在过去的几年中，获取可访问信息的技术发展速度超过了互联网创建以来几十年的发展。像Google这样的搜索引擎一直是查找相关信息的主要方式。它们一直依赖用户的能力，在指尖触及的数十亿链接和来源中找到最佳信息。大型语言模型（LLMs）的出现彻底改变了信息检索领域。这些LLMs不仅擅长检索相关知识，还能够有效地对其进行总结，使信息更易于访问和消费。此外，AI代理的兴起为信息检索引入了另一个方面——动态信息

本章探讨了人与系统之间相互理解的概念，提出神经符号人工智能（NeSy AI）方法可以通过利用显式的符号知识表示与数据驱动学习模型显著增强这种相互理解。我们首先介绍三个关键维度来表征相互理解：共享知识、交换知识和治理知识。共享知识涉及使不同代理的概念模型对齐，以实现对感兴趣领域的共同理解。交换知识涉及确保代理之间有效且准确的沟通。治理知识涉及建立规则和流程以调节代理之间的互动。然后，我们展示了几个不

溯源是事物的时间序列，与揭示起源、追踪联系以及将实体置于时空流动中的基本追求相呼应。随着人工智能朝着能够协作完成复杂任务的自主代理发展，生成内容的溯源变得纠缠于集体创作的相互作用中，贡献不断被修订、扩展或覆盖。在多代理生成链中，内容经历了连续的转换，往往几乎没有先前贡献的痕迹。本研究探讨了跨生成时间维度追踪多代理溯源的问题。我们提出了一种仅依赖于内容而非内部记忆状态或外部元信息的生成历史事后归属的

大语言模型驱动的 AI 角色的兴起引发了对心理障碍患者的潜在安全问题的关注。为应对这些风险，我们提出了 EmoAgent，这是一个多代理 AI 框架，旨在评估和缓解人机交互中的心理健康风险。EmoAgent 包含两个组件：EmoEval 模拟虚拟用户，包括那些表现心理脆弱个体的用户，以评估与 AI 角色交互前后的心理健康变化。它使用经过临床验证的心理和精神评估工具（PHQ-9、PDI、PANSS）

从2020年的284亿美元增加到2022年的335亿美元，信用卡欺诈导致的全球损失显著上升。然而，传统的机器学习模型通常优先考虑预测准确性，往往以牺牲模型透明性和可解释性为代价。这种缺乏透明性使得组织难以遵守监管要求并获得利益相关者的信任。在本研究中，我们提出了一种欺诈检测框架，结合了著名的梯度提升模型（XGBoost、LightGBM和CatBoost）的堆叠集成方法。此外，使用可解释的人工智能

在过去一年中，大型语言模型（LLMs）的发展使空间智能成为关注焦点，其中视觉基础的具身智能尤为受到关注。然而，空间智能涵盖了更广泛的学科和尺度，从导航和城市规划到遥感和地球科学。这些领域中的空间智能有何差异和联系？在本文中，我们首先回顾了人类空间认知及其对LLMs中空间智能的启示。然后，我们探讨了LLMs中的空间记忆、知识表示和抽象推理，强调它们的作用和联系。最后，我们分析了跨尺度的空间智能——从

本文对过去十五年人工智能（AI）领域的重大突破进行了综合分析，整合了历史、理论和技术视角。通过追溯计算资源、数据访问和算法创新的汇聚点，文章识别出AI演变中的关键转折点。分析展示了研究人员如何实现基于GPU的模型训练、通过ImageNet引发的数据中心化转变、通过Transformer简化架构以及通过GPT系列扩展建模能力。本文并未将这些进展视为孤立的里程碑，而是将它们视为更深层次范式转变的指标。

多智能体AI中的一个关键挑战是在现实的行为约束下建模社会合作。经济学和伦理学中的许多基础概念，如“信任”或“道德”，通常被非正式地定义，缺乏可操作标准或认知依据，这限制了它们在人工智能体中的可测试性和实现性。通过整合来自灵长类动物行为、婴儿认知和经济人类学的实证证据，我们提出了一种由三个认知上最小化的机制组成的概念框架：个体识别、互惠信念和成本-收益敏感性。该框架将信任重新定义为一种分级的认知期望

Manus AI 是一款于2025年初推出的通用AI代理，标志着自主人工智能领域的一项突破。由中国的初创公司Monica.im开发，Manus旨在弥合“思维”与“行动”之间的差距——它不仅像大型语言模型一样思考和规划，还能端到端地执行复杂任务以交付实际成果。本文全面概述了Manus AI，探讨了其底层技术架构、在各行业（包括医疗、金融、制造、机器人、游戏等）中的广泛应用，以及其优势、局限性和未来前

在医疗服务业中采用人工智能（AI）带来了众多伦理挑战，但当前框架往往未能提供对影响伦理AI整合的多维因素的全面实证理解。为解决这一关键研究空白，本研究引入了多维伦理AI采用模型（MEAAM），这是一个新颖的理论框架，将13个关键伦理变量分类为四个基础维度的伦理AI：公平AI、负责任AI、可解释AI和可持续AI。这些维度进一步通过三个核心伦理视角进行分析：认知关注（与知识、透明度和系统可信度相关）、