本文主要是介绍论文笔记-Computer Models Solving Intelligence Test Problems: Progress and Implications，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
- 论文题目：Computer Models Solving Intelligence Test Problems: Progress and Implications
- 论文作者：Jos´e Hern´andez-Orallo；Fernando Mart´ınez-Plumed等
- 论文地址
一、论文摘要
在二十世纪上半叶，针对智商测试的计算模型被提出，在二十一世纪的前几年越来越多的计算机系统可以在智商测试任务得到很好的分数。
虽然这个趋势变得越来越大，可是这些工作之间的相互关系以及它们的成就并没有一个全面的叙述。
本篇论文综合考虑了30多个计算模型，针对这一问题提供了相关的见解。包括它们的关系，所属智商测试的范围，模型的目标，这些模型是一般的还是特殊的，在某种情况下使用人工智能技术，与人类行为的对比以及项目困难性的评估。
二、论文内容
2.1背景介绍
AI研究可以说是令人印象深刻的里程碑，例如：1959年IBM编制的一个具有自学能力的跳棋程序；1997年深蓝战胜国际象棋冠军；2011年IBM的Watson在美国问答节《Jeopardy！》上战胜这一节目的两位冠军选手；2016年Alphago成为第一个掌握历史游戏的AI系统。然而这些程序行为背后的机制是否与人类智能行为机制相同或类似呢？
心理测试学被认为是一个在AI中面向任务评估方法中很好的替代方法，但是问题是这种智力发展能力的测量是否是一个可行的、实用的评估呢？
文章中作者分析了30个进行智力测试的计算机模型，这一分析的动机是近年来出现了大量的以计算机模型处理智力测试问题的论文。作者想要探索出这种激增的原因是偶然的还是由于对测试和进行测试的计算机模型的需求越来越大？
总体来讲，这篇论文的目的就是了解这些进行智商测试的计算机模型的意义、作用和影响，探索出这一研究领域的进展和影响。
2.2历史数据
关于人工智能与心理测试学之间联系的研究开始于五十年前，早在1963年，AI程序就能够识别模式中的规律（Evans）。人工智能关于智商测试的研究刚兴起后就消亡了二十多年，一直到80年代认知科学兴起才恢复了对智商测试的研究。2003年通过计算机程序解决智商测试重新成为关注点。
2005年，Evans的研究重新被拾起，研究人员通过基于通用的仿真模型使用了更加抽象和通用的方法；2012年Lovett提出了三个可视化问题解决任务：几何类比；2016年提出了旨在理解人类认知机制的心理测试方法Phaeaco。
事实上，在过去的十年特别是五年里，解决智商测试的计算机模型增长迅速，目标和方法的多样性也进一步增长，包括使用智商测试系统分析什么是智能、了解人类认知的某些方面、评估一些智能技术或系统，包括机器人等，简单说就是对智商测试真正代表什么有更多的见解。
2.3讨论
这项研究并不限制于对涉及智能测试的所有模型进行调查。
通过对模型的全面描述，进而得出一套标准，旨在理解这些计算机模型的意义、功能及影响，探索出这一领域的进展和影响。再有，通过分析得出这些方法的关系和联系，进而得出关于它们的有效性的结论。
- 讨论1：我们看到大部分的方法都是近几年的，这是否暗示它们之间存在着联系？
- 讨论2：如何使用这些测试对人工智能进行评估？它们越来越普遍了吗？
三、论文总结
本文的动机包括三个方面：
- 动机一： 最开始研究的原因是近年来出现的大量使用计算机模型进行智商测试的论文越来愈多，作者想要探索出这一增长的原因。
- 动机二：在文章研究的所有成果中，关于它们之间的联系非常有限，甚至一些作品忽略了以往方法的结论和思想。作者希望通过这篇论文能鼓励将来人们对智商测试的计算机模型的研究能够与以往的工作结合起来。
- 动机三：作者一个很有雄心的目标就是为这些问题创建一个存储库或是生成器。因为许多智商测试的结果都是不可公开的，研究中许多方法都使用了替代法。对于人工智能来说，整理这些问题，记录计算机和人类的结果，并组织竞赛，将是非常有用的。
这篇关于论文笔记-Computer Models Solving Intelligence Test Problems: Progress and Implications的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
