XiaoMi-AI文件搜索系统
World File Search SystemBengio
开始使用 AI
简介 “人工智能”（AI）一词由科学家约翰·麦卡锡于 1956 年提出。他将人工智能定义为“制造智能机器的科学和工程”。在接下来的几十年里，人们对人工智能的兴趣有高潮也有低谷。 2011年，由于深度学习技术的发展，人工智能再次复兴。 Andrew Ng、Geoffrey Hinton、Yoshua Bengio、Yann LeCun等研究人员也因此推动了算法的智能化。之前被认为不可能的人工智能应用突然变得可行。例如，超级计算机沃森（IBM）肯轻松击败了他的人类对手詹宁斯和布拉德·鲁特，这两位选手曾在电视智力竞赛节目《危险边缘！》中打破纪录，而谷歌则利用人工智能从我们的点击行为中学习，以区分狗和猫。此外，2016 年，谷歌开发的 AlphaGo 在围棋比赛中击败了世界冠军李世石，而我们当时认为围棋只有依靠人类的智慧（和直觉）才能达到高水平。在高等教育领域，人工智能正在全球范围内取得重大进展。高等教育机构在实施人工智能 1 时取得了可衡量的成果。因此，人们对人工智能的作用寄予厚望，例如在教师工作量、个性化学习、数字学习资源的有效性以及对学生表现的切实见解方面2。目前已建造了许多成功的原型。我们现在面临的挑战是扩大这些原型并将其集成到整个机构的系统中 3 。为此，我们必须重新审视当前的决策。我们利用人工智能获得的新数据、分析、技术和服务如果以传统的决策方式应用，将不会有效且可持续。在本次黑客马拉松期间，我们将探索人工智能在当代教育实践中的实际可能性。我们专注于教育中的认知任务的自动化，特别是教师和学生的作用和后果。
是什么使得意识理论不科学？
涉及 IIT, Derek H. Arnold 1 , Mark G. Baxter 2 , Tristan A. Bekinschtein 3 , Yoshua Bengio 4, 5 , James W. Bisley 6,7 , Jacob Browning 8 , Dean Buonomano 6,7,9 , David Carmel 10 , Marisa Carrasco 11 , Peter Carruthers 13 , 13 Olivia Carter 14 , Dorita HF Chang 15 , Ian Charest 16 , Mouslim Cherkaoui 7 , Axel Cleeremans 17 , Michael A. Cohen 18,19 , Philip R. Corlett 20,21,22 , Kalina Christoff 23 , Sam Cumming 24 , Betrice A. Gelder 25 , Felipe De布里加德26,27,28,29，丹尼尔·C·丹尼特 30，纳丁·迪杰斯特拉 31，阿德里安·多里格 32,33，保罗·E·杜克斯 1，斯蒂芬·M·弗莱明 34,31，基思·弗兰克什 35，克里斯·D·弗里加德 31，莎拉·加芬克尔 36，梅尔文·A·古德尔 38.39 , Jacqueline Gottlieb 40.41 , Jake Hanson 42 , Ran R. Hassin 43.44 , Michael H. Herzog 45 , Cecilia Heyes 46.47 , Po-Jang Hsieh 48 , Shao-Min Hung 49 , Robert Kentridge , Kna Tomas 50 51,52 , Nikos Konstantinou 53 , 康拉德·科丁54,55,56,57 , Timo L. Kvamme 58 , Sze Chai Kwok 29,59 , Renzo C. Lanfranco 60 , Hakwan Lau 61, 62, 63 , Joseph Le Doux , 65, Alan Lee 65 67 , Camilo Libedinsky 68 , Matthew D. Lieberman 7 ,林英东 69 , 刘家悦 61,70 , Maro G. Machizawa 71,72,73 , Janet Metcalfe 74 , Matthias Michel 75 , Kenneth D. Miller , 78, 717, Partha 71,79 , Partha P. Mitra 80 , Dean Mobbs 81,82 , Robert M.豪尔赫·莫克 83莫拉莱斯 84, 85 、米尔托·米洛普洛斯 86 、布赖恩·奥德加德 87 、查尔斯 C.-F.或 88 ，阿德里安·M·欧文 38,39,89 ，大卫·佩雷普利奥奇克 90 ，弗朗哥
人工智能与机器学习 IV 年级课程大纲
神经网络与深度学习 B.Tech. IV 第一年 学期 LTPC 3 0 0 3 课程目标： 介绍人工神经网络的基础知识 获取有关深度学习概念的知识 学习各种类型的人工神经网络 获取应用优化策略的知识 课程成果： 能够理解神经网络的概念 能够选择学习网络来建模现实世界系统 能够使用有效的深度模型算法 能够将优化策略应用于大规模应用 UNIT-I 人工神经网络简介、ANN 的基本模型、重要术语、监督学习网络、感知器网络、自适应线性神经元、反向传播网络。联想记忆网络。模式关联的训练算法、BAM 和 Hopfield 网络。 UNIT-II 无监督学习网络-简介，固定权重竞争网络，Maxnet，Hamming 网络，Kohonen 自组织特征映射，学习矢量量化，反向传播网络，自适应共振理论网络。特殊网络-各种网络的介绍。 UNIT - III 深度学习简介、深度学习的历史趋势、深度前馈网络、基于梯度的学习、隐藏单元、架构设计、反向传播和其他微分算法 UNIT - IV 深度学习的正则化：参数范数惩罚、范数惩罚作为约束优化、正则化和欠约束问题、数据集增强、噪声鲁棒性、半监督学习、多任务学习、早期停止、参数类型化和参数共享、稀疏表示、Bagging 和其他集成方法、Dropout、对抗性训练、切线距离、切线 Prop 和流形、切线分类器 UNIT - V 训练深度模型的优化：神经网络优化中的挑战、基本算法、参数初始化策略、具有自适应学习率的算法、近似二阶方法、优化策略和元算法应用：大规模深度学习、计算机视觉、语音识别、自然语言处理教科书：1. 深度学习：麻省理工学院出版社出版的书籍，作者：Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 2. 神经网络和学习机器，Simon Haykin，第 3 版，Pearson Prentice Hall。
通用人工智能对国家和国家的影响
Yoshua Bengio 正如《国际先进人工智能安全科学报告》所强调的那样，通用人工智能系统的能力在过去十年中一直在稳步提升，并在过去几年中显著加速。1 如果这些趋势持续下去，并且按照领先人工智能公司宣称的目标，我们很可能在广泛的认知技能领域实现人类水平的能力，即通常所说的通用人工智能 (AGI)。值得注意的是，我们已经在自然语言方面实现了人类水平的能力，即可以阅读和理解文本并流利地响应或生成新的文本、视觉、音频或视频内容的系统。虽然科学进步无法准确预测，但许多领先的研究人员现在估计 AGI 的时间可能短至几年或十年。这与过去十年的稳步发展相一致，这些发展是由算法进步和计算资源使用量的扩大以及全球人工智能研发投资呈指数级增长（高达数万亿美元）所推动的。2 虽然缺乏内部审议能力（即思考能力）一直被认为是当前人工智能的主要弱点之一，但最近基于一种具有内部审议能力的新型人工智能的进展表明，我们可能即将缩小与人类水平推理能力的差距。3、4 此外，前沿人工智能公司正在寻求开发具有特定技能的人工智能，这种技能很可能解锁所有其他技能并加速进步：具有推动人工智能研究能力的人工智能。一个人工智能系统如果在人工智能研究方面的能力与人工智能实验室中最顶尖的少数研究人员一样强，那么高级研究人员的数量将成倍增加。尽管训练人工智能需要数万个 GPU，但一旦训练完成，就可以在推理时并行部署，产生相当于数十万个自动化人工智能工作者。这样的扩展可以大大加速超人人工智能系统的发展。这一场景的实现可能导致从 AGI 到人工智能超级智能 (ASI) 的快速转变，据一些专家称，转变时间从几个月到几年不等。5 想象这样的可能性可能具有挑战性，我们无法保证它们会实现，因为未来人工智能发展的速度和方向在很大程度上取决于未来数月和数年的政治决策和科学进步。如果 ASI 出现，会有什么后果？6然而，考虑到专家们列出的某些情景的后果，我们现在需要认真考虑如何减轻这些后果。显然，潜在的好处是巨大的，可以通过医学、教育、农业、应对气候变化等方面的进步，实现显著的经济增长和社会福祉的极大改善。然而，这种高级智能也可能在全球范围内提供无与伦比的战略优势，并使平衡偏向少数人（公司、国家或个人），同时对许多其他人造成巨大伤害。在当前的地缘政治和企业背景下尤其如此，因为对这些技术的控制极其集中。
人工智能与人类交互舒适度研究
[1] Michael Ahn、Anthony Brohan、Noah Brown、Yevgen Chebotar、Omar Cortes、Byron David、Chelsea Finn、Keerthana Gopalakrishnan、Karol Hausman、Alex Herzog 等人。2022 年。尽我所能，不要照我说的做：为机器人可供性奠定语言基础。arXiv 预印本 arXiv:2204.01691 (2022)。[2] Chris Baker、Rebecca Saxe 和 Joshua Tenenbaum。2011 年。贝叶斯心智理论：建模联合信念-愿望归因。在认知科学学会年会论文集，第 33 卷。[3] Chris L Baker、Noah D Goodman 和 Joshua B Tenenbaum。2008 年。基于理论的社会目标推理。在认知科学学会第三十届年会论文集。 Citeseer，1447–1452。[4] Chris L Baker 和 Joshua B Tenenbaum。2014 年。使用贝叶斯心理理论对人类计划识别进行建模。计划、活动和意图识别：理论与实践 7 (2014)，177–204。[5] Andreea Bobu、Marius Wiggert、Claire Tomlin 和 Anca D Dragan。2021 年。特征扩展奖励学习：重新思考人类输入。在 2021 年 ACM/IEEE 人机交互国际会议论文集上。216–224。[6] Andreea Bobu、Marius Wiggert、Claire Tomlin 和 Anca D Dragan。2022 年。通过学习特征在奖励学习中诱导结构。国际机器人研究杂志 (2022)，02783649221078031。[7] Mustafa Mert Çelikok、Tomi Peltola、Pedram Daee 和 Samuel Kaski。2019 年。具有心智理论的交互式人工智能。arXiv 预印本 arXiv:1912.05284 (2019)。[8] Aakanksha Chowdhery、Sharan Narang、Jacob Devlin、Maarten Bosma、Gaurav Mishra、Adam Roberts、Paul Barham、Hyung Won Chung、Charles Sutton、Sebastian Gehrmann 等人。2022 年。Palm：使用路径扩展语言建模。arXiv 预印本 arXiv:2204.02311 (2022)。[9] Harmen De Weerd、Rineke Verbrugge 和 Bart Verheij。 2013. 了解她知道你知道的事情有多大帮助？一项基于代理的模拟研究。人工智能 199 (2013)，67–92。[10] Jacob Devlin、Ming-Wei Chang、Kenton Lee 和 Kristina Toutanova。2018. Bert：用于语言理解的深度双向变压器的预训练。arXiv 预印本 arXiv:1810.04805 (2018)。[11] Prafulla Dhariwal 和 Alexander Nichol。2021. 扩散模型在图像合成方面击败了 gans。神经信息处理系统进展 34 (2021)，8780–8794。[12] Prashant Doshi、Xia Qu、Adam Goodie 和 Diana Young。2010. 使用经验主义交互式 POMDP 对人类的递归推理进行建模。在第九届自主智能体和多智能体系统国际会议论文集：第 1 卷-第 1 卷。1223–1230。[13] 段佳飞、余志强、谭辉、朱宏远和陈志东。2022 年。具身人工智能调查：从模拟器到研究任务。IEEE 计算智能新兴主题汇刊 (2022 年)。[14] 段佳飞、余志强、谭辉、易立和陈志东。2022 年。BOSS：对象上下文场景中人类信念预测的基准。arXiv 预印本 arXiv:2206.10665 (2022 年)。[15] David Engel、Anita Woolley、Lisa Jing、Christopher Chabris 和 Thomas Malone。2014 年。从眼睛读懂心思还是从字里行间读懂心思？心智理论在线上和面对面时同样能预测集体智慧。PloS one 9 (12 2014)，e115212。https://doi.org/10.1371/journal.pone.0115212 [16] Dylan Hadfield-Menell、Stuart J Russell、Pieter Abbeel 和 Anca Dragan。2016 年。合作逆强化学习。神经信息处理系统的进展 29 (2016)。[17] Yanlin Han 和 Piotr Gmytrasiewicz。2018 年。使用交互式 POMDP 在多智能体环境中学习他人的意向模型。神经信息处理系统的进展 31 (2018)。 [18] 何开明、张翔宇、任少卿和孙健。2016 年。深度残差学习在图像识别中的应用。IEEE 计算机视觉与模式识别会议论文集。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。2020 年。去噪扩散概率模型。神经信息处理系统进展 33（2020 年），6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020 年。人工智能与对未来的担忧：挪威案例研究。在《分布式、环境和普适交互》中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。 [21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。2016 年。协调合作或竞争：社交互动中的抽象目标和共同意图。《认知科学》。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015 年。深度学习。《自然》521，7553（2015 年），436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的更大信任？个体差异在用户对内容审核反应中的作用。新媒体与社会 0, 0 (0), 14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。[25] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018 年。机器心智理论。国际机器学习会议。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本到图像生成。国际机器学习会议。PMLR，8821–8831。org/10.1371/journal.pone.0115212 [16] Dylan Hadfield-Menell、Stuart J Russell、Pieter Abbeel 和 Anca Dragan。2016 年。合作式逆强化学习。神经信息处理系统进展 29（2016 年）。[17] Yanlin Han 和 Piotr Gmytrasiewicz。2018 年。使用交互式 POMDP 在多智能体环境中学习他人的意向模型。神经信息处理系统进展 31（2018 年）。[18] Kaiming He、Xiangyu Zhang、Shaoqing Ren 和 Jian Sun。2016 年。用于图像识别的深度残差学习。IEEE 计算机视觉与模式识别会议论文集。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。 2020. 去噪扩散概率模型。神经信息处理系统进展 33 (2020)，6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020. 人工智能与对未来的担忧：挪威案例研究。在分布式、环境和普适交互中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。[21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。2016. 协调合作或竞争：社交互动中的抽象目标和共同意图。在 CogSci 中。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015. 深度学习。 nature 521, 7553 (2015), 436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的信任度更高？个体差异在用户对内容审核的反应中的作用。新媒体与社会 0, 0 (0), 14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。[25] David Premack 和 Guy Woodruff。 1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978)，515–526。https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018. 机器心智理论。在国际机器学习会议上。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021. 零样本文本到图像生成。在国际机器学习会议上。PMLR，8821–8831。org/10.1371/journal.pone.0115212 [16] Dylan Hadfield-Menell、Stuart J Russell、Pieter Abbeel 和 Anca Dragan。2016 年。合作式逆强化学习。神经信息处理系统进展 29（2016 年）。[17] Yanlin Han 和 Piotr Gmytrasiewicz。2018 年。使用交互式 POMDP 在多智能体环境中学习他人的意向模型。神经信息处理系统进展 31（2018 年）。[18] Kaiming He、Xiangyu Zhang、Shaoqing Ren 和 Jian Sun。2016 年。用于图像识别的深度残差学习。IEEE 计算机视觉与模式识别会议论文集。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。 2020. 去噪扩散概率模型。神经信息处理系统进展 33 (2020)，6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020. 人工智能与对未来的担忧：挪威案例研究。在分布式、环境和普适交互中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。[21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。2016. 协调合作或竞争：社交互动中的抽象目标和共同意图。在 CogSci 中。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015. 深度学习。 nature 521, 7553 (2015), 436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的信任度更高？个体差异在用户对内容审核的反应中的作用。新媒体与社会 0, 0 (0), 14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。[25] David Premack 和 Guy Woodruff。 1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978)，515–526。https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018. 机器心智理论。在国际机器学习会议上。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021. 零样本文本到图像生成。在国际机器学习会议上。PMLR，8821–8831。在 IEEE 计算机视觉与模式识别会议论文集上。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。2020 年。去噪扩散概率模型。神经信息处理系统进展 33 (2020)，6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020 年。人工智能与对未来的担忧：挪威案例研究。在《分布式、环境和普适交互》中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。[21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。 2016. 协调合作或竞争：社会互动中的抽象目标和共同意图。在 CogSci 中。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015. 深度学习。自然 521，7553（2015），436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的更大信任？个体差异在用户对内容审核反应中的作用。新媒体与社会 0, 0 (0)，14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv：https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。 1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。[25] David Premack 和 Guy Woodruff。1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018. 机器心智理论。国际机器学习会议。PMLR，4218–4227。 [27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本转图像生成。国际机器学习会议。PMLR，8821–8831。在 IEEE 计算机视觉与模式识别会议论文集上。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。2020 年。去噪扩散概率模型。神经信息处理系统进展 33 (2020)，6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020 年。人工智能与对未来的担忧：挪威案例研究。在《分布式、环境和普适交互》中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。[21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。 2016. 协调合作或竞争：社会互动中的抽象目标和共同意图。在 CogSci 中。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015. 深度学习。自然 521，7553（2015），436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的更大信任？个体差异在用户对内容审核反应中的作用。新媒体与社会 0, 0 (0)，14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv：https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。 1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。[25] David Premack 和 Guy Woodruff。1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018. 机器心智理论。国际机器学习会议。PMLR，4218–4227。 [27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本转图像生成。国际机器学习会议。PMLR，8821–8831。//doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 [25] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018 年。机器心智理论。国际机器学习会议。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本到图像生成。国际机器学习会议。PMLR，8821–8831。//doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 [25] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018 年。机器心智理论。国际机器学习会议。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本到图像生成。国际机器学习会议。PMLR，8821–8831。
了解我，了解你：人工智能中的心智理论
人工智能 (AI) 极大地改变了我们所知的世界。机器学习 (ML) 是人工智能的一个分支，其关键进展在于使机器能够从数据中学习。深度学习 (DL) (LeCun、Bengio 和 Hinton，2015) 发挥了核心作用，这是一种基于人工神经网络的技术，旨在有效支持学习。由于 DL 与强化学习 (RL，即代理通过与现实世界交互进行学习并相应地获得奖励或惩罚的概念) 相结合，它已被证明能够提供有时超越人类的表现。一个典型的例子是 AlphaGo 计算机程序成功地在围棋比赛中不断击败世界冠军，同时为成功的游戏策略提供了新的见解。这些突破性的成就让人们对人工智能及其所能实现的目标过度自信，尤其是在短期内。风险投资蜂拥而至人工智能初创企业。人们期待自动驾驶汽车随时出现在我们的道路上。然而，最近发生的一些严重事件已经敲响了警钟。涉及原型自动驾驶汽车的事故已导致人员伤亡（Tesla Deaths，2020 年），这让人们质疑该技术在人机密切互动的潜在危险情况下的使用是否真的准备就绪。令人惊讶的是，这些事故是由于车辆未能执行相对简单的任务造成的，例如物体检测或障碍物跟踪和避让（Hawkins，2019 年）。事实上，在 AI 能够安全地部署到高风险和潜在危险的情况下之前，需要具备更为复杂的功能。对当前 AI 使用的期望可能需要修改。以自动驾驶为例。智能汽车需要实时对人类行为做出可靠的预测，以便预先调整速度和路线，以应对儿童可能突然穿过马路的决定。深度神经网络可以有效地识别流媒体视频中的人类动作，如运动模式（Singh、Saha、Sapienza、Torr 和 Cuzzolin，2017 年）。然而，后者可能具有欺骗性，因为人类可以根据自己的心理过程、想法和动机以及他们周围看到的事物突然改变主意。在我们的例子中，之前在人行道上走向学校的孩子们可能会看到马路对面有一辆冰淇淋车，并决定冲过马路去买冰淇淋。在如此复杂的环境中，没有一个预测系统仅仅基于过去观察到的运动来运作，就不可能准确可靠，也不需要考虑上下文和其他相关主体的性质。另一方面，人类可以预测其他人的未来行为，即使没有运动，只需快速评估相关人员的“类型”和他们周围的场景（例如例如，站在走廊里的老人很可能会决定乘坐电梯，而不是走楼梯）。这表明人工智能需要解决“热”认知问题，比如人的思维是如何受到其情绪状态影响的（Lawrence、Clark、Labuzetta、Sahakian & Vyakarnum，2008 年；Taylor Tavares、Drevets & Sahakian，2003 年）。热认知是指情绪和社会认知，包括心智理论（ToM）。它与“冷”认知形成对比，在“冷”认知中，信息处理与情感无关。社会认知旨在通过研究潜在的认知过程来理解社会现象（即人们与他人打交道的方式）。随着能够表现出一定（有限）智能的人工智能的出现，这一概念需要扩展到人类如何与智能机器（例如航空公司的对话机器人）打交道，反之亦然。
了解我，了解你：人工智能中的心智理论
人工智能 (AI) 极大地改变了我们所知的世界。机器学习 (ML) 是人工智能的一个分支，其关键进展在于使机器能够从数据中学习。深度学习 (DL) (LeCun、Bengio 和 Hinton，2015) 发挥了核心作用，这是一种基于人工神经网络的技术，旨在有效支持学习。由于 DL 与强化学习 (RL，即代理通过与现实世界交互进行学习并相应地获得奖励或惩罚的概念) 相结合，它已被证明能够提供有时超越人类的表现。一个典型的例子是 AlphaGo 计算机程序成功地在围棋比赛中不断击败世界冠军，同时为成功的游戏策略提供了新的见解。这些突破性的成就让人们对人工智能及其所能实现的目标过度自信，尤其是在短期内。风险投资蜂拥而至人工智能初创企业。人们期待自动驾驶汽车随时出现在我们的道路上。然而，最近发生的一些严重事件已经敲响了警钟。涉及原型自动驾驶汽车的事故已导致人员伤亡（Tesla Deaths，2020 年），这让人们质疑该技术在人机密切互动的潜在危险情况下的使用是否真的准备就绪。令人惊讶的是，这些事故是由于车辆未能执行相对简单的任务造成的，例如物体检测或障碍物跟踪和避让（Hawkins，2019 年）。事实上，在 AI 能够安全地部署到高风险和潜在危险的情况下之前，需要具备更为复杂的功能。对当前 AI 使用的期望可能需要修改。以自动驾驶为例。智能汽车需要实时对人类行为做出可靠的预测，以便预先调整速度和路线，以应对儿童可能突然穿过马路的决定。深度神经网络可以有效地识别流媒体视频中的人类动作，如运动模式（Singh、Saha、Sapienza、Torr 和 Cuzzolin，2017 年）。然而，后者可能具有欺骗性，因为人类可以根据自己的心理过程、想法和动机以及他们周围看到的事物突然改变主意。在我们的例子中，之前在人行道上走向学校的孩子们可能会看到马路对面有一辆冰淇淋车，并决定冲过马路去买冰淇淋。在如此复杂的环境中，没有一个预测系统仅仅基于过去观察到的运动来运作，就不可能准确可靠，也不需要考虑上下文和其他相关主体的性质。另一方面，人类可以预测其他人的未来行为，即使没有运动，只需快速评估相关人员的“类型”和他们周围的场景（例如例如，站在走廊里的老人很可能会决定乘坐电梯，而不是走楼梯）。这表明人工智能需要解决“热”认知问题，比如人的思维是如何受到其情绪状态影响的（Lawrence、Clark、Labuzetta、Sahakian & Vyakarnum，2008 年；Taylor Tavares、Drevets & Sahakian，2003 年）。热认知是指情绪和社会认知，包括心智理论（ToM）。它与“冷”认知形成对比，在“冷”认知中，信息处理与情感无关。社会认知旨在通过研究潜在的认知过程来理解社会现象（即人们与他人打交道的方式）。随着能够表现出一定（有限）智能的人工智能的出现，这一概念需要扩展到人类如何与智能机器（例如航空公司的对话机器人）打交道，反之亦然。