Notice bibliographique
Résumé
Abstract In recent years, advances in artificial intelligence and machine learning have been driven by advances in the development of large language models (LLMs) that are based on deep neural networks. At the same time, in spite of their substantial capabilities, LLMs have fundamental limitations, such as their spontaneous unreliability in facts and judgments; commission of simple errors that are dissonant with high competence in general; credulity, manifested by a willingness to accept a user’s false claims as true; and lack of knowledge concerning events occurring after training has been completed. Probably the key reason for these limitations is that bioinspired intelligence learning takes place through an assimilation of implicit knowledge in terms of an embodied form of intelligence to solve interactive real-world physical problems. Bioinspired studies of the nervous systems of organisms suggest that the cerebellum, which coordinates movement and maintains balance in human beings, is a prime candidate for uncovering methods of realizing embodied physical intelligence. Its simple, repetitive structure and ability to control complex movements offer hope for the possibility of creating an analog to adaptive neural networks. This paper explores the bioinspired architecture of the cerebellum as a form of analog computational networks that are capable of modeling complex, real-world physical systems. For a simple example, a realization of embodied AI in the form of a multicomponent model of an octopus tentacle is presented that demonstrates the potential for creating adaptive physical systems that learn from and interact with the environment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».