arXiv 2308.039902023-08-08cs.AIcs.HC

NEOLAF：一种由大语言模型驱动的神经符号认知架构

NEOLAF, an LLM-powered neural-symbolic cognitive architecture

IEEE Artificial Intelligent Standards Committee, IEEE（电气和电子工程师协会人工智能标准委员会）；Macao University of Science and Technology（澳门科技大学）；Carnegie Learning（卡内基学习公司）；University of Sheffield（谢菲尔德大学）；National Institute of Education, Singapore（新加坡国立教育学院）；University of Memphis（孟菲斯大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Rochester（罗切斯特大学）；Stanford University（斯坦福大学）；Beijing Normal University（北京师范大学）

Richard Jiarui Tong, Cassie Chen Cao, Timothy Xueqian Lee, Guodong Zhao, Ray Wan, Feiyue Wang, Xiangen Hu, Robin Schmucker, Jinsheng Pan, Julian Quevedo, Yu Lu

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文提出NEOLAF神经符号认知架构，结合大语言模型实现可解释、增量式、人在回路的智能体构建，并在MATH数学数据集上验证了其卓越学习能力。

摘要：

本文提出了永不终止的开放式学习自适应框架（NEOLAF），这是一种集成的神经符号认知架构，用于建模和构建智能体。NEOLAF框架在构建智能体方面优于纯连接主义和纯符号方法，原因在于其具备可解释性、增量学习、高效性、协作与分布式学习、人在回路支持以及自我改进能力。本文进一步展示了一个有说服力的实验，其中将一个作为问题求解智能体构建的NEOLAF智能体，输入来自开源MATH数据集的复杂数学问题。结果表明，NEOLAF具有卓越的学习能力，并有望彻底改变认知架构和自我改进型自适应教学系统领域。

英文摘要：

This paper presents the Never Ending Open Learning Adaptive Framework (NEOLAF), an integrated neural-symbolic cognitive architecture that models and constructs intelligent agents. The NEOLAF framework is a superior approach to constructing intelligent agents than both the pure connectionist and pure symbolic approaches due to its explainability, incremental learning, efficiency, collaborative and distributed learning, human-in-the-loop enablement, and self-improvement. The paper further presents a compelling experiment where a NEOLAF agent, built as a problem-solving agent, is fed with complex math problems from the open-source MATH dataset. The results demonstrate NEOLAF's superior learning capability and its potential to revolutionize the field of cognitive architectures and self-improving adaptive instructional systems.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。