[论文解读] Neurocognitive Informatics Manifesto

Włodzisław Duch|arXiv (Cornell University)|Jan 10, 2021

Computability, Logic, AI Algorithms参考文献 135被引用 4

一句话总结

本宣言提出神经认知信息学作为一门新兴领域，通过将计算系统建模为人类认知过程，弥合人工智能与神经科学之间的鸿沟。它主张采用生物启发式算法，以增强机器对信息的理解、表征与管理能力，特别是在人类认知仍优于人工系统的一些领域。

ABSTRACT

Informatics studies all aspects of the structure of natural and artificial information systems. Theoretical and abstract approaches to information have made great advances, but human information processing is still unmatched in many areas, including information management, representation and understanding. Neurocognitive informatics is a new, emerging field that should help to improve the matching of artificial and natural systems, and inspire better computational algorithms to solve problems that are still beyond the reach of machines. In this position paper examples of neurocognitive inspirations and promising directions in this area are given.

研究动机与目标

• 将神经认知信息学确立为整合人工智能与认知神经科学的新跨学科领域。
• 解决人类与机器在信息理解、表征与管理能力方面持续存在的差距。
• 通过建模人类神经认知过程，激发新型计算算法的开发。
• 推动跨学科研究，借助生物认知的洞见提升人工系统性能。
• 为生物启发式人工智能与认知计算的未来研究提供基础框架。

提出的方法

• 提出神经认知信息学的理论框架，作为聚焦于自然与人工信息系统的资讯学延伸。
• 借鉴神经科学与认知科学的原理，对人脑中的信息处理进行建模。
• 强调神经动力学、可塑性与分层表征在认知处理中的作用。
• 鼓励在算法设计中采用生物上合理的机制，如脉冲神经元、突触适应与注意力调制。
• 倡导将人类认知的洞见整合到机器学习与人工智能架构中。
• 将该领域定位为抽象信息理论与具体神经生物学机制之间的桥梁。

实验结果

研究问题

• RQ1 人类神经认知系统中的洞见如何改善人工信息处理系统的设计？
• RQ2 源自大脑的哪些计算原理可增强机器对复杂信息的理解与表征能力？
• RQ3 人工系统在哪些方面可更好地模拟人类认知的鲁棒性与适应性？
• RQ4 神经动力学与可塑性在实现认知性能优于当前人工智能方面发挥何种作用？
• RQ5 人工智能与神经科学之间的跨学科协作如何加速认知计算的发展？

主要发现

• 神经认知信息学为缩小人工与自然信息系统之间性能差距提供了有前景的路径。
• 人类认知在信息管理、表征与理解方面表现卓越——这些领域正是当前机器仍显不足之处。
• 生物启发式模型可催生更鲁棒与更具适应性的计算算法。
• 该领域鼓励基于神经机制（如可塑性与动态重构）开发新算法。
• 神经认知信息学为认知人工智能与脑启发计算的未来研究提供了概念基础。
• 宣言呼吁获得制度性与协作性支持，以系统性推进这一新兴领域的发展。