认知即所需 - 大型语言模型之上的人工智能下一层

聊天机器人等对话人工智能工具在推理和多步问题解决方面存在限制。

认知人工智能提出了一个双层功能架构，用于执行复杂多步知识工作的人工智能系统的路线图。

当前基于视觉的大型语言模型在直觉物理、因果推理和直观心理领域的表现不如人类。

为了加快人工通用智能（AGI）的发展，需要认知人工智能方法。

提出了一种新的认知语言代理的蓝图，结合大型语言模型与外部资源或内部控制流。

探讨了开发认知机器人的架构研究挑战，提出了未来机器人设计和开发框架的替代性架构假设。

倡导一种新的主动学习范式，利用人类作为主动数据源，考虑更高级别的能动性。

通过引入认知启发式方法，解决对话代理人的技术和社交问题。

构建了一个以大语言模型为核心的代理体系结构，发现其智能决策能力优于常用的强化学习人工智能和规则人工智能。

利用大型语言模型作为认知系统的任务知识和知识提取的挑战与机会。