XiaoMi-AI文件搜索系统
World File Search SystemBongard
Josh 100 Bongard CV div>
43。D Kudihipiudi, Aguilar-Simon, J Babb, M Bazhenov, D Blackiston, J Bongard, AP Brna, St. Raja, N Cheney, M Levin, S Madireddy, S Manicka, Marjanine, B McNaughton, R Miiculainen, Z Navratilova, T Urbin, FJ Varo-Cuevas, GM van de Ven, JT Vogelstein，F Wang，R Weiss，Glosses，X Zou，H Segelmann（2022）机器自然智能4：1967-2
智力中广泛概括的途径
该立场论文通过提高培训数据超出培训数据的能力来探讨人工智能的进步，这是对抽象和推理语料库（ARC）任务的关键要求。受到历史算法挑战（例如邦加德问题）的启发，ARC任务需要模式进行综合和逻辑推理，从而将AI推向了更具灵活性，类似人类的智能。我们调查了Dreamcoder，一种神经符号系统，以及大型语言模式在ARC中的作用。我们强调了对人类试验和合成数据增强的启发的需求，并提出了使用数学启发的神经体系结构进行逻辑推理的管道。这项工作强调了ARC如何指导AI研究，弥合了机器学习与数学发现之间的差距。
智能作为信息处理：大脑、群体和计算机
还有其他几种比喻用来描述认知、思维和大脑，每种比喻都有其优点和缺点（Varela 等人，1991 年；Steels 和 Brooks，1995 年；Clark 和 Chalmers，1998 年；30 Beer，2000 年；G¨ardenfors，2000 年；Garnier 等人，2007 年；Froese 和 Ziemke，2009 年；Kiverstein 和 Clark，2009 年；31 Chemero，2009 年；Stewart 等人，2010 年；Froese 和 Stewart，2010 年；Downing，2015 年；Harvey，2019 年）。我的目的不是在这里讨论这些，而是要注意到，在研究认知时，存在着丰富多样的风格。尽管如此，所有这些隐喻都可以用信息处理来描述。由于计算可以理解为信息的转换（Gershenson，2012 年），因此“计算机”被广泛理解为处理信息的机器，可以成为包含和比较其他隐喻的有用隐喻。请注意，“机器”（以及计算机）的概念也可以更新（Bongard 和 Levin，2021 年）。
永久观察研究：支持有效实施的新策略
1 Sabin NS、Calliope AS、Simpson SV 等人。人类活动对包括 covid-19 在内的（重新）出现传染病的影响。J Physiol Anthropol。2020；39：29。2 Goossens H、Derde L、Horby P、Bonten M。欧洲临床研究对优化 covid-19 患者治疗的反应：经验教训、未来展望和建议。Lancet Infect Dis。2021。3 Angus DC、Berry S、Lewis RJ 等人。remap-cap（针对社区获得性肺炎的随机嵌入式多因素自适应平台）研究。基本原理和设计。Ann Am Thorac Soc。2020；17：879-91。4 Butler CC、van der Velden AW、Bongard E 等人。奥司他韦联合常规治疗与常规治疗在初级保健中治疗流感样疾病的比较：一项开放标签、实用、随机对照试验。柳叶刀。2020；395：42-52。5 Årdal C、Balasegaram M、Laxminarayan R 等人。抗生素发展——经济、监管和社会挑战。自然微生物学评论。2020；18：267-74。6 Babu Rajendran N、Mutters NT、Marasca G 等人。对欧洲国家研究和发现新抗生素的世卫组织优先病原体的强制性监测和疫情报告。临床微生物学感染。2020；26：943.e1-43.e6。7 de Kraker MEA、Sommer H、de Velde F 等人。优化针对多重耐药菌的抗菌药物临床试验的设计和分析：来自 combacte 统计网的白皮书。临床感染性疾病。2018；67：1922-31。8 Woodcock J、LaVange LM。研究多种疗法、多种疾病或两者的母版方案。新英格兰医学杂志。2017；377：62-70。9 Viksveen P、Relton C、Nicholl J。使用队列多重随机对照试验设计测试抑郁症干预措施的好处和挑战。试验。2017；18：308。10 Gaddale JR。临床数据采集标准协调在临床数据管理中的重要性和好处。临床研究观点。2015；6：179-83。
湿件化身人工智能？迈向基于合成生物学的自创生组织方法
具身人工智能 (EAI) 是当代人工智能的一个方向，其特点是发展对自然认知过程的综合研究，其假设是认知者的身体在认知中起着决定性的作用。在 EAI 中，“身体”的概念呈现出广泛的解释，从概念上讲，可以认为跨越了两个极端：一种是用于符号信息处理的神经元外物质支持的概念，适合将符号置于感觉运动关联中；一种是多重、集成、嵌入环境的系统的概念，其自组织的生物动力学与意义建构过程密不可分（纠缠在一起）（例如，Gallagher，2011；Ziemke，2016）。EAI 通常被宽泛地等同于机器人 AI，即一种以构建和实验探索自然认知过程的硬件模型为目标的 AI 形式。事实上，与计算机不同，机电机器人被赋予了身体，使其处于物理世界中 — 即，不（仅仅）处于抽象的“信息世界”中 — 并允许它们基于传感器（例如，能够检测障碍物、光、声音、电磁信号等的传感器）与其进行交互。和执行器。在大多数情况下，EAI 创建由计算机控制的机器人，这样机器人代理的身体在其与环境的感觉运动交互中，将中央处理单元的活动作为基础，中央处理单元充当信息处理和决策设备。然而，EAI 社区也致力于构建不受计算机引导的机器人，这些机器人能够仅通过身体来了解周围环境并完成认知任务（例如 Brooks，1991；Steels 和 Brooks，1995）。自 20 世纪 90 年代初出现以来，EAI 通过其多种表现形式，在基础研究和应用研究层面都取得了令人瞩目的进步（例如 Pfeifer 和 Bongard，2006）。尽管如此，从 20 世纪 90 年代末开始，人们就开始争论 EAI 方法是否适合生物体建模。这些批评越来越多地不局限于强调 EAI 典型的理论和实现的身体机械观。他们注意到 EAI 无法对身体组织进行建模，即通过新陈代谢支持生物体不断自我生产的功能关系动态网络（Ziemke，2016；Damiano 和 Stano 2018）。这些都是激进的批评，指出目前 EAI 对自然认知过程的综合研究仅仅建立在对生物体的模仿建模上：一种人工重建，只考虑身体结构的表面方面（例如，运动和解剖元素）而忽略了其最具体的维度——自主组织。在这篇短文中，我们打算介绍一种旨在克服这一差距的 EAI 研究方法的一般纲领路线。这样的程序本身并不是什么新鲜事。EAI 研究