A neural network solves, explains, and generates university math problems by program synthesis and few-shot learning at human level.
神經網絡通過程序合成和少樣本學習以人類水平解決、解釋和生成大學數學問題。 Proc Natl Acad Sci U S A 2022-09-27

神經網路經過預先訓練後微調，可以像人一樣解數學問題、解釋答案並出題。使用少量樣本學習和OpenAI的Codex transformer，在解決課程問題上達到81%的自動準確率。數據集包含麻省理工和哥倫比亞大學的數學問題，以及各種高級數學主題的MATH數據。這種方法在解決大學級問題上優於GPT-3，顯著提高了自動解決準確性。透過評估，展示了自動解決、解釋和出題大學級數學問題的能力，是高等教育的一大進展。 PubMed DOI

Emergent analogical reasoning in large language models.
大型語言模型中的緊急類比推理。 Nat Hum Behav 2023-09-27

這項研究比較了人類推理與一個大型語言模型（GPT-3）在類比任務上的表現，發現GPT-3在抽象模式歸納方面表現出色，有時甚至超越了人類。研究結果顯示，像GPT-3這樣的模型已經發展出解決類比問題的能力，而無需直接訓練。 PubMed DOI

Inductive reasoning in minds and machines.
心智與機器中的歸納推理。 Psychol Rev 2023-09-21

歸納能力對智慧至關重要，但現有模型僅適用於簡單問題。結合大型語言模型與認知心理學理論，有助於更深入理解人類的歸納能力。研究顯示這種整合方法有潛力複製人類對各種歸納論證的反應。結果凸顯結合心理學理論與人工智慧方法，能有效模擬複雜的人類認知。 PubMed DOI

Human-like intuitive behavior and reasoning biases emerged in large language models but disappeared in ChatGPT.
大型語言模型中出現了類似人類直覺行為和推理偏見，但在 ChatGPT 中消失了。 Nat Comput Sci 2024-01-12

研究人員測試人類推理和決策，發現大型語言模型展現出人類直覺思維和錯誤特徵。ChatGPT-3.5和4表現準確，避免常見陷阱。模型使用上下文進行推理，類似人們使用記事本思考，即使沒有支持仍保持準確。研究顯示，心理學方法可揭示大型語言模型能力新見解。 PubMed DOI

Network properties determine neural network performance.
網絡特性決定神經網絡的表現。 Nat Commun 2024-07-08

機器學習在社會扮演重要角色，推動技術進步如Alphago和ChatGPT，已整合到消費品如智慧手機和自駕車。儘管人工神經網路廣泛使用，但因模型配置和數據嘈雜，理解仍有挑戰。新數學框架將神經網路表現與特性聯繫，可用早期數據預測模型表現。框架引入神經容量指標，評估模型泛化能力，優於現有方法。 PubMed DOI

Language models, like humans, show content effects on reasoning tasks.
語言模型，就像人類一樣，在推理任務上展現出內容效應。 PNAS Nexus 2024-07-17

推理對智慧系統很重要。大型語言模型在抽象推理上表現不錯，但也有缺陷。人類推理受現實世界影響，當問題支持邏輯時，推理更可靠。語言模型和人類展現相似推理模式。研究顯示兩者在準確性和信心上相似，但在某些任務上有差異，如Wason選擇。了解這些可提供對人類認知和語言模型的洞察。 PubMed DOI

(Ir)rationality and cognitive biases in large language models.
大型語言模型中的（不）理性與認知偏誤。 R Soc Open Sci 2024-08-05

這篇論文探討大型語言模型（LLMs）的理性推理能力，評估它們在認知心理學任務中的表現。研究發現，LLMs展現出與人類相似的非理性，但其非理性特徵與人類偏見不同。當LLMs給出錯誤答案時，這些錯誤不符合典型的人類偏見，顯示出獨特的非理性。此外，這些模型的回應顯示出顯著的不一致性，進一步增添了非理性的層面。論文也提出了評估和比較LLMs理性推理能力的方法論貢獻。 PubMed DOI

Symbol ungrounding: what the successes (and failures) of large language models reveal about human cognition.
符號去根：大型語言模型的成功（與失敗）揭示了人類認知的哪些面向。 Philos Trans R Soc Lond B Biol Sci 2024-08-19

這篇論文探討大型語言模型（LLMs）與人類語意理解的關係，特別是在具身認知的背景下。具身認知的支持者認為，LLMs 只依賴文本訓練，缺乏感官經驗的連結，這對人類理解很重要。不過，論文指出人類的認知結合了具身經驗和語言學習，語言在塑造我們對世界的理解中扮演關鍵角色。因此，LLMs 可以反映語言作為語意信息來源的豐富性，並強調語言如何在缺乏直接感官經驗的情況下增強認知能力，這也有助於理解具身認知與人工智慧的互動。 PubMed DOI

Studying and improving reasoning in humans and machines.
研究與改善人類和機器的推理能力。 Commun Psychol 2024-09-06

這項研究探討大型語言模型（LLMs）與人類的推理能力，使用有限理性的認知心理學工具進行比較。實驗中，我們分析了人類參與者和不同預訓練LLMs在經典認知任務上的表現。結果顯示，許多LLMs的推理錯誤與人類相似，且受到啟發式影響。然而，深入分析後發現，人類與LLMs的推理存在顯著差異，較新的LLMs表現出更少的限制。雖然可以提升表現的策略存在，但人類和LLMs對提示技術的反應卻不同。我們討論了這些發現對人工智慧及認知心理學的意義，特別是在比較人類與機器行為的挑戰上。 PubMed DOI

Neural networks for abstraction and reasoning.
抽象與推理的神經網絡。 Sci Rep 2024-11-13

這項研究針對抽象與推理語料庫（ARC）提出新方法，旨在測試人工智慧的抽象推理能力。儘管已有許多努力，現有的神經網絡演算法在解決ARC任務上仍面臨挑戰，常需依賴複雜的手工規則。研究者調整了DreamCoder神經符號推理解決器，並引入感知抽象與推理語言（PeARL）來增強能力。他們還開發新方法讓大型語言模型（LLMs）能解決ARC任務，顯示出不同的解決方式。結果顯示，神經網絡方法仍不及手工解決方案，未來可透過理解人類策略來推進人工智慧發展。 PubMed DOI

原始文章

站上相關主題文章列表