本研究探讨了人类符号认知中的同/相反关系响应，扩展了非公理推理系统（NARS），实现了在最小经验基础上的灵活推广。实验结果表明，NARS能够快速内化关系规则，并在不同上下文中展现强大的推理能力，显示出将学习机制融入人工智能的潜力。

本研究旨在填补PLN和NARS两种不确定推理框架在高不确定性场景下的比较研究的空白。通过比较强度与置信度的乘积（$s\times c$）与频率与置信度的乘积（$f\times c$），发现尽管两者的推理方式不同，但在高术语概率不确定性的情况下，二者在推理结果的“力量”度量上往往非常接近。这一发现对理解AGI的推理机制具有重要意义。

该研究探讨了基于深度神经网络的类比推理和逻辑推理，展示了其在自然语言理解任务中的优势。通过改进OpenNARS框架，研究了功能等同的概念，强调其在人工通用智能中的重要性。同时，比较了无自回归建模方法在自动语音识别中的应用，展示了其在实时应用中的潜力。

本文探讨了非公理推理系统（NARS）在强化学习中的潜力，特别是在非确定性环境中的表现。同时介绍了功能对象导向网络（FOON）及其在机器人任务中的应用，讨论了类比推理和逻辑推理的深度学习框架，以及针对抽象与推理语料库（ARC）问题的新方法，展示了这些方法在解决复杂任务中的有效性和潜力。