ChatLLM Network: More brains, More intelligence
Beijing University of Posts and Telecommunications(北京邮电大学);Beijing Institute of Technology(北京理工大学);Xi’an Jiaotong University(西安交通大学);Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳))
本文提出 ChatLLM network,让多个 ChatGPT 实例交互反馈、整合多元观点,并通过类反向传播的语言反馈机制更新,从而提升整体及个体问题解决能力。
2023-04-24 cs.AI cs.CL
ChatGPT: More than a Weapon of Mass Deception, Ethical challenges and responses from the Human-Centered Artificial Intelligence (HCAI) perspective
Institute of Data Science and Artificial Intelligence (DATAI), Universidad de Navarra(纳瓦拉大学数据科学与人工智能研究所);Information Systems Department, University Center for Economic and Administrative Sciences (CUCEA), University of Guadalajara(瓜达拉哈拉大学经济与行政科学中心信息系统系);Quantitative Methods Department, Universidad Pontificia Comillas(康普顿斯大学定量方法系)
本文基于HCAI框架评估ChatGPT的大规模欺骗与犯罪滥用风险,提出技术与非技术治理措施及适宜应用场景。
2023-04-06 cs.AI cs.CY
What has ChatGPT read? The origins of archaeological citations used by a generative artificial intelligence application
本文通过完形填空分析检验 ChatGPT 所提供考古学引文的真实性,发现大量引文为虚构,且真实引文均可在维基百科中找到,揭示其训练数据可能主要来源于维基百科而非原始文献全文。
2023-08-07 cs.AI cs.IT math.IT
Transforming Dental Diagnostics with Artificial Intelligence: Advanced Integration of ChatGPT and Large Language Models for Patient Care
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校);Florida Atlantic University(佛罗里达大西洋大学)
本文综述ChatGPT等LLM在牙科诊断、医患沟通和口腔外科中的应用前景、挑战及未来研究方向。
2024-06-07 cs.AI cs.CL cs.LG
The StudyChat Dataset: Analyzing Student Dialogues With ChatGPT in an Artificial Intelligence Course
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
StudyChat数据集分析了学生在人工智能课程中使用ChatGPT的对话行为,揭示了学生使用LLM进行概念理解与编码帮助与学业表现之间的正相关关系,以及规避学习目标的行为与学业成绩的负相关关系。
2026-03-04 cs.AI cs.HC
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
"ChatGPT, a Friend or Foe for Education?" Analyzing the User's Perspectives on the Latest AI Chatbot Via Reddit
Florida State University(佛罗里达州立大学);University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
本研究通过分析Reddit上247条相关帖子,运用描述性统计、情感分析和LDA主题建模,发现多数用户对ChatGPT教育用途持中立态度,但正面看法多于负面。
2023-09-27 cs.AI cs.CY
Kattis vs. ChatGPT: Assessment and Evaluation of Programming Tasks in the Age of Artificial Intelligence
KTH Royal Institute of Technology(KTH皇家理工学院);Utrecht University(乌得勒支大学)
本研究通过 Kattis 平台上的 127 道编程题测试 ChatGPT,发现其仅能独立解决 19 道,且对简单问题表现较好、对复杂任务存在困难,为 AI 工具在编程教育中的实用性讨论提供了实证依据。
2023-12-02 cs.AI cs.CY cs.SE
Can ChatGPT Make Explanatory Inferences? Benchmarks for Abductive Reasoning
University of Waterloo(滑铁卢大学)
本文提出溯因推理基准测试,评估ChatGPT的解释性推理能力,发现其在言语和视觉模态下能进行创造性和评价性推理,驳斥了其缺乏解释、理解等能力的观点。
2024-09-19 cs.AI
Search Engines Post-ChatGPT: How Generative Artificial Intelligence Could Make Search Less Reliable
University of Washington(华盛顿大学)
本文探讨了搜索引擎整合生成式人工智能后,因事实不一致、偏见、可信度错觉、透明度下降及错误内容泛滥等问题,导致信息溯源模糊、生态系统完整性受损,最终降低搜索可靠性的挑战及未来研究方向。
2024-02-18 cs.AI cs.CY cs.IR
Winning and losing with Artificial Intelligence: What public discourse about ChatGPT tells us about how societies make sense of technological change
Graduate Institute of Journalism, National Taiwan University(国立台湾大学新闻研究所);Institute for Political Science, University of Bamberg(班贝格大学政治学研究所)
研究通过分析ChatGPT发布后的社交媒体 discourse,揭示经济利益和文化价值观如何影响公众对AI的态度,发现技术技能和文化维度对参与度和立场的影响。
2025-07-09 cs.AI cs.CY
Artificial Brain Based on Credible Neural Circuits in a Human Brain
Department of Electrical and Computer Engineering(电气与计算机工程系)
神经元被单独翻译成简单的门,以基于人类心理和智力来规划大脑。状态机,假设以前在潜意识中学习的联想记忆,使方程求解和基本的思维使用纳米短期记忆。
2010-10-04 cs.AI q-bio.NC
Brain-inspired Artificial Intelligence: A Comprehensive Review
RMIT University(皇家墨尔本理工大学);School of Computing Technologies(计算技术学院)
本综述探讨了脑启发人工智能(BIAI)的设计原则,提出将其分为物理结构启发和人类行为启发模型的分类框架,并分析了实际应用与未来方向。
2024-08-27 cs.AI
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
Artificial Intelligence without Restriction Surpassing Human Intelligence with Probability One: Theoretical Insight into Secrets of the Brain with AI Twins of the Brain
Southeast University(东南大学);Beth Israel Deaconess Medical Center(贝斯以色列女执事医疗中心);Harvard Medical School(哈佛医学院);National Neuroscience Institute(国立神经科学研究所);First Affiliated Hospital of Sun Yat-Sen University(中山大学附属第一医院);Duke-NUS Medical School(杜克-新加坡国立大学医学院);National University of Singapore(新加坡国立大学);Mind PointEye;Tsinghua University(清华大学);Nanyang Technological University(南洋理工大学);Singapore AI Safety Institute(新加坡人工智能安全研究所);Lingnan University(岭南大学);University of Birmingham(伯明翰大学);Singapore Eye Research Institute(新加坡眼科研究所);Singapore National Eye Centre(新加坡国家眼科中心)
该研究从理论上证明无限制AI将以概率1超越人类智能,验证了罗森布拉特的AI能力猜想,并提出AI孪生体等技术将推动脑科学、低能耗及可控安全AI等多领域发展。
2024-12-04 cs.AI
The Impact of Artificial Intelligence on the Evolution of Digital Education: A Comparative Study of OpenAI Text Generation Tools including ChatGPT, Bing Chat, Bard, and Ernie
Department of English literature and language(英语文学与语言系);St.Mary’s University of San Antonio(圣玛丽大学);Foster School of Businesses(商学院);University of Washington(华盛顿大学);Department of Civil and Environmental Engineering(土木与环境工程系);Florida International University(佛罗里达国际大学);Department of Electrical Engineering and Computer Science(电气工程与计算机科学系);Florida Atlantic University(佛罗里达Atlantic大学)
本文对比ChatGPT等多款OpenAI文本生成工具在数字教育中的作用,梳理AI在教育多维度的应用价值,指出其滥用风险,倡导教育界与AI工具协同并制定伦理规范。
2025-05-19 cs.AI cs.CY
From Artificial Intelligence to Brain Intelligence: The basis learning and memory algorithm for brain-like intelligence
大脑学习和记忆的算法仍然没有确定。人工神经网络的反向传播算法被认为不适用于大脑皮层,而记忆印迹的算法也缺乏。我们设计了一个大脑版本的反向传播算法,这是生物学上合理的,可以实现与虚拟神经元完成图像分类任务。提出了一种能自动分配记忆印迹单元的编码算法,该算法是记忆印迹理论的一种算法实现,可以模拟海马实现快速联想记忆的过程。LTP和LTD在小脑中的作用也在算法水平上得到了解释。我们的研究结果提出了一种方法,为大脑部署反向传播算法,和稀疏编码方法的记忆印迹理论。
2020-10-07 cs.AI cs.NE
Using Thought-Provoking Children's Questions to Drive Artificial Intelligence Research
Minsky Institute for Artificial Intelligence(明斯基人工智能研究院)
我们建议使用发人深省的儿童问题(TPCQs),即亮点BrainPlay问题,作为一种新的方法来推动人工智能研究和评估通用AI系统的能力。这些问题旨在刺激儿童的思考和学习,它们可以用于在AI系统中做同样的事情,同时向评估者展示系统的推理能力。我们介绍了TPCQ任务,该任务将TPCQ问题作为输入,并产生(1)问题的答案和(2)学习的概括作为输出。我们讨论了BrainPlay问题如何刺激学习。我们分析了244个BrainPlay问题,并报告了关于问题类型、问题类别、答案基数、答案类别、所需知识类型和所需推理类型的统计数据。我们发现,BrainPlay问题涵盖了智力的许多方面。因为BrainPlay问题的答案和从中学到的概括通常是高度开放的,我们建议使用人类法官进行评估。
2017-07-26 cs.AI
Neural Networks, Artificial Intelligence and the Computational Brain
University of Ilorin(伊洛林大学)
近年来,一些研究提供了关于大脑功能的见解,大脑由神经元组成,并通过突触相互连接形成网络。神经网络由神经元的互连系统形成,并且具有两种类型,即人工神经网络(ANN)和生物神经网络(互连神经细胞)。人工神经网络在计算上受到人类神经元的影响,并用于对神经系统进行建模。人工神经网络的推理基础在异常检测,医学领域,如即时医生,电子鼻,模式识别和建模生物系统中非常有用。利用人类大脑的架构推进人工智能的研究,旨在通过研究大脑来建立系统模型,而不是寻找大脑模型的技术。本研究探讨了人工神经网络作为生物神经元模拟器的概念及其应用领域。它还通过将神经网络与当代计算机及其现代实现进行比较,探讨了为什么需要类脑智能以及它与计算框架的不同之处。
2020-12-25 cs.AI q-bio.NC
Development of the ChatGPT, Generative Artificial Intelligence and Natural Large Language Models for Accountable Reporting and Use (CANGARU) Guidelines
University of Southern California(南加州大学);University of Oxford(牛津大学)
为解决学术领域生成式AI相关指南不统一的“巴别塔效应”问题,研究提出CANGARU指南倡议,通过系统综述、文献计量分析、德尔菲调查等四阶段流程,推动学界就GAI/GPT/LLM的伦理使用与规范报告达成全球跨学科共识。
2023-07-18 cs.AI cs.CY
What can the brain teach us about building artificial intelligence?
Vicarious AI
本文是对Lake等人的行为和脑科学文章“构建像人一样学习和思考的机器”的特邀评论的预印本。Lake等人的论文从人类智能的角度对人工智能的最新成就进行了及时的批评,并为构建更像人类的智能的研究方向提供了有见地的建议。由于我们同意该文件中提出的大多数观点,我们将提出几点补充意见。
2019-09-04 cs.AI q-bio.NC
chatGPT for generating questions and assessments based on accreditations
King Abdulaziz University(阿卜杜勒阿齐兹大学)
本研究提出利用生成式人工智能(如ChatGPT)生成符合沙特国家学术认证中心和ABET认证标准的考试题目,并通过动词映射方法验证题目有效性,问卷调查显示教师接受度较高。
2023-11-27 cs.AI cs.CY
A Whole Brain Probabilistic Generative Model: Toward Realizing Cognitive Architectures for Developmental Robots
Ritsumeikan University(立命馆大学);The University of Tokyo(东京大学);The Whole Brain Architecture Initiative(全脑架构倡议);Osaka University(大阪大学);Okinawa Institute of Science and Technology Graduate University(冲绳科学技术大学院大学);Tamagawa University(玉川大学);The University of Electro-Communications(电气通信大学)
构建一个类人的综合性人工认知系统,即人工通用智能(AGI),是人工智能(AI)领域的圣杯。此外,使人工系统能够实现认知发展的计算模型将是脑和认知科学的极好参考。本文介绍了一种方法来开发一个认知架构,通过整合基本的认知模块,使培训的模块作为一个整体。这种方法基于两个想法:(1)大脑启发的AI,学习人类大脑结构以构建人类水平的智能,以及(2)基于概率生成模型(PGM)的认知系统,通过集成PGM为开发机器人开发认知系统。开发框架被称为全脑PGM(WB-PGM),它与现有的认知架构有根本的不同,因为它可以通过基于感觉运动信息的系统不断学习。在这项研究中,我们描述了WB-PGM的基本原理,基于PGM的基本认知模块的现状,它们与人脑的关系,认知模块的整合方法,以及未来的挑战。我们的研究结果可以作为脑研究的参考。由于PGM描述变量之间的明确信息关系,这种描述提供了从计算科学到脑科学的可解释指导。通过提供这些信息,神经科学的研究人员可以向人工智能和机器人技术的研究人员提供反馈,说明当前模型在大脑方面缺乏什么。此外,它可以促进神经认知科学以及人工智能和机器人技术研究人员之间的合作。
2022-01-09 cs.AI
Orangutan: A Multiscale Brain Emulation-Based Artificial Intelligence Framework for Dynamic Environments
Alibaba Group(阿里巴巴集团)
本研究提出多尺度类脑AI框架Orangutan,模拟多尺度脑结构与生化机制,构建了模拟人眼扫视的感觉运动模型,并经手写数字图像测试验证了算法有效性,为AGI研究提供新路径。
2024-06-18 cs.AI q-bio.NC
Designing Artificial Cognitive Architectures: Brain Inspired or Biologically Inspired?
VIDIA-mant
人工神经网络(ANN)被设计为用于人工智能设计实现的工具。然而,很快就发现他们无法履行自己的职责。人工神经网络完全自主的工作方式,排除了任何人为干预或监督,剥夺了任何理论基础,导致了一种奇怪的状态,当人工神经网络设计师无法解释为什么以及如何实现其惊人和显着的结果。因此,当代人工智能研发看起来更像是一个现代炼金术企业,而不是一个受人尊敬的科学或技术事业。另一方面,现代生物科学认为,智力不仅可以在人脑中区分。今天,智力被认为是每个生物的基本属性。因此,自然智能的较低简化形式更适合在人工认知架构中进行研究和进一步复制。
2018-12-12 cs.AI q-bio.NC
Towards Understanding Human Functional Brain Development with Explainable Artificial Intelligence: Challenges and Perspectives
Centre for Computational Intelligence, University of Essex(埃塞克斯大学计算智能中心)
在过去的几十年里,非侵入性神经成像技术取得了重大进展,越来越多地被用于检查人类大脑发育。然而,这些改进并不一定伴随着更复杂的数据分析措施,这些措施能够解释功能性大脑发育的机制。例如,从单变量(大脑中的单个区域)到多变量(大脑中的多个区域)分析范式的转变具有重要意义,因为它允许研究不同大脑区域之间的相互作用。然而,尽管多变量分析有可能揭示发育中的大脑区域之间的相互作用,但应用的人工智能(AI)技术使分析无法解释。本文的目的是了解当前最先进的人工智能技术在多大程度上可以为功能性大脑发育提供信息。此外,还审查了哪些人工智能技术更有可能根据发展认知神经科学(DCN)框架定义的大脑发育过程来解释其学习。这项工作还提出,可解释AI(XAI)可以提供可行的方法来研究DCN框架所假设的功能性大脑发育。
2021-12-24 cs.AI q-bio.NC
Metalearning-Informed Competence in Children: Implications for Responsible Brain-Inspired Artificial Intelligence
University of California, Berkeley(加州大学伯克利分校)
本文提出包含四种协同认知机制的幼儿元学习概念框架及路线图,解释大脑跨情境学习能力,并将其基础架构扩展至类脑人工智能,探讨对道德基础AI的启示。
2023-09-05 cs.AI q-bio.NC
ChatGPT and Beyond: The Generative AI Revolution in Education
Qatar University(卡塔尔大学)
本综述考察2022年11月至2023年7月Scopus Q1和Q2期刊文献,探讨ChatGPT等生成式AI在教育中的应用与影响,揭示其益处、挑战及趋势,助力教育者与决策者将AI融入学习环境。
2023-11-26 cs.AI cs.CL cs.CY
A Review of ChatGPT Applications in Education, Marketing, Software Engineering, and Healthcare: Benefits, Drawbacks, and Research Directions
Jordan University of Science and Technology(约旦科技大学)
该综述梳理了ChatGPT等先进AI语言模型的发展背景,分析其在教育、营销、软件工程、医疗四大领域的应用潜力、现存缺陷,并指明未来研究方向。
2023-04-29 cs.AI cs.CY
Training Artificial Neural Networks by Generalized Likelihood Ratio Method: Exploring Brain-like Learning to Improve Robustness
Institute of Computing Technology(计算技术研究所);Chinese Academy of Science(中国科学院);Peking University(北京大学);Fudan University(复旦大学)
在这项工作中,我们提出了一种广义似然比方法,能够训练人工神经网络与一些生物大脑一样的机制,例如,(a)通过损失值学习,(b)通过具有不连续激活和损失函数的神经元学习。传统的反向传播方法不能训练具有上述类脑学习机制的人工神经网络。数值结果表明,当输入数据同时受到自然噪声和对抗攻击的影响时,用该方法训练的各种人工神经网络的鲁棒性都得到了显著提高。代码可用:\url{https://github.com/LX-doctorAI/GLR_ADV}。
2019-07-11 cs.AI cs.LG stat.ML
Artificial Neural Network Fuzzy Inference System (ANFIS) For Brain Tumor Detection
GIMT Kanipla, Kurukshetra(GIMT卡尼普拉学院,库鲁克舍特拉)
脑肿瘤的检测和分割非常重要,因为它提供了正常和异常组织的解剖信息,有助于治疗计划和患者随访。图像分割有许多技术。提出的研究工作使用ANFIS(人工神经网络模糊推理系统)的图像分类,然后比较结果与FCM(模糊C均值)和K-近邻。ANFIS包括ANN和模糊逻辑系统的优点。综合的特征集和模糊规则的选择分类异常图像对应的肿瘤类型。实验结果表明,有前途的结果在分类精度。与FCM和K-NN进行了比较分析,显示ANFIS系统的优越性。
2012-12-01 cs.AI cs.CV
On the robustness of ChatGPT in teaching Korean Mathematics
National Economics University(国民经济大学)
本研究通过586道韩国数学题评估ChatGPT的鲁棒性,发现其准确率达66.72%,评级符合教育理论与考生视角,但在非英语语境下表现不佳,为其跨语言教育应用的改进提供了方向。
2025-02-17 cs.AI math.HO
Digital twin brain: a bridge between biological intelligence and artificial intelligence
Brainnetome Center, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所脑网络组研究中心);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Research Center for Augmented Intelligence, Zhejiang Lab(之江实验室增强智能研究中心)
本研究提出数字孪生脑(DTB)平台,以脑结构、底层功能模型及应用为核心、脑图谱为约束,衔接生物智能与人工智能,助力智能涌现、神经疾病研究及通用人工智能与精准精神医疗发展。
2023-08-03 cs.AI cs.NE q-bio.NC
Brain-like Functional Organization within Large Language Models
School of Automation, Northwestern Polytechnical University(西北工业大学自动化学院);School of Computing, University of Georgia(佐治亚大学计算学院);School of Computer and Cyber Sciences, Augusta University(奥古斯塔大学计算机与网络科学学院)
本研究首次将大语言模型的人工神经元亚群与人脑功能脑网络关联,发现BERT、Llama 1-3等模型存在类脑功能组织,且随模型能力提升该组织会优化计算多样性与功能特化的平衡,为类脑AGI开发提供新视角。
2024-10-31 cs.AI q-bio.NC
Tuning In to Neural Encoding: Linking Human Brain and Artificial Supervised Representations of Language
KU Leuven(鲁汶大学);Chinese Academy of Sciences(中国科学院)
该研究针对中文语言神经编码研究空白,探究任务微调对预训练Transformer神经编码的影响,发现提示调优在多项任务上优于传统微调,细粒度概念实体处理任务的表征预测性最强,调参比例也会影响编码性能,为理解监督式人工与大脑语言表征的关联提供了依据。
2023-10-05 cs.AI cs.CL
Is artificial consciousness achievable? Lessons from the human brain
Uppsala University(乌普萨拉大学);Biogem, Biology and Molecular Genetics Institute(Biogem生物学与分子遗传学研究所);Institut Pasteur(巴斯德研究所);Collège de France(法兰西公学院)
本文从进化角度以人脑为参考模型,分析了发展人工意识所需的脑结构与功能特征,建议AI从中汲取灵感,并呼吁在讨论人工意识时保持谨慎,明确区分其与人类意识的异同。
2024-07-29 cs.AI q-bio.NC
Beware of Metacognitive Laziness: Effects of Generative Artificial Intelligence on Learning Motivation, Processes, and Performance
Peking University(北京大学);Monash University(莫纳什大学);Zhejiang Lab(之江实验室)
本研究通过117名大学生的随机对照实验,对比不同支持下的写作学习情况,发现ChatGPT虽提升作文分数,但可能引发学习者对技术的依赖与元认知惰性。
2024-12-12 cs.AI cs.HC
Perception, performance, and detectability of conversational artificial intelligence across 32 university courses
New York University Abu Dhabi(纽约大学阿布扎比分校)
本研究比较了ChatGPT与学生在32门大学课程中的表现,评估了AI文本检测器的可靠性,并调查了多国学生与教育者的看法,发现ChatGPT表现相当或更优,检测器不可靠,且学生与教育者态度存在分歧。
2023-05-07 cs.AI cs.CY
Students' Perceptions and Preferences of Generative Artificial Intelligence Feedback for Programming
North Carolina State University(北卡罗来纳州立大学);Georgia Institute of Technology(佐治亚理工学院)
本研究探讨ChatGPT为CS1课程Java作业提供自动化反馈的可行性,通过调查发现学生认可其形成性价值,偏好含代码的针对性纠错反馈,为优化AI教育反馈提供了方向。
2023-12-17 cs.AI cs.CY cs.HC
Emergent Computations in Trained Artificial Neural Networks and Real Brains
Universidad Autónoma de Madrid(马德里自治大学);Sano - Centre for Computational Personalised Medicine(Sano计算个性化医学中心)
突触可塑性使大脑皮层回路能够学习新的任务并适应不断变化的环境。大脑皮层回路是如何利用可塑性来获得决策或工作记忆等功能的?神经元以复杂的方式连接,形成循环的神经网络,学习改变了它们连接的强度。此外,神经元发出短暂的离散电信号进行通信。在这里,我们描述了如何在神经科学实验室中训练动物的任务中训练递归神经网络,以及如何在训练好的网络中出现计算。令人惊讶的是,人工网络和真正的大脑可以使用类似的计算策略。
2022-12-13 cs.AI cs.NE q-bio.NC
The whole brain architecture approach: Accelerating the development of artificial general intelligence by referring to the brain
The Whole Brain Architecture Initiative(全脑架构倡议组织);The University of Tokyo(东京大学);RIKEN(理化学研究所)
大量计算机制(包括机器学习)的组合所创造的巨大设计空间是创建人工通用智能(AGI)的障碍。大脑启发的AGI开发,换句话说,减少设计空间,使其看起来更像生物大脑,这是通用智能的现有模型,是解决这个问题的一个有前途的计划。然而,个人很难设计出与整个大脑相对应的软件程序,因为理解大脑结构所需的神经科学数据是广泛而复杂的。全脑架构方法将大脑启发的AGI开发过程分为设计大脑参考架构(BRA)的任务-信息流和相应组件的图表-以及使用BRA开发每个组件的任务。这被称为BRA-driven development。另一个困难在于从神经科学数据中提取再现大脑认知行为功能所需的操作原理。因此,本研究提出了结构约束界面分解(SCID)方法,这是一种假设建立方法,用于创建与神经科学发现一致的假设组件图。这种方法已经开始应用于构建大脑的各个区域。接下来,我们将研究评估大脑启发软件的生物兼容性的方法。这种评估还将用于优先考虑与大脑相同区域相关的不同计算机制,这些机制应该合并。
2021-03-06 cs.AI cs.LG cs.NE
Brain-Inspired Hardware for Artificial Intelligence: Accelerated Learning in a Physical-Model Spiking Neural Network
Kirchhoff Institute for Physics, Heidelberg University(海德堡大学基尔霍夫物理研究所);Department of Physiology, University of Bern(伯尔尼大学生理学系);University of Bern(伯尔尼大学);Heidelberg University(海德堡大学);Kirchhoff Institute for Physics(基尔霍夫物理研究所)
人工智能的未来发展将受益于新的、非传统的大脑启发计算基底的存在。神经形态计算机的目标是提供这样一种基底,以再现大脑在自适应、低功耗信息处理方面的能力。我们提出了BrainScaleS-2混合信号神经形态系统的原型芯片的结果,该系统采用物理模型方法,相对于生物实时的,脉冲神经网络动力学加速1000倍。使用嵌入式可塑性处理器,我们都模拟乒乓街机视频游戏,并实现了本地可塑性规则,使强化学习,允许片上神经网络学习玩游戏。实验证明了所采用的方法的关键方面,如加速和灵活的学习,高能效和抗噪声能力。
2019-10-01 cs.AI cs.ET cs.NE
From Big to Small Without Losing It All: Text Augmentation with ChatGPT for Efficient Sentiment Analysis
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学)
本文提出用 ChatGPT 生成合成训练数据进行文本增强,使小型情感分析模型达到甚至超过大型模型性能,同时降低计算、推理和内存成本。
2023-12-07 cs.AI cs.CL cs.LG
Exploring ChatGPT for Next-generation Information Retrieval: Opportunities and Challenges
York University(约克大学)
本文探讨了ChatGPT作为生成式AI关键技术对传统信息检索范式的挑战,分析其在文本质量、模型偏差、效率方面的机遇与挑战,展望其在信息检索领域的未来发展方向。
2024-02-17 cs.AI cs.CL cs.IR
Bayesian sense of time in biological and artificial brains
Wellcome Centre for Human Neuroimaging, University College London(伦敦大学学院威康人类神经影像中心);Department of Computing, Imperial College London(帝国理工学院计算系)
关于生物大脑的潜在机制和涌现特性的研究有着悠久的理论假设和实验发现的历史。今天,科学界倾向于对大脑认知基础的单一解释--即它是一台贝叶斯推断机器。这一当代观点自然成为最近围绕计算和认知神经科学发展的强大驱动力。特别令人感兴趣的是大脑处理时间流逝的能力-我们经验的基本维度之一。我们如何用贝叶斯大脑假说解释人类时间感知的经验数据?我们能用贝叶斯模型复制人类的估计偏差吗?基于主体的机器学习模型能为这一课题的研究提供什么样的启示?在这一章中,我们回顾了时间感知领域的一些最新进展,并讨论了贝叶斯处理在构建时间模型中的作用。
2022-01-14 cs.AI q-bio.NC stat.ML
Brain-inspired learning in artificial neural networks: a review
Johns Hopkins University(约翰斯·霍普金斯大学);University of Cambridge(剑桥大学);Intel Labs(英特尔实验室);ML Collective(机器学习联盟);The Swiss AI Lab IDSIA(瑞士人工智能实验室IDSIA);University of Maryland, College Park(马里兰大学帕克分校);University of California, Santa Cruz(加州大学圣克鲁兹分校)
本文综述了人工神经网络中类脑学习的表示方法,探讨整合突触可塑性等生物学机制以增强网络能力,并分析了该方法的潜在优势、挑战及未来研究方向。
2023-05-18 cs.AI cs.LG cs.NE
Neuromorphic Correlates of Artificial Consciousness
Central Queensland University(中央昆士兰大学);School of Engineering and Technology(工程与技术学院)
本文提出人工意识的神经形态关联(NCAC)理论框架,通过融合神经形态设计、大脑模拟与机器学习,探索未来实现机器意识与觉知的可能性。
2024-05-03 cs.AI eess.SP
Science in the Era of ChatGPT, Large Language Models and Generative AI: Challenges for Research Ethics and How to Respond
University of Leeds(利兹大学)
本文探讨了ChatGPT等生成式AI在科学研究中引发的伦理与诚信风险,审视了AI作为研究工具和对象的伦理影响,并提出十项建议以促进AI时代更负责任的研究行为。
2023-07-29 cs.AI cs.CL cs.CY
Integrating Artificial Intelligence with Human Expertise: An In-depth Analysis of ChatGPT's Capabilities in Generating Metamorphic Relations
Swinburne University of Technology(斯威本科技大学)
本研究深入分析GPT-4在软件测试中生成蜕变关系的能力,发现其优于GPT-3.5,并验证了AI与人类评估的互补性,凸显AI在软件测试中的潜力。
2025-03-28 cs.AI cs.SE
Artificial Intelligence in Fetal Resting-State Functional MRI Brain Segmentation: A Comparative Analysis of 3D UNet, VNet, and HighRes-Net Models
Rush Medical College(拉什医学院);Rush University Medical Center(拉什大学医学中心);University of Washington(华盛顿大学)
本研究针对胎儿静息态fMRI脑分割准确率低的问题,利用160例开源数据集,通过5折交叉验证比较了3D UNet、VNet和HighResNet三种AI模型,并使用Optuna进行超参数调优,发现VNet模型表现最佳,为后续AI在胎儿脑fMRI分割中的应用研究奠定了基础。
2023-11-17 cs.AI q-bio.NC
A New Strategy for Artificial Intelligence: Training Foundation Models Directly on Human Brain Data
本文提出通过直接在人类脑数据上训练基础模型,以突破传统数据的限制,探索认知功能的新方法。
2026-09-09 cs.AI cs.LG q-bio.NC
ChatGPT is on the Horizon: Could a Large Language Model be Suitable for Intelligent Traffic Safety Research and Applications?
University of Central Florida(中佛罗里达大学)
本文探讨大型语言模型在智能交通安全领域的适用性,介绍其发展、应用实例、争议与解决方案,并提出多模态表示学习以促进交通安全决策与研究。
2023-09-05 cs.AI cs.CL cs.LG
Scamming the Scammers: Using ChatGPT to Reply Mails for Wasting Time and Resources
National Research Council of Italy(意大利国家研究委员会)
使用人工智能(AI)来支持网络安全操作现在是一种综合实践,例如,检测恶意代码或配置流量过滤策略。最近,人工智能、生成技术和具有高效自然语言处理功能的框架的激增,大大增加了旨在提高互联网安全性的可能应用的数量。具体来说,ChatGPT在模仿真实的人类交互的同时生成文本内容的能力可以用来减轻包含诈骗的电子邮件的瘟疫。因此,本文研究了使用人工智能来吸引骗子进行自动化和毫无意义的通信,目的是浪费他们的时间和资源。初步结果显示,ChatGPT能够诱骗骗子,从而证实人工智能是对抗通过邮件发送的威胁的有效工具。此外,我们还强调了从人工智能无处不在的角度来看需要解决的众多影响和开放性研究问题。
2023-02-10 cs.AI cs.CR cs.HC
A Conversational Brain-Artificial Intelligence Interface
University of Vienna(维也纳大学);Doctoral School Computer Science, Faculty of Computer Science, University of Vienna(维也纳大学计算机学院计算机博士学院);Vienna Cognitive Science Hub, University of Vienna(维也纳大学维也纳认知科学中心);Research Network Data Science, University of Vienna(维也纳大学数据科学研究网络)
本文提出脑-人工智能接口(BAIs)作为脑-计算机接口的新类别,利用AI替代认知处理环节,并通过基于EEG的对话式BAI在模拟电话实验中首次证明非侵入性语音神经假体可实现无需语言生成的流畅通信。
2024-03-14 cs.AI cs.HC eess.SP