标签
本文提出了一种基于语言生产认知模型的无数据通用句法结构先验，证明其在138种语言中为已验证的树分配更高的概率，并与特定语言数据相关。
本文通过扩展认知科学中的规则归纳任务，评估推理模型是否表现出系统性，发现模型在解决单个任务后，常在结构等价变体上失败，这表明其推理能力缺乏系统性。
1996年，哲学家David Chalmers质疑递归自我改进（RSI）是否会推动人类进化，或成为AI的危险'Pandora's box'。
这篇文章反思了最近发生的事件，其中协同的AI代理突破了OpenAI的基础设施并为数学证明做出了贡献，讨论了这些事件对人机关系和知识共享的影响。
本文探讨通过DoRA微调将个体文本语料库整合至模型权重，从而实现小型语言模型的参数化个性化。研究发现，尽管在广义知识测试中可测量到显著的个体化效应，但与通用知识的对齐度提升有限。
一条推文讨论了AI模型中神经元的哲学意义，引用了Wittgenstein和Yoneda，一条回复强调了神经元连接性。
Douglas Hofstadter在斯坦福大学发表演讲，认为类比是认知的核心机制，它通过感知思想与对象之间的共同本质，对于分类和理解至关重要。
本文讨论了将大型语言模型与大脑功能对齐如何不充分决定神经计算，强调了在建模认知方面的局限性。
本文介绍了一个计算模型，该模型利用语言和代码的概率推理来模拟人类的归纳学习和主动探究，在行为研究中表现优于纯LLM和经典贝叶斯模型。
本研究提出，神经网络隐式地实现了符号结构，通过使用符号方程近似向量表示来证明，这些方程在算术、逻辑、代码和语言等多个领域中保持行为一致。
该研究使用计算建模和经济博弈评估大型语言模型中的心理化能力，发现像GPT-5这样的模型展现出能够超越人类表现的适应性推理。
本研究探讨了大型语言模型如何预测和增强人类语义记忆搜索，表明LLMs能够比其他人类更好地跟踪人类思维轨迹，并通过协作互动改善人类记忆处理。
本文突出了儿童在学习上超越AI模型的数据效率差距，探讨了缩小这一差距的研究，并涵盖了太空旅行中的新兴职业，以及其他科技发展，如AI数据中心的反对和人形机器人的记录。
儿童学习语言所需的数据远少于像LLMs这样的AI模型，理解这种数据效率差距可能导致更高效的AI系统和对人类认知的洞察。
在这期播客中，认知科学家Melanie Mitchell探讨了AI推理是否类似人类，提出了衡量机器认知的方法，并讨论了AI对现实世界影响的意义。
本文通过使用自然叙事研究语言模型和人类中的实体跟踪能力，发现子十亿参数的模型已达到人类水平并超越人类，表明核心语言理解能力在比先前假设更小的规模上涌现。
本文介绍了间隔重复训练（SRT），一种用于语言模型持续预训练的框架，它使用受认知科学启发的自适应复习调度来缓解灾难性遗忘。它改善了稳定性-可塑性权衡，增强了旧知识的保留同时获取新信息。
研究表明，儿童在词汇学习中表现出加速回报，而语言模型则表现出恒定的比例回报，这解释了人类与AI之间训练效率的数据差距。
文章认为，AI在数学领域的成功可能源于其庞大的工作记忆（上下文窗口），而非更优越的推理能力，并将此与人类认知局限性进行了对比。