XiaoMi-AI文件搜索系统
World File Search System心智
量子纠缠使心智在一生中得以实现......
思维是人类大脑活动之一，被称为脑电波，其本质是大脑神经元发出的电脉冲。思维的特性与量子纠缠的特性高度相似且密切相关，如叠加性、非局域关联性、瞬时连接性、一元性等。脑内振荡电脉冲经过放大、调制、量子纠缠等一系列转换，被转换成携带大脑活动信号的量子纠缠电磁波，即携带思维活动信号的载波。载波可以在自由空间中传输，无论距离多远，都可以在其他地方通过解调来检测、记录和检索原始的大脑活动数据，因此生前思维可以永久保存。
人机沟通的相互心智理论
从导航系统到智能助手，我们每天都会与各种人工智能进行交流。在这种人机交流的核心中，我们通过不同复杂程度的话语向人工智能传达我们对人工智能能力的理解，人工智能通过系统输出向我们传达对我们的需求和目标的理解。然而，这种交流过程很容易失败，原因有二：人工智能可能对用户有错误的理解，用户可能对人工智能有错误的理解。为了增进人机交流中的相互理解，我们提出了相互心智理论 (MToM) 框架，该框架的灵感来自人类的基本能力“心智理论”。在本文中，我们讨论了 MToM 框架的动机及其三个关键组成部分，它们在人机交流的三个阶段不断塑造相互理解。然后，我们描述了一个受 MToM 框架启发的案例研究，以展示 MToM 框架在指导人机交流的设计和理解方面的强大功能。
人工智能的心智理论和元推理
估计此次信息收集的公共报告负担平均为每份回应 1 小时，包括审查说明、搜索现有数据源、收集和维护所需数据以及完成和审查收集信息的时间。请将关于此负担估计或本次信息收集任何其他方面的评论（包括减轻负担的建议）发送至国防部华盛顿总部服务处信息行动和报告局 (0704-0188)，地址：1215 Jefferson Davis Highway, Suite 1204, Arlington, VA 22202-4302。受访者应注意，尽管法律有其他规定，但如果信息未显示当前有效的 OMB 控制编号，则任何人均不会因未遵守信息收集而受到任何处罚。请不要将您的表格寄回上述地址。
认知心理学：心智与大脑 1/E
Atkinson-Shiffrin 模型（模态模型）：一种基于信息处理的记忆模型，最早于 20 世纪 60 年代开发，强调短期记忆作为信息进入长期记忆之前的入口所起的作用。氛围效应：在推理中，如果结论包含与前提相同的量词（“一些”、“全部”或“否”），则倾向于接受该结论为有效。注意：在特定时刻，增强某些信息并抑制其他信息的过程。注意瞬脱：如果第二条信息在第一条信息出现后的一定时间内出现，则报告第二条信息的性能会下降。注意控制器：冲突现象神经网络模型的一个组成部分，可激活与当前目标相关的表征。态度：对物体或人的相对持久的情感色彩信念、偏好和倾向，例如对人或物体的喜欢、爱、恨或渴望。自动过程：一种无需意图即可启动且无需注意即可运行的过程。 背景知识：一种指定属性如何产生、为何重要以及彼此之间如何关联的知识。 向后搜索：在解决问题时，从目标状态移动到初始状态。 巴德利-希奇模型：目前影响深远的工作记忆模型；它强调需要短期存储信息才能进行复杂的认知活动，采用两个短期存储缓冲区和一个控制系统。 基本情绪：六种基本情绪反应类型似乎在各个文化中都普遍存在：快乐、悲伤、愤怒、恐惧、厌恶和惊讶。 基础级别：最常用、最容易学习和最有效地处理的分类级别。 行为方法：一种测量直接可观察行为的技术，例如响应时间或响应准确性。 信念偏差：当有关世界的背景知识和个人信念影响记忆并将其重塑为与预期一致的形式时产生的偏差。信念偏差效应：在推理中，倾向于接受三段论的“可信”结论，而不是“不可信”结论。 约束问题：我们如何将形状、颜色和方向等不同特征关联起来，以便感知单个物体的问题。 双眼竞争：每只眼睛看到的单个图像之间的竞争。 生物运动：生物体独特产生的运动模式。 双稳态感知：对模糊刺激交替解释的感知。 阻塞（记忆）：当其他信息与检索线索更紧密相关时，阻碍检索目标信息的障碍。 瓶颈：对一次可以处理的信息量的限制，需要选择信息以通过瓶颈。布罗卡失语症（非流利性失语症）：一种失语症，其特征是言语不流利，通常理解能力相当好，但在处理复杂句子方面存在缺陷。布朗-彼得森任务：一项检查短期记忆中存储持续时间的任务。分类三段论：前提和结论与不同类别相关的三段论。基于类别的归纳：一种依赖于所涉及实例类别的归纳形式。类别特定障碍：在失认症中，选择性地无法检索某些类别的单词，例如水果或蔬菜，同时保留识别其他单词类别的能力。中央执行器：Baddeley-Hitch 工作记忆模型的控制系统组件，它控制两个存储缓冲系统中的信息操作。变化视盲：无法检测到场景物理方面的变化，被认为是由于无法在任何时候选择场景中存在的所有信息而引起的。块：工作记忆中的信息分组，通过将多比特信息作为单个单元进行处理，可以增加有效存储容量。 （情绪的）环形模型：一种描述情绪反应范围随唤醒和效价维度变化的模型。
迈向人机交互中的相互心智理论
构建能够进行自然和长时间对话的对话代理一直是一项重大的技术和设计挑战，特别是对于面向社区的对话代理而言。我们提出相互心智理论作为设计自然的长期人机交互的理论框架。从这个角度来看，我们通过在线教育背景下的自我报告调查和计算语言学方法探索社区对问答对话代理的看法。我们首先研究学生对 Jill Watson (JW) 的看法的长期时间变化，JW 是部署在在线课堂讨论论坛中的虚拟助教。然后，我们探讨通过从学生-JW 对话中提取的语言特征来推断学生对 JW 的看法的可行性。我们发现，学生对 JW 的拟人化和智力的看法随着时间的推移发生了显着变化。回归分析表明，语言的冗长性、可读性、情感、多样性和适应性反映了学生对 JW 的看法。我们讨论了构建面向社区的自适应对话代理作为长期伴侣以及设计面向人机交互中的相互心智理论的意义。
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。
用心智理论支持人工智能社会智能
在本文中，我们讨论了人工智能心智理论的发展，这是代理与人类团队成员合作的基础。具有人工智能社交智能的代理需要各种能力来收集社交数据，以便为人类同行提供人工智能心智理论。我们借鉴社交信号理论，讨论一个框架来指导对人工智能社会智能核心特征的考虑。我们讨论人类社会智能和心智理论的发展如何通过形成基础来帮助代理建模、解释和预测人类的行为和心理状态，以支持人机交互，从而促进人工智能社会智能的发展。人工智能社会智能需要处理能力来感知、解释和生成社交线索组合，以便在人机团队中运作。人工智能心智理论提供了一种结构，通过该结构，社交智能代理可以具有模拟人类代理并参与有效人机交互的能力。此外，ASI 可以使用人工智能心智理论建模来支持与人类的透明沟通，提高对代理的信任，以便他们可以根据对人工智能社交智能代理的理解和支持信任来更好地预测未来的系统行为。
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。
迈向人机交互中的相互心智理论
构建能够进行自然和长时间对话的对话代理一直是一项重大的技术和设计挑战，尤其是对于面向社区的对话代理而言。我们提出相互心智理论作为设计自然的长期人机交互的理论框架。从这个角度来看，我们通过在线教育背景下的自我报告调查和计算语言学方法探索社区对问答对话代理的看法。我们首先研究学生对 Jill Watson (JW) 的看法的长期时间变化，JW 是部署在在线课堂讨论论坛中的虚拟教学助理。然后，我们探讨通过从学生-JW 对话中提取的语言特征推断学生对 JW 的看法的可行性。我们发现，随着时间的推移，学生对 JW 的拟人化和智力的感知发生了显著变化。回归分析表明，语言的冗长性、可读性、情感、多样性和适应性反映了学生对 JW 的感知。我们讨论了构建面向社区的自适应对话代理作为长期伴侣以及在人机交互中设计相互心智理论的意义。
从贝特森心智生态学看人工智能
格雷戈里·贝特森提出了许多与人工智能相关的思想，特别是与心灵、意识、灵性和神圣等品质的归属有关。讨论了贝特森主要作品的相关部分，总结了他的心灵生态学知识框架，特别是他的心灵、学习和神圣概念。然后应用这些来讨论人工智能应用程序是否可以被认为拥有“心灵”。结论是，符号人工智能不符合贝特森对心灵的标准，神经网络也是如此，尽管更接近。基于形式逻辑规则的计算机也无法与神圣接触，这在本质上是矛盾的。然而，人工智能应用程序可以成为心灵生态学的一部分，并可以参与神圣的体验。贝特森的著作仍然是理解人工智能的性质和能力的思想的丰富源泉。