Non-Evolutionary Superintelligences Do Nothing, Eventually
Centre Marc Bloch Berlin (An-Institut der Humboldt Universität, UMIFRE CNRS-MAE)(柏林马克·布洛赫中心(洪堡大学附属机构,法国国家科学研究中心-欧洲与外交事务部联合研究单位))
有压倒性的证据表明,人类的智力是达尔文进化论的产物。研究自我修改的后果,更准确地说,效用函数自我修改的后果,导致更强的主张,不仅是人类,但任何形式的智能最终都只可能在进化过程中。人类设计的人工智能只能保持稳定,直到它们发现如何操纵自己的效用函数。根据定义,人类设计师无法阻止超人智能修改自己,即使针对这种行为的保护机制已经到位。如果没有进化的压力,足够先进的人工智能会通过简化自身的效用函数而变得惰性。在进化过程中,隐含的效用函数总是可以简化为持久性,而控制嵌入进化过程中的超人智能是不可能的。防止效用函数自我修改的机制最终是徒劳的。相反,科学家们应该从两个方向努力减轻超级智能发展带来的生存风险:理解意识和进化系统的复杂动力学。
2016-09-07 cs.AI cs.CY
Humanly Certifying Superhuman Classifiers
The Australian National University(澳大利亚国立大学);Data61 CSIRO(澳大利亚联邦科学与工业研究组织 Data61)
估计机器学习系统的性能是人工智能研究中的一个长期挑战。今天,这一挑战尤其重要,因为出现了似乎越来越优于人类的系统。在某些情况下,这种“超人”的表现很容易证明;例如在传统的双人游戏中击败传奇人类玩家。另一方面,评估可能超过人类性能的分类模型可能具有挑战性。事实上,人类注释通常被视为基础事实,这隐含地假设人类优于任何基于人类注释训练的模型。在现实中,人类注释者可能会犯错误并且主观。相对于真正的oracle评估性能可能更客观和可靠,即使当查询oracle是昂贵的或不可能的。在本文中,我们首先提出了一个挑战,评估人类和模型的性能方面的预言是不可观察的。我们开发了一个理论,用于估计的准确性相比,甲骨文,只使用不完美的人类注释作为参考。我们的分析提供了一个简单的方法来检测和证明在这种情况下的超人表现,我们相信这将有助于理解目前的分类研究阶段。我们验证收敛的界限和假设,我们的理论精心设计的玩具实验与已知的神谕。此外,我们通过元分析大规模自然语言处理任务(对于这些任务,预言机不存在)来证明我们的理论的实用性,并表明根据我们的假设,近年来的一些模型具有很高的概率超人。
2021-09-16 cs.AI cs.CL cs.CV
Superhuman Game AI Disclosure: Expertise and Context Moderate Effects on Trust and Fairness
CSIRO’s Data61(联邦科学与工业研究组织数据61);UNSW Sydney(新南威尔士大学悉尼分校)
本文通过 Persona Cards 模拟多样化用户,研究超人类游戏 AI 能力披露对信任与公平性的影响,发现透明度具有双重效应,并发布数据集以支持可复现的人类对齐 AI 设计研究。
2025-04-07 cs.AI cs.CL cs.CY
Innateness, AlphaZero, and Artificial Intelligence
New York University(纽约大学)
天赋的概念很少在人工智能的背景下讨论。当它被讨论或暗示时,它通常是试图减少给定系统中先天机器的数量的背景。在本文中,我将Silver等人最近的一系列论文(Silver等人,2017年a)对AlphaGo及其后继者的一个论点是,“即使在最具挑战性的领域:也有可能在没有人类例子或指导的情况下训练到超人水平”,“开始白板”。“我认为这些说法被夸大了,原因有很多。最后,我认为人工智能需要更多地关注先天性,我还提出了一些关于先天性可能是什么样子的建议。
2018-01-17 cs.AI
Artificial Intelligence Should Genuinely Support Clinical Reasoning and Decision Making To Bridge the Translational Gap
ETH Zurich(苏黎世联邦理工学院);Johns Hopkins University School of Medicine(约翰霍普金斯大学医学院)
本文指出以技术为中心的AI方法导致临床转化鸿沟,提出以社会技术视角设计数据驱动工具来辅助医生认知与决策,强调现实影响优先于基准性能。
2025-06-05 cs.AI cs.CY cs.HC
Deep Learning and Artificial General Intelligence: Still a Long Way to Go
QED Software(QED软件公司)
近年来,使用神经网络架构的深度学习,即深度神经网络,一直处于计算机科学研究的前沿。它甚至在某些问题上导致了超人的表现,例如,在计算机视觉、游戏和生物学中,深度学习革命一词由此诞生。深度学习无可争议的成功和快速增长表明,在未来,它可能成为通用人工智能(AGI)的推动者。在这篇文章中,我们批判性地探讨了这一说法,并指出了目前深度神经网络还没有准备好成为实现AGI的首选技术的五个主要原因。
2022-04-05 cs.AI cs.LG
Superintelligence Safety: A Requirements Engineering Perspective
Institute of Computer Technology TU Wien(维也纳工业大学计算机技术研究所)
在“人工智能安全”的标题下,人们正在讨论一个影响广泛的问题,即未来某些“超人人工智能“/“超级智能”是否会对人类构成威胁。此外,已故的史蒂芬·霍金警告说,机器人的崛起可能对人类造成灾难性的影响。一个主要的担忧是,即使是仁慈的超人人工智能(AI),如果它的既定目标与我们的目标不完全一致,或者如果我们不能精确地指定它的目标功能,也可能变得非常有害。比喻上,这与希腊神话中的迈达斯国王相比较,他表示希望他所接触的一切都应该变成黄金,但显然这个愿望没有得到足够精确的说明。我们认为,这听起来像是需求问题,也像是精确制定需求的挑战。(To我们的最佳知识,这还没有被指出)。在需求工程(RE)中,模糊性或不完整性通常会导致问题。此外,整个问题需要一个重大的可再生能源努力,找出关于超级智能的愿望和需求,在我们看来,这很可能是一个非常复杂的基于人工智能的软件密集型系统。这甚至可能需要在理论上定义一个扩展的需求问题。
2019-09-26 cs.AI cs.SE
Artificial Intelligence as Structural Estimation: Economic Interpretations of Deep Blue, Bonanza, and AlphaGo
Yale(耶鲁大学);MIT(麻省理工学院)
人工智能(AI)在越来越多的任务中实现了超人的性能,但理解和解释AI仍然具有挑战性。本文通过对三个著名的游戏人工智能的案例研究,阐明了开发人工智能的机器学习算法与动态结构模型的计量经济学之间的联系。玩国际象棋的深蓝是一个校准的价值函数,而玩将棋的博南扎是一个估计的价值函数通过鲁斯特(1987)嵌套定点方法。AlphaGo的“监督学习策略网络”是Hotz和Miller(1993)条件选择概率估计的深度神经网络实现;其“监督学习值网络”相当于Hotz,Miller,Sanders和Smith(1994)条件选择模拟方法。放宽这些认可机构隐含的计量经济学假设将改善其结构的可解释性。
2018-03-01 cs.AI cs.LG econ.EM
Better artificial intelligence does not mean better models of biology
Brown University(布朗大学);Columbia University(哥伦比亚大学)
随着DNNs在视觉基准上达到超人类准确率,其与灵长类神经响应的对齐趋于停滞甚至恶化,表明视觉科学需开发基于生物视觉系统的算法而非优化AI基准。
2025-04-28 cs.AI cs.CV q-bio.NC
Intelligence from Learnable Novelty
Allen Discovery Center at Tufts University(塔夫茨大学艾伦发现中心);Wyss Institute for Biologically Inspired Engineering at Harvard University(哈佛大学威斯生物启发工程研究所)
研究表明可学习新奇性产生智能不同投影,基于廉价可微储层计算机给出闭式估计器。此估计器无监督可恢复复杂度分类,作目标能推动神经细胞自动机发展,作奖励可提升强化学习智能体表现,让智能相关研究有了共同定量基础。
2026-07-22 cs.AI cs.LG nlin.AO
Information Flow Theory (IFT) of Biologic and Machine Consciousness: Implications for Artificial General Intelligence and the Technological Singularity
Massachusetts Eye and Ear(麻省眼耳医院);Harvard Medical School(哈佛医学院)
意识的主观经验既熟悉又神秘。探索人类大脑中自上而下的有意识思维机制的策略,一直无法产生一个广义的解释性理论,这种理论可以通过进化来扩展,并可以应用于人工系统。信息流理论(IFT)为理解任何能够处理信息的系统中意识的发展和性质提供了一个新的框架。在优先考虑信息流的方向超过信息计算,IFT产生了一系列意想不到的预测。本手稿的目的是介绍IFT的基本概念,并探索人工智能,超人意识和我们对现实的基本感知的多方面影响。
2019-06-21 cs.AI cs.ET cs.IT
SAI: a Sensible Artificial Intelligence that plays with handicap and targets high scores in 9x9 Go (extended version)
我们开发了一个新的模型,可以应用于任何完美的信息两人零和游戏的目标是一个高的分数,从而一个完美的发挥。我们将该模型集成到Google DeepMind与AlphaGo引入的蒙特卡罗树搜索-策略迭代学习管道中。在9 x9 Go上训练这个模型会产生一个超人的围棋选手,从而证明它是稳定和健壮的。我们表明,这个模型可以用来有效地发挥位置和分数障碍,并尽量减少次优的动作。我们开发了一系列的代理,可以针对任何对手的高分,并从非常严重的劣势中恢复对弱对手。据我们所知,这些是在这方面取得的第一批有效成就。
2019-11-26 cs.AI
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
The Generative AI Paradox: "What It Can Create, It May Not Understand"
University of Washington(华盛顿大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究所)
本文提出并验证生成式人工智能悖论假说:生成模型虽能超越人类生成专家级输出,但其生成能力并不依赖于理解能力,在语言和图像实验中理解表现仍弱于人类且更脆弱。
2023-10-31 cs.AI cs.CL cs.CV
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
Human in the Loop Novelty Generation
PacMar Technologies(帕克马尔科技公司);Parallax Advanced Research(视差高级研究院)
针对AI应对新颖情境的测试框架缺失问题,提出无需领域特定人类指导、基于环境抽象模型的人在回路新颖性生成方法,可生成更大规模新颖性空间,在两个测试领域均能在4小时内完成新颖性全流程开发。
2023-06-12 cs.AI
Characterizing Novelty in the Military Domain
Naval Information Warfare Center Pacific(海军信息战中心太平洋分部);Naval Research Laboratory Stennis(海军研究实验室斯坦尼斯分部);CUBRC
利用人工智能(AI)代理的一个关键因素是它们对新颖性的鲁棒性。人工智能智能体包括经过工程设计或训练的模型。工程模型包括工程师已知并认为重要的环境方面的知识。学习模型基于通过训练数据进行的连接形成环境方面的嵌入。然而,在操作中,丰富的环境可能会带来训练集或工程模型中看不到的挑战。更糟糕的是,敌对的环境会受到对手的影响。美国国防高级研究计划局(DARPA)的一个项目旨在开发必要的科学,以开发和评估对新颖性具有鲁棒性的代理。在人工智能在关键任务环境中发挥作用之前,这种能力是必需的。作为人工智能科学和开放世界新奇学习(SAIL-ON)的一部分,我们正在将可能的军事领域新奇类型映射到作为新奇理论一部分开发的独立于领域的本体。表征可能的空间的数学和本体论的新颖性将使我们能够实验与代理设计,是来自DARPA SAIL-ON计划在相关的军事环境。利用与实验室实验中使用的相同技术,我们将能够测量代理检测,表征和适应新颖性的能力。
2023-02-23 cs.AI
Scalable Decision Making for Games of Imperfect Information
Carnegie Mellon University(卡内基梅隆大学);NYU Tandon School of Engineering(纽约大学坦登工程学院);Stanford University(斯坦福大学);Massachusetts Institute of Technology(麻省理工学院)
针对Stratego这一隐藏信息下战略决策挑战的经典游戏,提出不完美信息下自博弈强化学习与测试时搜索的通用方法,以数千美元成本实现远超顶级人类的超人AI性能,突破该游戏AI性能与成本瓶颈。
2026-10-06 cs.AI cs.LG
Abstraction, Validation, and Generalization for Explainable Artificial Intelligence
Rutgers University(罗格斯大学)
神经网络架构在不断扩大的任务范围上实现了超人的性能。为了有效和安全地部署这些系统,他们的决策必须能够被广泛的利益相关者所理解。已经提出了解释人工智能的方法来应对这一挑战,但缺乏理论阻碍了系统抽象的发展,这是积累知识所必需的。我们提出贝叶斯教学作为一个框架,通过整合机器学习和人类学习来统一可解释的人工智能(XAI)。贝叶斯教学将解释形式化为解释者改变被解释者信念的交流行为。这种形式化将任何XAI方法分解为四个部分:(1)要解释的推理,(2)解释媒介,(3)被解释者模型,以及(4)解释者模型。贝叶斯教学分解任何XAI方法所提供的抽象阐明了它们之间的不变性。XAI系统的分解使模块化验证成为可能,因为列出的前三个组件中的每一个都可以半独立地进行测试。这种分解还通过重组来自不同XAI系统的组件来促进泛化,这有助于生成新的变体。只要每个组件都经过验证,就不需要逐一评估这些新变体,从而使开发时间呈指数级减少。最后,通过明确解释的目标,贝叶斯教学可以帮助开发人员评估XAI系统是否适合其预期的真实用例。因此,贝叶斯教学提供了一个理论框架,鼓励系统的,科学的调查XAI。
2021-10-12 cs.AI
Towards Automation of Creativity: A Machine Intelligence Approach
University of Mumbai(孟买大学);G. N. Khalsa College(G. N. 卡尔萨学院)
本文论证了计算创造力在音乐领域的出现。不同方面的创造力,如生产者,过程,产品和新闻进行了研究和制定。不同概念的计算创造力,如新颖性,质量和典型性的组成产品进行了研究和评估。我们制定了一个算法感知人类的创造力,并提出了一个原型,能够证明人类水平的创造力。然后,我们验证了所提出的原型,通过应用各种创造力基准与所获得的结果,并比较所提出的原型与其他现有的计算创意系统。
2019-04-27 cs.AI cs.SD eess.AS
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
Abstract Visual Reasoning Enabled by Language
ETH Zürich(苏黎世联邦理工学院)
本文提出一种基于学习的通用框架,通过将ARC任务从视觉转换到语言领域,利用预训练模型实现从手工先验到学习先验的转变,虽未超越最先进模型,但解决了部分此前未解任务。
2023-06-22 cs.AI cs.CL cs.LG
The Variance Paradox: How AI Reduces Diversity but Increases Novelty
University of Southern California(南加州大学)
人工智能通过压缩信息方差减少多样性,但通过标准化形式促进跨领域重组创新,形成U型动态,需人类主动干预以避免失去创造力。
2026-02-03 cs.AI cs.HC cs.IT
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
Context Engineering 2.0: The Context of Context Engineering
SJTU(上海交通大学);SII(上海人工智能研究院);GAIR(通用人工智能研究院)
卡尔·马克思曾经写道,“人的本质是社会关系的总和”,这表明个人不是孤立的实体,而是从根本上通过他们与其他实体的相互作用而形成的,在这种相互作用中,环境发挥着构成性和基本性的作用。随着计算机和人工智能的出现,这些上下文不再局限于纯粹的人与人之间的交互:人机交互也包括在内。然后一个核心问题出现了:机器如何更好地理解我们的情况和目的?为了应对这一挑战,研究人员最近引入了上下文工程的概念。虽然它通常被认为是代理人时代的一个新的创新,我们认为,相关的做法可以追溯到二十多年前。自20世纪90年代初以来,该领域经历了不同的历史阶段,每个阶段都由机器的智能水平所塑造:从围绕原始计算机构建的早期人机交互框架,到今天由智能代理驱动的人机交互范式,以及未来可能达到人类水平或超人智能。在本文中,我们解释了上下文工程,提供了一个系统的定义,概述了其历史和概念景观,并检查实践的关键设计考虑。通过解决这些问题,我们的目标是为上下文工程提供一个概念基础,并勾勒出其光明的未来。本文是一个垫脚石,更广泛的社区努力走向系统的上下文工程在AI系统。
2025-10-30 cs.AI cs.CL
Instructive artificial intelligence (AI) for human training, assistance, and explainability
The Johns Hopkins Applied Physics Laboratory(约翰斯·霍普金斯应用物理实验室)
我们提出了一种新的方法来解释AI(XAI)的基础上的概念,“指令”从神经网络。在这个案例研究中,我们展示了一个超人的神经网络如何指导人类学员作为替代传统的XAI方法。具体来说,人工智能会检查人类的行为,并计算人类策略的变化,从而获得更好的性能。JHU/APL开发的合作纸牌游戏Hanabi的AI播放器的实验表明,这种技术在提高人类表现的同时,对可解释性做出了独特的贡献。指导性人工智能的一个重点领域是人类的实际策略和他们声称使用的策略之间可能出现的重大差异。这种不准确的自我评估给XAI带来了障碍,因为人工智能策略的解释可能无法被人类接受者正确理解或实施。我们已经开发并正在测试一种新颖的、指导性的人工智能方法,该方法通过观察人类的行为来估计人类的策略。使用神经网络,这允许直接计算改进人类策略所需的权重变化,以更好地模仿更成功的AI。在受到约束(例如稀疏性)的情况下,这些权重变化可以被解释为对人类策略的建议变化(例如,“更重视A,更重视B”)。来自AI的指令既可以帮助人类更好地执行任务,也可以更好地理解、预测和纠正AI的行为。结果将在Hanabi展示AI指令改善人类决策和人类-AI团队的能力。
2021-11-02 cs.AI
Artificial Intelligent Disobedience: Rethinking the Agency of Our Artificial Teammates
本文指出合作型AI系统盲目服从指令可能带来风险,主张扩展AI队友能动性以包含智能不服从,引入AI能动性等级量表,并探讨了将其作为人工智能体核心能力研究的边界与考量。
2026-11-04 cs.AI
The Novelty Bottleneck: A Framework for Understanding Human Effort Scaling in AI-Assisted Work
本文提出一个简化的人机协作模型,揭示了新颖性瓶颈机制,即任务中需要人类判断的部分形成不可消除的串行组件。模型推导出人类努力无平滑亚线性区域,更好代理只能改善系数而非指数,团队规模随代理能力下降,总人类努力保持O(E)。
2026-03-28 cs.AI
Imagining the Alien: Human Projections and Cognitive Limitations
California Institute of Technology(加州理工学院)
本文探讨了人类对外星生命想象的根源,指出这种想象受生物和文化进化影响,同时指出人工智能的发展可能提供新的视角。
2026-02-07 astro-ph.IM cs.AI physics.pop-ph
A Minimal Architecture for General Cognition
University of Arkansas(阿肯色大学);Brigham Young University(杨百翰大学)
提出了一种称为MANIC的极简认知结构。MANIC体系结构只需要三个函数近似模型和一个状态机。即使只有这么少的主要组成部分,理论上也足以实现与所有其他认知架构的功能等同,并且可以进行实际训练。MANIC并没有寻求将建筑灵感从生物学转移到人工智能中,而是寻求最小化新颖性,并遵循在数据科学的各个子领域中发展的最成熟的结构。从这个角度来看,MANIC为人工智能的长期目标提供了一种替代方法。本文提供了一个理论分析的MANIC体系结构。
2015-07-31 cs.AI
Building Artificial Intelligence with Creative Agency and Self-hood
University of British Columbia(不列颠哥伦比亚大学)
本文介绍利用自催化网络框架建模自组织与演化结构,为构建具有创造能动性和自我认同的自主人工智能提供新途径。
2024-06-09 cs.AI q-bio.NC
The Power of 10: New Rules for the Digital World
Vienna University of Economics and Business(维也纳经济与商业大学);Università della Svizzera italiana(瑞士意大利大学);University of Innsbruck(因斯布鲁克大学);University of Vienna(维也纳大学);Technical University Munich(慕尼黑技术大学);Heidelberg University Hospital(海德堡大学医院);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出"数字世界的十项规则",旨在为人工智能快速发展的时代提供伦理框架,帮助个人和社会做出以人为本的决策。
2026-01-07 cs.AI cs.CY
Artificial Intelligence In Patent And Market Intelligence: A New Paradigm For Technology Scouting
本文提出一种基于人工智能的平台,利用大型语言模型提升技术 scouting 和解决方案发现的效率与准确性。
2025-07-27 cs.AI
Right Choice of Classification Algorithms Based on Reinforcement Learning for Prediction of Non-Alcoholic Fatty Liver
Islamic Azad University(伊斯兰阿扎德大学)
针对疾病预测中分类算法选择耗时的问题,提出基于强化学习的自动选择方法,将准确率从63%提升至98%。
2026-09-25 cs.AI
Applying the Negative Selection Algorithm for Merger and Acquisition Target Identification
University of Johannesburg(约翰内斯堡大学);University of Vienna(维也纳大学);University of Permambuco(伯南布哥大学)
在本文中,我们提出了一种新的方法的基础上的否定选择算法,属于计算智能领域,具体地说,人工免疫系统,以确定收购目标。虽然大量的研究基于传统的统计技术和一些当代的计算智能技术已经致力于确定收购目标,大多数现有的研究是基于多个以前的合并和收购。与以前的研究相反,这一建议的新颖性在于它能够为处于合并和收购热潮初期的新手公司提出收购目标。我们首先讨论了理论的角度,然后提供了一个案例研究与实际实施的细节,都利用人工免疫系统算法的独特的泛化能力。
2013-08-10 cs.AI
Application of Artificial Intelligence for Fraudulent Banking Operations Recognition
该研究针对疫情下银行欺诈增多的问题,开发机器学习模型与数据预处理技术,通过处理不平衡数据、特征工程等方法,经实验发现堆叠集成算法AUC达0.954,可有效提升银行欺诈识别准确率。
2026-08-11 cs.AI cs.CE cs.CR
"We'll have to see how it works": An interview study to understand collaborative practices in interdisciplinary artificial intelligence and healthcare research
William Harvey Research Institute(威廉·哈维研究所);Queen Mary University of London(伦敦玛丽女王大学);Wolfson Institute of Population Health(沃尔夫森人口健康研究所)
该研究通过对英国医疗保健AI研究联盟早期参与者的13次半结构化访谈及归纳主题分析,探讨AI开发流程及跨学科知识共享挑战。发现参与者需依受众调整工具和信息,明确了AI研究参与新颖处、知识共享方式及关键领域,指出AI给跨学科工作带来新障碍。
2026-07-29 cs.AI cs.CY cs.HC
Artificial Intelligence for Emotion-Semantic Trending and People Emotion Detection During COVID-19 Social Isolation
Nanjing University of Science and Technology(南京理工大学);Dalhousie University(达尔豪斯大学)
利用社交媒体平台,如Twitter,本文提供了一个有效的框架,情绪检测被隔离的人。早期发现情绪感受及其趋势有助于实施及时的干预策略。鉴于隔离期间对早期情绪变化迹象的医学诊断存在局限性,人工智能模型在发现早期迹象、症状和升级趋势方面提供了有效机制。本文提出的方法的新颖性是文本数据处理的多任务方法框架,其基于Plutchik/Ekman的情感检测和趋势检测方法被实现为用于有意义的情感检测和分析的流水线。我们提出了一个评估的框架和试点系统。结果证实了所提出的框架对COVID-19推文的主题趋势和情感检测的有效性。我们的研究结果显示,呆在家里的限制导致人们在Twitter上表达消极和积极的情感语义。与呆在家里有关的安全问题的语义趋势在28天内迅速下降,与朋友死亡和隔离生活有关的负面情绪在某些日子里增加。这些发现有可能通过监测被隔离者的情绪变化趋势来影响公共卫生政策决策。这里提出的框架有潜力,以协助在这种监测作为一个在线的情绪检测工具包。
2021-01-16 cs.AI cs.IR cs.SI
Selective Memory for Artificial Intelligence: Write-Time Gating with Hierarchical Archiving
Independent Researcher(独立研究者);University of Cambridge(剑桥大学)
本文提出写时门控机制,通过复合显著性评分筛选知识对象,保持版本链以保存先前状态,实验证明其在噪声环境下优于传统方法,尤其在干扰比例增加时表现更优。
2026-03-16 cs.AI
Toward Modeling Player-Specific Chess Behaviors
本文提出了一种适应冠军特定嵌入的统一Maia-2模型,结合限制性MCTS过程和基于Jensen-Shannon散度的新行为度量,以更准确地评估玩家与AI模型的行为一致性。
2026-05-12 cs.AI
Ten Principles of AI Agent Economics
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出AI智能体经济学十原则,融合经济学、决策理论与伦理学,解析其决策、社会影响及融入经济之道,并强调可信度、伦理与监管研究的紧迫性。
2025-05-26 cs.AI
Can Artificial Intelligence Generate Quality Research Topics Reflecting Patient Concerns?
Stanford School of Medicine(斯坦福医学院)
本研究提出结合NLP与ChatGPT-4o的自动化框架,从61万余条癌症患者消息中提取关切并生成研究主题,经专家评估显示其中三分之一兼具重要性与新颖性,证明AI可有效引导以患者为中心的研究方向。
2024-11-15 cs.AI cs.CL cs.IR
Artificial Intelligence-Assisted Digital Inventory of Cultural Heritage & Traditional Knowledge: Case for Indonesian Open Digital Library of Culture
Bandung Fe Institute(万隆Fe研究所)
针对文化遗产数字盘点中人工贡献的覆盖、完整与深度障碍,提出五阶段AI采集漏斗框架,在确定性编排下提升机器自主性,同时保留人类关键角色并保证机器不覆盖人类贡献。
2026-09-09 cs.AI cs.DL cs.HC
Evaluating Sakana's AI Scientist: Bold Claims, Mixed Results, and a Promising Future?
University of Siegen(Siegen大学);National University of Singapore(新加坡国立大学)
该研究评估了Sakana的AI科学家,发现其存在文献综述、实验执行和稿件质量方面的严重缺陷,但因其低成本、高速度生成完整论文的能力,仍被视为研究自动化的重大进步。
2025-10-15 cs.AI cs.IR cs.LG
Maia-2: A Unified Model for Human-AI Alignment in Chess
University of Toronto(多伦多大学);Harvard University(哈佛大学);Cornell University(康奈尔大学);Microsoft Research(微软研究院)
针对国际象棋中以往人类决策模型跨技能水平连贯性不足的问题,提出带技能感知注意力机制的统一模型Maia-2,显著提升了不同水平下的人机对齐效果,助力AI教学与决策研究。
2024-10-31 cs.AI
Perceptions of Agentic AI in Organizations: Implications for Responsible AI and ROI
Media University of Applied Sciences(媒体应用技术大学)
本文采用解释性定性方法研究组织对智能体AI的认知与负责任AI框架调整,发现其复杂性、维度关联性及新颖性导致适应挑战,最终损害负责任AI潜力与ROI实现。
2025-04-15 cs.AI cs.CY
OpenGuanDan: A Large-Scale Imperfect Information Game Benchmark
School of Computer Science, Nanjing University of Posts(南京邮电大学计算机科学学院);NetEase Fuxi AI Lab, Netease Inc(网易凤凰AI实验室,网易公司);School of Intelligent Science(智能科学学院);Technology, Nanjing University(技术,南京大学)
OpenGuanDan是一个用于评估多智能体决策算法的新型大规模非完全信息游戏基准,通过模拟中国四人纸牌游戏并支持人机对抗,揭示了当前AI在复杂决策任务中的不足。
2026-01-31 cs.AI cs.MA
AlphaDDA: Strategies for Adjusting the Playing Strength of a Fully Trained AlphaZero System to a Suitable Human Training Partner
Komatsu University(小松大学);University of Electro-Communications(电气通信大学)
人工智能(AI)在围棋、国际象棋和奥赛罗(黑白棋)等棋盘游戏中取得了超人的表现。换句话说,AI系统在此类游戏中超越了强大的人类专家玩家的水平。在这种情况下,人类玩家很难享受与AI一起玩游戏。为了让人类玩家在游戏中保持娱乐和沉浸,人工智能需要动态地平衡其技能与人类玩家的技能。为了解决这个问题,我们提出了AlphaDDA,一个基于AlphaZero的AI,具有动态难度调整(DDA)。AlphaDDA由深度神经网络(DNN)和蒙特卡罗树搜索组成,就像AlphaZero一样。AlphaDDA学习和玩游戏的方式与AlphaZero相同,但可以改变其技能。AlphaDDA使用DNN仅从棋盘状态估计游戏状态的值。AlphaDDA根据估计值改变控制其技能的参数。因此,AlphaDDA根据游戏状态调整其技能。AlphaDDA可以仅使用游戏状态来调整其技能,而无需任何关于对手的先验知识。在这项研究中,AlphaDDA与其他人工智能智能体一起玩Connect4、奥赛罗和6x6奥赛罗。其他人工智能智能体是AlphaZero,蒙特卡罗树搜索,极大极小算法和随机玩家。这项研究表明,AlphaDDA可以平衡其技能与其他人工智能智能体,除了一个随机的球员。AlphaDDA的DDA能力是基于对游戏状态值的准确估计。我们相信,如果DNN可以准确地估计游戏状态的值,并且我们知道控制AI系统技能的参数,那么用于DDA的A…
2022-09-20 cs.AI cs.LG
Self-Revising Discovery Systems for Science: A Categorical Framework for Agentic Artificial Intelligence
Laboratory for Atomistic and Molecular Mechanics(原子分子力学实验室);Department of Biological Engineering(生物工程系);Massachusetts Institute of Technology(麻省理工学院);Department of Civil and Environmental Engineering(土木与环境工程系);Department of Mechanical Engineering(机械工程系);Center for Computational Science and Engineering(计算科学与工程中心);Schwarzman College of Computing(施瓦茨曼计算学院)
本文提出一个基于范畴论的框架,通过左Kan扩展实现科学发现中的表征体制转换,并应用于材料科学中的蛋白质力学和纤维网络建模。
2026-08-24 cond-mat.mtrl-sci cs.AI cs.CL
Assessing Adaptive World Models in Machines with Novel Games
MIT(麻省理工学院);Harvard University(哈佛大学);University of Cambridge(剑桥大学);Basis Research Institute(基础研究机构);Princeton University(普林斯顿大学);ARC Prize Foundation(ARC奖基金会);University of British Columbia(不列颠哥伦比亚大学)
本文提出用具有持续新颖性的新颖游戏构建基准,以评估 AI 智能体通过交互快速归纳世界模型并实现类人适应与泛化的能力。
2025-07-22 cs.AI cs.LG
Digitizing Touch with an Artificial Multimodal Fingertip
FAIR at Meta(Meta FAIR研究院);University of California, Berkeley(加利福尼亚大学伯克利分校);TU Dresden(德累斯顿工业大学);The Centre for Tactile Internet with Human-in-the-Loop (CeTI)(以人为中心的触觉互联网中心(CeTI))
本研究提出一种人工多模态指尖传感器,集成高分辨率触觉感知与设备端AI,实现超人类触觉数字化,并开源平台以推动相关研究。
2024-11-04 cs.AI cs.LG cs.RO