John von Neumann
PulseAugur coverage of John von Neumann — every cluster mentioning John von Neumann across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新理论融合博弈论与自复制自动机
一篇题为“战略演化理论：内生博弈者与策略复制子博弈”的新论文综合了博弈论和自复制自动机理论。它引入了“内生博弈者博弈”（GEPs），其中谱系是主要的策略单位，并将“进化稳定智能分布”（ESDIs）定义为均衡概念。该论文提出，不受限制的自我修改会导致不稳定，因此在人工智能部署动态等系统中，需要有界的修改类别来实现稳定的对齐。
-
作者认为AI潜力受用户情境和内部因素限制
作者认为，尽管AI的能力日益增强，但个人往往难以有效地利用这些工具来显著提高生产力或解决个人问题。这归因于两个主要因素：“严肃的使用情境”的缺乏，意味着用户没有AI建议功能引人注目的需求或既定实践，以及外部工具难以克服的内部人类局限性。文章以AI抽认卡生成器和AI导师为例，说明了当对照具体的日常工作流程和动机进行审视时，对AI援助的抽象愿望常常会失败。
-
冯·诺依曼网络提供参数高效的AI，性能优于深度学习变体
研究人员引入了一种新型人工智能神经元，称为冯·诺依曼神经元，其灵感来源于约翰·冯·诺依曼二十世纪中叶的计算模型。这些神经元组织成冯·诺依曼网络（VNNs）后，能够学习专门的角色，并根据输入和输出配置进行自我工程化其架构。VNN框架通过在细胞拓扑上进行卷积来扩展神经算子并学习格林函数，在基本任务上展示了优于传统深度学习模型的性能和参数效率。
-
新研究提出可判定性度量和计算的复杂度类
本文提出了一个理解计算不可判定性的新框架，将艾伦·图灵的工作与格奥尔格·康托尔的集合论联系起来。它引入了一种根据输入数据的概率分布来衡量问题不可判定性程度的方法。该研究还定义了三个新的不可判定问题复杂度类——U-complete、D-complete 和 H-complete——并否定地回答了一个关于不可判定问题复杂度的基本问题，类似于P vs. NP问题。