XiaoMi-AI文件搜索系统
World File Search System常识推理
将人工智能深深扎根于基础科学对于...
人工智能的发展目标之一就是将人工智能深深扎根于基础科学，同时发展以脑为启发的人工智能平台，推动新的科学发现。这些挑战对于推动人工智能理论和应用技术的研究至关重要。本文提出了未来20年人工智能研究面临的重大挑战，包括：（i）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；（ii）人脑的电信号是如何传输的？脑神经电信号与人体活动的协调机制是什么？（iii）将脑机接口（BCI）和脑肌肉接口（BMI）技术深深扎根于对人类行为的科学研究； (iv)研究知识驱动的视觉常识推理（VCR），发展新型认知网络识别推理引擎（CNR）；（v）发展高精度、多模态智能感知器；（vi）研究基于知识图谱（KG）的智能推理与快速决策系统。我们认为，人工智能前沿理论创新、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与突破、发展负责任的人工智能应成为未来人工智能科学家的主要研究策略。关键词：类脑人工智能；脑机接口；认知科学；常识推理；知识图谱驱动推理；负责任的人工智能。
![arXiv:2008.13278v1 [cs.AI] 2020 年 8 月 30 日](/simg/g:\will\search\icon\source\9\92e26a4c8aa8cd35f6743e8c6e2f787de640e466.png)
arXiv:2008.13278v1 [cs.AI] 2020 年 8 月 30 日
条件逻辑起源于哲学逻辑。Lewis [ 21 , 23 ] 首次对它们进行了研究，以形式化假设和反事实推理（如果 A 是事实，则 B ），而这些推理无法通过经典逻辑的实质含义来捕捉。从 80 年代开始，它们开始被计算机科学和人工智能所考虑，并为非单调和常识推理提供了公理基础 [ 8 , 19 ]。特别是，常识推理的优先方法 [ 19 , 20 ] 最近已扩展到描述逻辑，以处理本体中的继承异常，允许非严格形式的包含，称为典型性或可废止包含（即条件），具有不同的优先语义 [ 10 , 4 ] 和闭包构造 [6,5,13,24]。在本文中，我们考虑了最近为 EL ⊥ 系列的轻量级描述逻辑引入的“概念感知”多偏好语义 [ 15 ]，它考虑了对不同概念的偏好，并将它们集成到优先语义中。为了支持这种语义的合理性，我们表明它可以用于提供自组织映射的逻辑语义 [ 18 ]。自组织映射 (SOM) 已被提议作为解释类别泛化背后的心理机制的可能候选者。它们是心理学和生物学上合理的神经网络模型，可以在有限接触正面类别示例后进行学习，而无需任何对比信息。我们表明，自组织映射中的类别泛化过程会产生一个多偏好模型，其中偏好关系与每个概念（每个学习类别）相关联，并将偏好组合成一个全局
PLANAGENT：闭环车辆运动计划的多模式大语言代理
摘要 - 车辆运动计划是自动驾驶技术的重要组成部分。当前基于规则的车辆运动计划方法在常见的情况下令人满意地表现出色，但努力将其推广到长尾情况。同时，基于学习的方法尚未在大规模闭环场景中实现优于基于规则的方法的优越性能。为了解决这些问题，我们提出了基于多模式大语言模型（MLLM）的第一个中高中计划系统。mllm被用作认知剂，将类似人类的知识，解释性和常识推理引入闭环计划中。具体来说，Plana-Gent通过三个核心模块利用了MLLM的力量。首先，环境变换模块构建了鸟类视图（BEV）地图和从环境中作为输入的基于车道的文本描述。第二，推理引擎模块从场景理解到侧面和纵向运动指令中引入了一个分层的思想，最终导致计划器代码生成。最后，集成了一个反射模块，以模拟和评估生成的计划者，以降低MLLM的不确定性。Planagent具有MLLM的常识推理和概括能力，这使其有效地应对常见和复杂的长尾方案。我们提出的Planagent对大规模和具有挑战性的NUPLAN基准进行了评估。全面的实验集令人信服地表明，Planigent在闭环运动计划任务中的表现优于现有的最新面积。代码将很快发布。
SenticNet 7：基于常识的可解释情绪分析神经符号 AI 框架
摘要 近年来，人工智能研究已显示出造福人类和社会的巨大潜力。尽管人工智能在分类和模式识别任务中的表现往往优于人类，但它在需要常识推理的复杂任务（如自然语言理解）方面仍然举步维艰。在这种情况下，当前人工智能模型的主要限制是：依赖性、可重复性、可信度、可解释性和可解释性。在本文中，我们提出了一个基于常识的神经符号框架，旨在克服情绪分析背景下的这些问题。具体而言，我们采用无监督和可重复的亚符号技术（如自回归语言模型和核方法）来构建可信的符号表示，将自然语言转换为一种原始语言，从而以完全可解释和可说明的方式从文本中提取极性。
人工智能未来的七大支柱
摘要：近年来，人工智能研究显示出对人类和社会产生积极影响的巨大潜力。尽管人工智能在分类和模式识别相关任务中的表现往往优于人类，但在处理直觉决策、意义消歧、讽刺检测和叙事理解等复杂任务时，它仍然面临挑战，因为这些任务需要高级推理，例如常识推理和因果推理，而这些推理尚未得到令人满意的模拟。为了解决这些缺点，我们提出了七个支柱，我们认为这些支柱代表了人工智能未来的关键标志性特征，即：多学科性、任务分解、平行类比、符号基础、相似性度量、意图意识和可信度。
人工智能
计算机科学家 Yejin Choi 在此揭开 ChatGPT 等大型人工智能系统的现状，强调尖端大型语言模型的三个关键问题（包括一些在基本常识推理方面失败的有趣例子）。她欢迎我们进入一个新时代，在这个时代，人工智能几乎就像一个新的智力物种——并指出了构建根据人类规范和价值观进行训练的小型人工智能系统的好处。（随后是与 TED 负责人 Chris Anderson 的问答）'• Johnson, D.、Goodman, R.、Patrinely, J.、Stone, C.、Zimmerman, E.、Donald, R.，...... & Wheless, L. (2023)。评估人工智能生成的医疗反应的准确性和可靠性：对 Chat-GPT 模型的评估
人工智能中的“快思考”与“慢思考”：元认知的作用
近年来，人工智能系统取得了长足进步，带来了许多渗透到我们日常生活中的应用。然而，我们看到的仍然主要是狭义人工智能的例子：许多最近的发展通常集中在非常有限的能力和目标上，例如图像解释、自然语言处理、分类、预测等等。此外，虽然这些成功可以归功于改进的算法和技术，但它们也与海量数据集和计算能力的可用性密切相关 [ 21 ]。最先进的人工智能仍然缺乏许多自然包含在（人类）智能概念中的能力。这些能力的例子有：普遍性、适应性、稳健性、可解释性、因果分析、抽象性、常识推理、伦理推理 [28]，以及由隐性和显性知识支持的复杂且无缝的学习与推理集成 [20]。
人工智能中的“快思考”与“慢思考”：元认知的作用
近年来，人工智能系统取得了长足进步，带来了许多渗透到我们日常生活的应用。然而，我们看到的仍然主要是狭义人工智能的例子：许多近期发展通常集中在非常有限的能力和目标上，例如图像解释、自然语言处理、分类、预测等等。此外，虽然这些成功可以归功于算法和技术的改进，但它们也与海量数据集和计算能力的可用性密切相关 [ 21 ]。最先进的人工智能仍然缺乏许多自然包含在（人类）智能概念中的能力。这些能力的例子有普遍性、适应性、鲁棒性、可解释性、因果分析、抽象、常识推理、道德推理 [ 28 ]，以及由隐性和显性知识支持的复杂而无缝的学习与推理集成 [ 20 ]。