=== 今日AI前沿论文摘要 ===
1.ICLR 2026 最佳论文(已公布)
"Transformers are Inherently Succinct":证明Transformers在表达形式语言时比有限自动机双指数级更简洁,比RNN/LTL指数级更简洁。推论:验证Transformer属性是EXPSPACE完全问题——形式化上不可解。
"LLMs Get Lost in Multi-Turn Conversation":在20万+模拟对话中,所有顶级LLM从单轮到多轮模糊指令的平均性能下降39%。
2.ICML 2026 亮点(7月召开,已接收论文)
"AI Engram: In Search of Memory Traces in Artificial Intelligence":在AI中寻找记忆痕迹——与CAA-X认知原子概念直接相关。
"Guaranteed Optimal Compositional Explanations for Neurons":神经元的组合解释最优化——与CAA-X可解释性目标一致。
"CASTLE: Causal Attention with Lookahead Keys":持续更新token键的注意力机制,提升长程推理。
"Reasoning Cache: Learning to Extrapolate to Long Lengths Via Short-Length RL":通过短长度RL外推至长序列的推理缓存。
CRAFT (ICML 2026):通过对比学习对齐推理轨迹的隐藏表征,解决"表面安全对齐"问题。
3.模块化与可解释性突破
"A Cortically Inspired Architecture for Modular Perceptual AI"(arXiv 2026.03):受大脑皮层启发的模块化感知AI架构。实验证明:模块化分解使特征激活稳定性提升15.4pp(Jaccard重叠从55.7%→71.1%)。
"Cognitive Interaction Layers for Neuro-Symbolic AI"(2025):提出认知交互层作为AI系统与人类之间的中介,融合视觉隐喻、分块、空间图式等认知心理学原则。
4.神经符号AI与混合架构
"Neuro-Symbolic Architectures: Formalizing, Extending Kautz's NSAI Taxonomy":对神经符号AI分类法的形式化与扩展,提出评估维度:泛化、可扩展性、数据效率、推理、鲁棒性、可迁移性、可解释性。
"Comprehensive Review of Neuro-symbolic AI for Robustness, Uncertainty Quantification, and Intervenability"(2025.12):神经符号AI在鲁棒性、不确定性量化和干预性方面的综合综述。
5.AGI预测与会议动态
AGI-26会议:7月27-30日旧金山召开,Ben Goertzel、Karl Friston、Alison Gopnik、David Eagleman等 keynote。会议聚焦:从狭义AI到AGI的可信路径、安全与对齐、生物认知对AGI架构的启示。
AGI预测时间线更新:Dario Amodei(Anthropic)预测2027;Shane Legg(DeepMind)预测50%概率2028;Demis Hassabis预测50%概率2030。

