机器心理学：将驭导学习与非公理推理系统集成以推进人工通用智能研究

本文引入了一种称为机器心理学的跨学科框架，将驭导学习心理学的原则与特定的人工智能模型——非公理推理系统（NARS）相结合，以增强人工通用智能（AGI）研究。该框架的核心前提是，适应性对生物智能和人工智能都至关重要，并且可通过驭导学习原则来理解。该方法通过使用 OpenNARS for Applications（ONA）进行三项驭导学习任务来进行评估：简单判别、条件变化和条件判别任务。在简单判别任务中，NARS 在训练和测试阶段均实现了完美准确率。条件变化任务展示了 NARS 的适应性，由于任务条件被反转，NARS 成功地调整了其行为。在条件判别任务中，NARS 有效地处理了复杂的学习情景，通过形成和利用基于条件线索的复杂假设，实现了高准确率。这些发现支持将驭导学习作为创建自适应 AGI 系统的框架。NARS 在知识和资源不足的条件下，以及其传感器-执行器推理能力，使其成为 AGI 的稳健模型。机器心理学框架通过融合诸如持续学习和目标驱动行为等自然智能的元素，提供了一种可扩展且灵活的面向实际应用的方案。未来的研究应探讨使用增强型 NARS 系统、更高级的任务以及将该框架应用于多样化的复杂挑战，以进一步推动人类水平 AI 的发展。