从几年前开始，我一直在思考我们的大脑如何学习以及它与人类实现 AGI 目标的关系。抽象学习可能是包含在等式中的一个关键方面。人类从现实世界中获取极其详细的信息。然而，我们确实通过过滤和选择最常见的特征来学习抽象（类比 [2]）。

抽象在学习过程中的作用
抽象作为一种在我们大脑中表示知识的方式非常有效，因为它们更简单。当向抽象添加特征并开始构建现实世界对象的层次结构时，我们变得更加复杂。直观地说，概念和抽象是紧密相关的，因此如果两个概念的一个或多个抽象特征匹配，则两个概念将相关。此外，推理和直觉可能与抽象树的有效使用及其相互关系有关。我很抱歉，但我有一个不可阻挡的技术灵魂，我需要提到一个具体的实现。分层 GNN 技术和注意力机制可能是关键技术。它们可以模仿抽象的学习以及现实世界对象与抽象的最相关关系。


继续致力于符号 AI
我们应该继续致力于将符号 AI 作为 AGI 的第一种方法。它可以让我们以类似于大脑的方式来表示概念及其相互关系。我想想象我们可以按照这种简单的方法开发一个从头开始学习的原型。可以通过感知现实世界的“合成存在”能力来创建和进化层次表示。然后它提取相关特征并将它们与当前的抽象树匹配以最终更新它。在时间为零时，什么都没有，因此“合成生物”学习了它能够感知的所有特征。从那时起，它将表现为“自下而上”。它通过加权得分最高的特征来学习不相关的细节并简化其更新树的“宇宙”。


题库