@rohanpaul_ai:智能可能更关乎更好的知识结构,而非更大的模型。本文认为,当前……
摘要
本文认为,生物智能之所以高效,是因为它围绕目标和情境组织意义,而非依赖语言模式;为此提出“合成智能”概念,利用结构化语义知识和非对称信息解析模型。
查看缓存全文
缓存时间: 2026/06/25 21:27
智能或许更关乎更好的知识结构,而非更大的模型。
本文认为,当前人工智能主要建立在网络数学之上,而非知识理论之上。
人脑仅以昏暗灯泡般的功率便能做出快速、自适应的决策,而前沿AI往往用庞大的计算量换取能力。
该论文指出,生物智能之所以高效,或许是因为它围绕目标、情境和决策来组织意义,而非主要依赖于搜索语言模式。
它将心智活动分为物理认知、情绪认知、心智认知和智能,其中智能指的是在情境仍具意义时做出有用决策的能力。
提出的解决方案是Synthetic Intelligence,它将使用结构化的语义知识,即与目的相关的信息,而非仅仅依赖语法、统计或神经网络权重。
该论文使用Asymmetric Information Resolution模型来展示如何将知识组织成决策图,并通过一个简单的捕食者-猎物示例加以说明,其中每个状态仅有少数几种可能的行动。
相似文章
@rohanpaul_ai: 前谷歌高管 Mo Gawdat 定义智能。"如果我们承认智能本身并非物理属性,……"
前谷歌高管 Mo Gawdat 讨论了智能的本质,指出智能并非物理属性,可以在不同的基质上产生,包括运行AI的硅基硬件。
@rohanpaul_ai:本文认为,智能是让罕见但有效的未来更有可能出现的能力。因此,一个智能系统……
本文提出了一种热力学智能度量,将智能定义为让罕见但有效的未来更有可能出现的能力。它引入了一个名为“罕见有效提升”的度量,用于量化系统相较于被动基线,产生罕见但可接受结果的频率提高了多少。
也许AI竞赛的根本不是模型,而是信任与组织智能
本文认为,AI竞赛最终可能关乎信任与组织智能,而非模型基准竞争,因为企业应用需要集成、治理和问责,而不仅仅是原始智能。
@rohanpaul_ai: Anthropic新研究表明,AI智能体在代码方面可能表现卓越,但在生物学领域,它们可能在科学工作开始之前就失败……
Anthropic的研究揭示,AI智能体在生物学数据库方面存在困难,对同一个查询会产生高度差异的答案(例如,埃博拉序列计数范围从5到106,而预期为266),但添加一个可重复的检索工具能显著提高一致性和准确性。
@rohanpaul_ai: 一篇来自斯坦福、MIT、哈佛和Anthropic的优秀论文。给出了关于为何大型模型能学习……的清晰训练解释。
一项来自斯坦福、MIT、哈佛和Anthropic的论文解释,大型AI模型能更好地学习稀有技能,因为训练期间它们遗忘更少;其额外容量保护弱学习信号不被常见任务覆盖。