腾讯云
开发者社区
文档
建议反馈
控制台
登录/注册
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
搜索
搜索
关闭
发布
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
CreateAMind
专栏成员
举报
1002
文章
638910
阅读量
56
订阅数
订阅专栏
申请加入专栏
全部文章(999+)
其他(347)
模型(219)
https(98)
人工智能(96)
神经网络(93)
系统(87)
深度学习(83)
数据(77)
编程算法(72)
框架(68)
机器学习(60)
编码(58)
网络(49)
算法(46)
函数(44)
强化学习(42)
网络安全(40)
github(38)
开源(36)
架构(34)
代理(33)
原理(33)
对象(29)
工作(29)
连接(29)
论文(26)
机器人(24)
游戏(21)
变量(21)
自动驾驶(20)
git(18)
基础(18)
python(17)
存储(17)
memory(17)
设计(17)
优化(17)
http(14)
测试(14)
华为(13)
tensorflow(12)
html(12)
linux(12)
无人驾驶(12)
model(12)
效率(12)
models(10)
程序(10)
数学(10)
性能(10)
网站(8)
大数据(8)
统计(8)
分布式(7)
keras(7)
free(7)
解决方案(7)
图表(7)
数据分析(6)
nat(6)
abstract(6)
theory(6)
搜索(6)
硬件(6)
NLP 服务(5)
pytorch(5)
无监督学习(5)
安全(5)
agent(5)
bayesian(5)
code(5)
编程(5)
地图(5)
工具(5)
集合(5)
事件(5)
ios(4)
微信(4)
数据结构(4)
action(4)
epoch(4)
message(4)
openai(4)
self(4)
配置(4)
视频(4)
java(3)
.net(3)
ide(3)
自动化(3)
监督学习(3)
迁移(3)
algorithm(3)
data(3)
distribution(3)
logic(3)
network(3)
object(3)
set(3)
state(3)
后端(3)
内存(3)
同步(3)
异常(3)
c++(2)
go(2)
node.js(2)
api(2)
文件存储(2)
容器(2)
iis(2)
windows(2)
processing(2)
教育(2)
coding(2)
com(2)
constraints(2)
debug(2)
function(2)
gan(2)
gaussian(2)
gpt(2)
gradient(2)
gwt(2)
maze(2)
output(2)
pdf(2)
position(2)
probability(2)
process(2)
scale(2)
simulation(2)
slide(2)
structure(2)
task(2)
this(2)
time(2)
using(2)
笔记(2)
部署(2)
翻译(2)
计算机(2)
镜像(2)
开发(2)
内核(2)
前端(2)
全栈(2)
软件(2)
协议(2)
芯片(2)
压缩(2)
语法(2)
语音(2)
objective-c(1)
mac os(1)
php(1)
lua(1)
css(1)
json(1)
arm(1)
硬件开发(1)
云数据库 Redis(1)
ubuntu(1)
容器镜像服务(1)
spring(1)
批量计算(1)
访问管理(1)
腾讯云测试服务(1)
图像处理(1)
高性能计算(1)
医疗(1)
企业(1)
缓存(1)
ssh(1)
卷积神经网络(1)
erp(1)
gui(1)
面向对象编程(1)
自动化测试(1)
tcp/ip(1)
模式识别(1)
迁移学习(1)
数据处理(1)
数据可视化(1)
架构设计(1)
fpga(1)
信息流(1)
云计算(1)
分类算法(1)
es(1)
学习方法(1)
abstraction(1)
analysis(1)
architecture(1)
area(1)
binary(1)
build(1)
chatgpt(1)
classification(1)
config(1)
core(1)
correlation(1)
cpu(1)
dataset(1)
detection(1)
diff(1)
directory(1)
dynamic(1)
email(1)
error(1)
event(1)
events(1)
feed(1)
file(1)
fixed(1)
focus(1)
form(1)
format(1)
formatting(1)
frameworks(1)
global(1)
gmail(1)
google(1)
gpu(1)
hidden(1)
hpc(1)
identity(1)
input(1)
julia(1)
key(1)
linkedin(1)
local(1)
matrix(1)
meta(1)
mnist(1)
modeling(1)
mpi(1)
paypal(1)
permutation(1)
physics(1)
ps(1)
reduce(1)
reference(1)
repeat(1)
return(1)
rgb(1)
rules(1)
sampling(1)
semantics(1)
sharing(1)
simulator(1)
size(1)
sort(1)
spaces(1)
statistics(1)
subset(1)
survey(1)
target(1)
testing(1)
title(1)
torch(1)
vector(1)
version(1)
vr(1)
wiki(1)
workspace(1)
递归(1)
动态规划(1)
二进制(1)
反射(1)
高性能(1)
工程师(1)
工作流(1)
开源软件(1)
开源硬件(1)
可视化(1)
量化(1)
模块化(1)
实践(1)
调试(1)
学习笔记(1)
音频(1)
指针(1)
字符串(1)
数据转换(1)
深度学习框架(1)
搜索文章
搜索
搜索
关闭
定义智能,测量智能
系统
效率
人工智能
测试
程序
On the Measure of Intelligence https://arxiv.org/abs/1911.01547
CreateAMind
2024-06-17
132
0
定义智能: Bridging the gap between human and artificial perspectives
数据
系统
人工智能
测试
模型
Defining intelligence: Bridging the gap between human and artificial perspectives
CreateAMind
2024-06-17
87
0
透明内省的可解释AI框架
设计
系统
人工智能
框架
模型
Designing explainable artificial intelligence with active inference: A framework for transparent introspection and decision-making https://arxiv.org/abs/2306.04025
CreateAMind
2024-04-13
85
0
大语言模型无法实现具身认知
数据
系统
人工智能
基础
模型
Generating meaning: active inference and the scope and limits of passive AI
CreateAMind
2024-03-25
125
0
生物AGI路线图,超越OpenAI大模型的欧美AI
openai
代理
模型
系统
人工智能
人工智能的发展通常被描述为一个阶段性的进展,从所谓的“狭义人工智能”(ANI) ——能够解决狭窄定义领域内的问题的系统——到逐渐变得更强大、适应性更强的系统,能够解决特定领域的问题。更领域通用的方式:所谓的“通用人工智能”(AGI)。除此之外,甚至可能设计出超越人类一般认知能力的人工系统:“人工智能”(ASI)。
CreateAMind
2024-01-17
178
0
8年实现 星际superAGI的路线图(理论-验证-部署-生物硬件实现),超越OpenAI大模型的欧美AI
人工智能
openai
部署
模型
硬件
from 《Designing Ecosystems of Intelligence from First Principles 2024》 https://arxiv.org/pdf/2212.01354v2.pdf
CreateAMind
2024-01-17
245
0
只追求大模型很危险,超越OpenAI大模型的欧美AGI技术和公司
代理
模型
系统
人工智能
openai
人工智能的发展通常被描述为一个阶段性的进展,从所谓的“狭义人工智能”(ANI) ——能够解决狭窄定义领域内的问题的系统——到逐渐变得更强大、适应性更强的系统,能够解决特定领域的问题。更领域通用的方式:所谓的“通用人工智能”(AGI)。除此之外,甚至可能设计出超越人类一般认知能力的人工系统:“人工智能”(ASI)。
CreateAMind
2024-01-12
205
0
深度神经网络作为拓扑量子神经网络的半经典极限:泛化问题
神经网络
人工智能
框架
模型
系统
深度神经网络(DNNs),即具有几个隐藏层的神经网络,由于它们在从分子设计[1]和社会经济预测[2]到机器翻译[3]和近似偏微分算子[4]的各种学习任务中的成功而变得流行。然而,我们对这项技术的基本理解却远远落后。DNNs在很大程度上被认为是“黑箱”系统,
CreateAMind
2024-01-11
141
0
超越强化学习:生命启发的AI
人工智能
强化学习
代理
框架
系统
构建自主的(即基于个人需求选择目标)和自适应的(即在不断变化的环境中生存)智能 体一直是人工智能(al)的圣杯。一个活的有机体是这种代理的一个主要例子,提供了 关于适应性自主的重要课程。在这里,我们把重点放在内感受上,这是一个监控体 内环境使其保持在一定范围内的过程,它保证了生物体的生存。为了开发具有内视 知觉的人工智能,我们需要从外部环境中分解代表内部环境的状态变量,并采用内 部环境状态的受生命启发的数学特性。这篇论文提供了一个新的视角,通过将控制 论的遗产与生命理论、强化学习和神经科学的最新进展相结合,内视知觉如何帮助 构建自主和适应的主体。
CreateAMind
2023-11-01
310
0
如何评估可解释的人工智能系统给出的解释的质量
机器学习
人工智能
数据
算法
系统
https://link.springer.com/article/10.1007/s13218-020-00636-z
CreateAMind
2023-09-01
264
0
Kandinsky Patterns
人工智能
测试
对象
模型
数据
https://github.com/human-centered-ai-lab/dat-kandinsky-patterns
CreateAMind
2023-09-01
231
0
Neuro Causal and Symbolic AI. 36th NIPS
人工智能
神经网络
深度学习
理解因果互动是人类认知的核心,因此也是科学、工程、商业和法律的核心追求。发展心理学表明,儿童探索世界的方式与科学家相似,他们会问诸如“如果”这样的问题以及“为什么?”人工智能研究的目标是在机器中复制这些能力。特别是深度学习通过端到端可训练的深度神经网络,为函数逼近带来了强大的工具。这种能力已经被无数应用中的巨大成功所证实。然而,它们缺乏解释能力和推理能力,这被证明是建立类人能力系统的一个障碍。因此,在深度学习中启用因果推理能力对于研究通向人类智能的道路至关重要。神经因果模型的第一步已经存在,并有望实现人工智能系统的愿景,即像现代神经模型一样高效地进行因果推理。类似地,经典的符号方法正在被重新访问和重新整合到当前的系统中,以允许超越纯模式识别的推理能力。因果关系的Pearlian形式化揭示了一个理论上合理和实践上严格的推理层次,作为评估神经符号系统推理能力的有益基准。我们的目标是将对人工智能研究领域(一般机器和深度学习、符号和以对象为中心的方法以及逻辑)的整合感兴趣的研究人员聚集在一起,并以开发下一代人工智能系统为目标,对因果关系进行严格的形式化。
CreateAMind
2023-02-14
377
0
概率编程的高度
编程算法
机器学习
神经网络
深度学习
人工智能
paper: Symbolic Exact Inference for Discrete Probabilistic Programs
CreateAMind
2022-11-22
817
0
概率编程应该有什么高度?
编程算法
机器学习
神经网络
深度学习
人工智能
paper: Symbolic Exact Inference for Discrete Probabilistic Programs
CreateAMind
2022-11-22
396
0
ICLR2022:Elements of Reasoning:Objects, Structure, and Causality
机器学习
神经网络
深度学习
人工智能
对象、概念和事件等离散抽象是我们感知世界、关联其中的碎片以及解释其因果结构的能力的基础。以对象为中心的表示学习和因果机器学习的研究界在很大程度上独立地追求了一个类似的议程,为机器学习模型配备更结构化的表示和推理能力。尽管它们的语言不同,但这两个字段的运作假设是,与整体/黑盒表示相比,结构化模型将提高系统概括性、分布转移的鲁棒性、下游学习效率和可解释性。然而,两个社区通常从相反的方向处理这个问题。关于因果关系的工作通常假设已知的(真实)分解为因果因素,并专注于推断和利用它们之间的相互作用。另一方面,以对象为中心的表示学习通常从非结构化输入开始,旨在将有用的分解推断为有意义的因素,到目前为止,对它们的交互关注较少。
CreateAMind
2022-11-22
231
0
复杂推理模型,信念的信念
机器学习
神经网络
深度学习
人工智能
编程算法
主动推理提供了感知行为的第一原理描述,从中可以导出特殊和重要的案例,例如强化学习、主动学习、贝叶斯最优推理、贝叶斯最优设计等。主动推理通过将信息获得置于与奖励或价值相同的基础上,解决了与先前偏好相关的开发-探索困境。简而言之,主动推理以预期(变分)自由能的形式,用(贝叶斯)信念的泛函代替了价值函数。在本文中,我们考虑一种复杂的主动推理,使用预期自由能的递归形式。复杂性描述了一个代理对信念的信任程度。我们考虑对事态的行动的反事实后果有信念的代理人和对那些潜在状态有信念的代理人。换句话说,我们从简单地考虑“如果我做了那件事会发生什么”转变为“如果我做了那件事,我会相信发生什么”。自由能泛函的递归形式有效地实现了对未来行动和结果的深树搜索。至关重要的是,这种搜索是基于信念状态的序列,而不是状态本身。我们用深层决策问题的数值模拟来说明这种方案的能力。
CreateAMind
2022-11-22
343
0
超越Yann LeCun:世界模型的学习和推理
机器学习
深度学习
神经网络
人工智能
了解大脑中的信息处理并创造通用人工智能是全世界科学家和工程师的长期愿望。人类智能的显着特征是在与包括自我在内的世界的各种互动中的高级认知和控制,这些不是预先定义的,而是随着时间而变化的。构建类人智能机器的挑战,以及脑科学和行为分析、机器人技术及其相关理论形式化方面的进展,说明了世界模型学习和推理的重要性。在本文中,在简要回顾了内部模型学习和概率学习的历史和挑战之后,我们介绍了自由能原理,它为考虑神经元计算和概率世界模型提供了一个有用的框架。接下来,我们展示了在该原则下解释的人类行为和认知的示例。然后,我们将概率建模背景下的符号出现描述为认知机器人学前沿的一个主题。. 最后,我们回顾了使用新颖的概率编程语言在创建类人智能方面的最新进展。这些研究得出的惊人共识是,对学习和推理的概率描述是创建类人人工智能机器并在人类如何与世界互动的背景下理解智能的强大而有效的方法。
CreateAMind
2022-11-22
270
0
建模结构学习的主动推理方法——以概念学习为例
编程算法
机器学习
神经网络
深度学习
人工智能
An Active Inference Approach to Modeling Structure Learning: Concept Learning as an Example Case
CreateAMind
2022-11-22
553
0
通用量子系统的自由能原理 核心观点
机器学习
神经网络
深度学习
人工智能
A free energy principle for generic quantum systems
CreateAMind
2022-11-22
272
0
On Bayesian Mechanics: A Physics of and by Beliefs(自由能)2
机器学习
神经网络
深度学习
人工智能
node.js
自 从⻨克斯⻙的开创性工作以来, 几乎所有的现代物理学都根据场论进行了阐述。 20 世纪之交后, 由于其描述性优势, 所有物理学都根据空间扩展场进行了重新表述[44]。场是正式表达机械理论如何应用于时空单一路径(即所谓的世界线) 范围内的系统的一种方式。也就是说, 场约束运动方程以应用于特定的、 物理上可实现的时空轨迹。 (同样, 由于几何学的描述性优势, 大多数现代物理学都被几何化了[45]。)
CreateAMind
2022-06-10
245
0
点击加载更多
社区活动
【纪录片】中国数据库前世今生
穿越半个世纪,探寻中国数据库50年的发展历程
立即查看
Python精品学习库
代码在线跑,知识轻松学
立即查看
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
立即体验
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
立即查看
领券
问题归档
专栏文章
快讯文章归档
关键词归档
开发者手册归档
开发者手册 Section 归档