代理揭示和采用。作为通用智能模型的扩展,提出了设计这种具有道德偏见的移情代理的一般框架。此外,我们在简单的马尔可夫环境中进行了实验,证明了我们的方法在安全AGI中进行价值学习的可行性。
2013-08-03 cs.AI
Agile, Antifragile, Artificial-Intelligence-Enabled, Command and Control
University of New South Wales, Canberra(新南威尔士大学堪培拉校区);University of Pretoria(比勒陀利亚大学)
人工智能(AI)正在迅速融入军事指挥和控制(C2)系统,成为许多国防部队的战略重点。人工智能的成功实施有望通过自动化实现C2敏捷性的重大飞跃。然而,需要对人工智能在可预见的未来可以实现的目标设定现实的期望。本文认为,人工智能可能会导致脆弱性陷阱,将C2功能委托给人工智能可能会增加C2的脆弱性,导致灾难性的战略失败。这需要一个新的C2 AI框架来避免这个陷阱。我们认为,反脆弱性和敏捷性应该成为支持AI的C2系统的核心设计原则。这种二元性被称为敏捷、反脆弱、人工智能命令和控制(A3IC 2)。A3IC2系统通过C2决策周期中的反馈过度补偿,不断提高其在冲击和意外面前的表现能力。A3IC2系统不仅能够在复杂的作战环境中生存,而且还将从战争不可避免的冲击和波动中受益。
2021-09-14 cs.AI cs.CY cs.HC
When Brain-inspired AI Meets AGI
The University of Georgia(佐治亚大学);The University of Texas at Arlington(德克萨斯大学阿灵顿分校);University of Electronic Science and Technology of China(电子科技大学);Northwestern Polytechnical University(西北工业大学);Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院);ShanghaiTech University(上海科技大学);Shanghai United Imaging Intelligence Co., Ltd.(上海联影智能科技有限公司)
通用人工智能(AGI)一直是人类的长期目标,其目的是创造能够执行人类可以完成的任何智力任务的机器。为了实现这一目标,AGI研究人员从人类大脑中汲取灵感,并试图在智能机器中复制其原理。受大脑启发的人工智能是从这一努力中出现的一个领域,它结合了神经科学、心理学和计算机科学的见解,开发出更有效、更强大的人工智能系统。在这篇文章中,我们从AGI的角度全面概述了大脑启发的AI。我们首先介绍大脑启发的人工智能的当前进展及其与AGI的广泛联系。然后,我们涵盖了人类智能和AGI的重要特征(例如,缩放、多模态和推理)。我们讨论了在当前人工智能系统中实现AGI的重要技术,如上下文学习和提示微调。我们还从算法和基础设施的角度研究了AGI系统的演变。最后,我们探讨了AGI的局限性和未来。
2023-03-28 cs.AI
Emergence is Overrated: AGI as an Archipelago of Experts
Research School of Social Sciences(社会科学研究学校);Machine Intelligence and Normative Theory (MINT) Lab(机器智能与规范理论实验室);Australian National University(澳大利亚国立大学)
本文挑战AGI的‘涌现’概念,提出AGI应被视为由多个专家模块组成的群岛,强调人类专长通过领域特定模式积累而非压缩实现。
2026-03-09 cs.AI cs.CL
Design of the Artificial: lessons from the biological roots of general intelligence
McGovern Institute for Brain Research, MIT(麻省理工学院麦戈文脑科学研究所);MIT(麻省理工学院)
本文从生物学根源探讨通用智能设计,指出进化式分层上下文处理是构建AGI的关键。
2023-06-22 cs.AI cs.NE nlin.AO
Ultimate Intelligence Part III: Measures of Intelligence, Perception and Intelligent Agents
Gök Us Sibernetik Ar&Ge Ltd. Şti.(Gök Us Sibernetik 研发有限公司)
我们建议,操作员感应作为一个适当的模型的感知。我们解释了如何减少通用代理模型的操作员感应。我们提出了一个通用的操作员感应健身措施,并展示了它如何可以用于强化学习模型和稳态(自我保护)代理的自由能原则的基础上。我们表明,该行动的稳态剂可以解释的运营商诱导模型。
2017-09-08 cs.AI
Development of an Adaptive Multi-Domain Artificial Intelligence System Built using Machine Learning and Expert Systems Technologies
North Dakota State University(北达科他州立大学)
针对AGI需在未知领域自主学习与推理的问题,本文融合专家系统、GDTES和GAI构建自适应多领域AI系统,以生成网络与训练数据并优化决策。
2024-06-17 cs.AI
Future of Artificial Intelligence in Agile Software Development
Muffakham Jah College of Engineering and Technology(穆法卡姆·贾赫工程技术学院)
本文提出利用LLM、GenAI模型和AI智能体为敏捷软件开发提供日常任务执行、风险预测与决策支持,以提高效率、降低风险并提升项目成功率。
2024-08-01 cs.AI cs.SE
Cognitive Offloading in Agile Teams: How Artificial Intelligence Reshapes Risk Assessment and Planning Quality
University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校)
本文通过实验比较AI、人类和混合规划模型,发现AI虽高效但风险评估差,人类虽灵活但成本高,提出混合框架提升规划质量。
2026-04-15 cs.AI cs.HC
The Why, What and How of Artificial General Intelligence Chip Development
Kerala University of Digital Sciences, Innovation and Technology (KUDSIT)(喀拉拉邦数字科学、创新与技术大学);Indian Institute of Information Technology and Management, Kerala(喀拉拉邦印度信息技术与管理学院)
人工智能芯片越来越专注于以低功耗和低成本实现神经计算。智能传感、自动化和边缘计算应用一直是AI芯片的市场驱动力。越来越多的人将AI芯片解决方案的通用性、性能、鲁棒性和可扩展性与类似人类的智能能力进行比较。这种从特定应用到通用智能AI芯片的过渡要求必须考虑几个因素。本文概述了这一跨学科的研究领域,阐述了在构建人工通用智能(AGI)系统时理解的智能的泛化。这项工作列出了新兴的AI芯片技术,边缘AI实现的分类,以及AGI芯片开发的漏斗设计流程。最后,列出了构建AGI芯片所需的设计考虑以及测试和验证它的方法。
2021-03-30 cs.AI cs.LG
Personalized Artificial General Intelligence (AGI) via Neuroscience-Inspired Continuous Learning Systems
Department of AI and Robotics, IGNITE Pathways(人工智能与机器人系,IGNITE路径);Department of Youth Wellness and Research, Neuro Health Alliance(青年健康与研究系,神经健康联盟);Medical Director of JFK Neuroscience Sleep Center, HMH-JFK Neuroscience Institute(JFK神经睡眠中心医疗总监,HMH-JFK神经科学研究所)
本文提出了一种集成类脑学习机制(如突触修剪和双记忆系统)的个性化AGI理论架构,通过快慢学习模块和突触自优化支持边缘设备上的终身学习,以解决灾难性遗忘和资源受限问题。
2025-04-27 cs.AI cs.LG
AI Must Embrace Specialization via Superhuman Adaptable Intelligence
Columbia University(哥伦比亚大学);New York University(纽约大学)
本文提出超人类适应性智能(SAI)概念,主张AI应通过专业化追求超人类表现,而非追求通用智能。
2026-02-27 cs.AI
Machines that know they are aging: a framework for hardware-aware autonomous intelligence
Newcastle University Singapore(新加坡纽卡斯尔大学);Qingdao University of Technology(青岛理工大学);Amrita Vishwa Vidyapeetham(阿姆里塔维什瓦维迪亚皮塔姆大学)
针对自主系统硬件老化引发的任务失败问题,提出将硬件健康融入决策的 AAAI 框架,通过三大支柱实现系统自适应,提升弹性并延长寿命,适用于太空、医疗等关键环境。
2026-07-31 cs.AI cs.RO
A Metamodel and Framework for AGI
Cisco Systems(思科系统公司)
人工智能系统能否表现出超人的性能,但在关键方面,甚至缺乏单细胞生物的智能?对于狭义的AI系统,答案显然是“是”。动物、植物,甚至单细胞生物都学会了可靠地躲避危险,并向食物移动。这是通过一个物理知识保存元模型,自主生成有用的模型的世界。我们认为,保存知识的结构是至关重要的更高的智能管理越来越高的抽象层次,无论是人类还是人工。这是将AGI子系统应用于需要持续学习和适应的复杂现实问题的关键教训。在本文中,我们介绍了深度融合推理引擎(DFRE),它实现了一个知识保存的元模型和框架,用于构建应用AGI系统。的DFRE元模型表现出一些重要的基本知识保存属性,如对称和反对称关系之间的明确区分,并能够创建一个层次知识表示,清楚地划分抽象层次之间。DFRE元模型结合了这些功能,展示了这种方法如何以特定的方式使AGI受益,例如管理组合爆炸和实现累积,分布式和联邦学习。我们的实验表明,该框架实现了94%的准确率平均无监督目标检测和识别。这项工作的灵感来自AGI的最先进的方法,最近的AGI有志的工作,粒度计算社区,以及Alfred Korzybski的一般语义。
2020-09-06 cs.AI
Creating Intelligence: A Computational Foundation for AGI
提出基于集合论和超维计算的新型计算认知理论,通过稀疏二进制数据、拓扑可塑性和子集模式匹配实现联想记忆,为通用人工智能提供高效硬件路径。
2026-07-01 cs.AI
Concepts is All You Need: A More Direct Path to AGI
Singidunum University(辛吉杜努姆大学)
本文指出统计AI缺乏通往AGI的清晰路径,提出基于概念核心作用的认知AI架构与发展计划,以实现人类水平AI。
2023-09-04 cs.AI
Sparks of Artificial General Intelligence(AGI) in Semiconductor Material Science: Early Explorations into the Next Frontier of Generative AI-Assisted Electron Micrograph Analysis
TCS Research(塔塔咨询服务公司研究院);IIIT Pune(浦那印度信息技术学院);IIT Palakkad(帕拉卡德印度理工学院);IIT Dharwad(达尔瓦德印度理工学院)
本文提出一个全自动端到端流程,结合GPT-4V和DALLE-3等生成式AI,通过视觉问答和少样本学习实现半导体纳米材料电子显微图像的高精度识别,助力AGI在材料科学中的应用。
2024-09-17 cs.AI cs.CV cs.LG
Creating Scalable AGI: the Open General Intelligence Framework
Technology Solutions Consulting NTT Data Ltd.(NTT数据有限公司技术解决方案咨询部);Technology Office Baker Street AI(贝克街人工智能技术办公室)
针对当前AI模型因孤立单模态架构导致的可靠性和可扩展性局限,提出开放通用智能(OGI)模块化框架,整合多模态模块以实现实时适应与可扩展处理,助力构建更强大的AGI系统应对现实复杂任务。
2024-11-27 cs.AI
Artificial General Intelligence (AGI)-Native Wireless Systems: A Journey Beyond 6G
Virginia Tech(弗吉尼亚理工大学);Ericsson, Inc.(爱立信公司);University of Houston(休斯顿大学);Kyung Hee University(庆熙大学)
本文提出AGI原生无线系统框架,通过感知、因果世界模型、HD计算及意图驱动规划获得常识,以支撑超越6G的数字孪生、认知化身和全息传送等应用。
2024-04-29 cs.AI cs.LG cs.NI
Artificial General Intelligence for Medical Imaging Analysis
Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院);The University of Texas at Arlington(德克萨斯大学阿灵顿分校);The University of Georgia(佐治亚大学);Beijing Jiaotong University(北京交通大学);Chinese University of Hong Kong(香港中文大学);Second Xiangya Hospital(湘雅二医院)
本文综述了以LLMs、大视觉模型和大规模多模态模型为代表的AGI在医学影像与医疗健康中的应用现状、技术路线、挑战及未来方向。
2024-11-21 cs.AI
Working Paper: Towards a Category-theoretic Comparative Framework for Artificial General Intelligence
Cognodata R+D & Universidad Autonoma de Madrid(Cognodata研发与马德里自治大学);University of California San Diego(加利福尼亚大学圣迭戈分校)
本文旨在构建一个通用的范畴论框架,用于描述、比较和分析不同的人工通用智能架构,揭示其共同点与差异,并指导未来研究。
2026-07-03 cs.AI
Artificial Intelligence in Experimental Approaches: Growth Hacking, Lean Startup, Design Thinking, and Agile
Department of Economics, Texas Tech University(德克萨斯科技大学经济系);Department of Systems Engineering, Stevens Institute of Technology(斯蒂文斯理工学院系统工程系)
本文探讨了AI如何通过数据分析、实时反馈和自动化提升增长黑客、精益创业等实验方法的效率,同时指出组织在AI应用中面临技能缺口和伦理问题。
2026-03-21 cs.AI cs.CY
Position Paper: Bounded Alignment: What (Not) To Expect From AGI Agents
Senior Member IEEE Dept. of Electrical and Computer Engineering University of Cincinnati(电气与计算机工程系 华盛顿大学)
本文主张 AI/ML 社区应借鉴动物与人类智能,重塑 AGI 愿景及其安全期待与衡量指标,以形成更现实的技术观并改善政策决策。
2025-05-17 cs.AI
Natural Language Generation Using Link Grammar for General Conversational Intelligence
Saratoga High School(萨拉托加高中);SingularityNET Foundation(奇点网络基金会);Aigents(Aigents公司);Novosibirsk State University(新西伯利亚国立大学)
许多当前的人工通用智能(AGI)和自然语言处理(NLP)架构不具备通用会话智能-也就是说,它们要么不处理语言,要么无法在没有手动劳动密集型方法(如基于模板的定制)的情况下以类似于人类语言的形式传达知识。在本文中,我们提出了一种使用Link Grammar数据库自动生成语法有效句子的新技术。这种自然语言生成方法远远优于当前最先进的基线,并且可以作为原型AGI问答管道中的最终组件,可以理解地处理自然语言材料。
2021-04-19 cs.AI cs.CL
What the F*ck Is Artificial General Intelligence?
The Australian National University(澳大利亚国立大学)
本文概述了通用人工智能(AGI)的定义与研究现状,基于适应性智能视角,探讨了搜索与近似等基础工具及多种系统架构,并归纳出 scale-maxing 等三种元方法,最终指出 AGI 将是工具与元方法的融合,当前瓶颈在于样本与能源效率。
2025-07-18 cs.AI
Hamiltonian Formalism for Comparing Quantum and Classical Intelligence
Centre for Quantum Software \& Information, UTS, Sydney
为实现量子基底上的AGI并对比经典与量子智能的差异,研究提出将AGI动力学分解为多核心功能哈密顿生成元的哈密顿形式体系,为两类智能体的环境交互差异研究提供精确数学语言。
2025-06-17 cs.AI quant-ph
Perception Lie Paradox: Mathematically Proved Uncertainty about Humans Perception Similarity
Alexandria University(亚历山大大学)
智能体的判断依赖于感知和先前的知识。假设先前的知识取决于知觉,我们可以说判断取决于知觉。那么,如果判断依赖于感知,智能体能判断他们有相同的感知吗?简而言之,这就是本文件所解决的悖论。通过对这一悖论的阐释,发现在交际中达成一致并不一定要双方具有相同的感知,而必须要有感知的对应。试图解决这一悖论揭示了一个潜在的不确定性,在判断这一问题,从而支持怀疑的观点的问题。此外,将感知与智能联系起来,通过判断一个智能体与其他不一定来自同一种类的智能体相比的智能水平(例如,机器智能与人类智能相比),继承了同样的不确定性。使用一个简单的数学模型的感知和行动,开发了一个工具来构建场景,并解决了数学问题,从而得出的结论是系统地基于数学定义的属性。当涉及到形式化时,哲学论点和观点变得更加明显和明确。
2012-02-19 cs.AI q-bio.NC
Foundations of Artificial Intelligence Frameworks: Notion and Limits of AGI
Department of Physics(物理系);Hanoi University of Science(河内科学大学);Vietnam National University(越南国家大学)
本文探讨了人工通用智能的概念与局限,指出神经网络在架构上不足,提出区分计算基质与架构组织的框架,以构建更丰富的智能基础。
2025-11-23 cs.AI cs.LG
Optimising for Flourishing: Flourishing Metrics and Return on Flourishing as Success Criteria for Artificial Intelligence and Post-AGI Economic Systems
Harvard University(哈佛大学);WTW (Willis Towers Watson)(韦莱韬悦)
该研究提出将人类繁荣作为AI及后AGI经济系统的核心成功标准,构建了Flourishing Metrics框架与RoF评估方法,为AI及经济转型的价值核算提供了决策架构。
2026-08-05 cs.AI cs.CY econ.TH
Vector Symbolic Algebras for the Abstraction and Reasoning Corpus
Centre for Theoretical Neuroscience(理论神经科学中心);David R. Cheriton School of Computer Science(大卫·R·切里顿计算机科学学院);University of Waterloo(滑铁库大学);Department of Philosophy(哲学系);Department of Systems Design Engineering(系统设计工程系)
针对人类易解但AI系统难处理的ARC-AGI基准,提出一种认知合理的求解器,结合系统1直觉与系统2推理,基于向量符号代数(VSAs)实现对象中心程序合成,在多个基准上取得结果,且为首个将VSAs应用于该任务的方法。
2025-11-11 cs.AI cs.LG
Large language models for artificial general intelligence (AGI): A survey of foundational principles and approaches
Cape Coast Technical University(海岸角理工大学);University of Mines and Technology(矿业与技术大学)
本文综述具身性、符号接地、因果性与记忆四项基础原则及其在大语言模型中的实现方法,探讨其如何有机支撑 AGI。
2025-01-06 cs.AI cs.CV cs.LG