uncertainty

本文介绍了用于鲁棒平均奖励Markov决策过程的向量Bellman理论，通过有限模型可解性和近似移位的Halpern规划算法，实现了在转移不确定性下的最优性能。

RAND为美国提出了一项'Freedom of Action'策略，以应对通往人工超级智能的不确定之路，在证据决定选择之前保持重大选项开放。

X（原Twitter）上的一位用户讨论使用AI工具Apodex 1.1分析全球石油价格上涨的原因、预测未来价格趋势，并强调市场不确定性。

这篇文章讨论了人工智能领域的最新事件，强调了专家在风险、AGI发展和就业影响等话题上缺乏共识，表明未来存在广泛的不确定性。

本文探讨了AI代理是否应该在行动和治理中被允许表达不确定性，例如说'我不知道'，强调诚实沟通而非强制分类的价值。

AI 研究人员 François Fleuret 用一个比喻评论了当前人工智能领域的现状：发展步伐不断加速，而不确定性与炒作也愈演愈烈。

作者反思一条批评性评论，该评论挑战了其对AI意识的谨慎立场，通过工程类比论证不确定性应通过可控风险和安全余量来应对，而非置之不理。

本文提出了语义贝叶斯世界模型（SBWMs），旨在弥合知识图谱的精确断言与基础模型的概率推理之间的鸿沟，实现共享且不断演化的信念网络，以在不确定性下进行统一推理。

UTP-Bench是一个用于不确定性感知旅行规划的新基准，它使用来自印度的真实数据评估大型语言模型在应对延迟和人群变化方面的鲁棒性。

正在开发一款工具，通过向AI模型引入结构化不确定性，评估模型从错误中恢复的能力，并寻求反馈审查。

本文介绍了HalluPrism，这是一种针对多模态大语言模型的行为诊断方法，它使用视觉扰动探针来识别幻觉故障模式，改进了仅基于置信度的故障类别分类方法。

文章强调了AI行业中坚信的观点如何快速变化，意见经常反转，强调在持续演变中灵活思考的必要性。

一期播客节目，嘉宾为Google DeepMind的Zoubin Ghahramani，探讨了不确定性在人工智能发展中的作用、贝叶斯思维以及对未来研究的启示。

Google DeepMind的研究副总裁讨论了如何将不确定性和概率融入人工智能系统，以实现更安全、更可靠的现实世界决策，涵盖了贝叶斯思维和历史视角。

DirEAG 是一种方法，用于通过聚合来自多个提示的狄利克雷证据，校准大型语言模型在数学推理过程中的语言化置信度，在 GSM8K 等基准测试中表现出改进的校准效果。

这篇文章反思了科技社区中具有争议的AI热潮和不确定的讨论，探讨了与历史媒体扭曲的相似之处及其对开发者的影响。

本文探讨处理可能具有意识的人工智能的伦理困境，并提出将焦点转移到评估人工智能效价，作为更易于处理的方法以实现负责任的发展。

本文首次针对不确定性下的鲁棒种群元启发式算法用于泊位分配与岸桥分配问题进行了专题综述，涵盖了不确定性表示、鲁棒性策略、基准测试和开放挑战。

文章提出，AI系统应有意融入非响应状态，借鉴音乐概念如'tacet'和'hold'，以保留不确定性并避免输出过早定论。

一篇议论文，认为典型的基于 LLM 的智能体流水线（LLM → 工具 → 动作）缺乏适当的不确定性处理，并提出一种带有贝叶斯更新和信息价值策略的信念状态架构。LLM 应充当调查员/翻译者，而系统负责执行权限和校准信念。