构建面向人工智能决策的世界模型引擎所需的基本知识体系

摘要

为了实现真正意义上的人工智能（AI）决策，即超越模式识别和统计预测，达到具备理解、推理与规划能力的智能水平，构建一个完备的、动态的“世界模型”（World Model）作为其核心引擎，已成为业界和学界的共识。本文旨在深入探讨构建此世界模型所需的前置条件：一个全新的认知体系，以及一个结构化的跨领域知识树。本文首先剖析了构建世界模型所需的认知体系的理论框架、关键技术路径（特别是神经符号主义与具身认知），并探讨了其实现蓝图——认知架构。其次，详细阐述了支撑该体系的跨领域知识树的构建原则、层次化元模型设计，并梳理了其必须涵盖的核心知识领域。最后，讨论了评估世界模型的现有基准与未来挑战，并对未来研究方向和人才培养提出了展望。本文认为，通往高级AI决策的道路，本质上是构建一个能够模拟、预测并与世界交互的内部心智模型的旅程，这需要认知科学、神经科学、计算机科学及人文社科等领域的深度融合与协同创新。

引言

1. 研究背景与意义

截至2025年，以大型语言模型（LLMs）为代表的人工智能技术在自然语言处理、内容生成等方面取得了革命性突破。然而，这些模型本质上仍是基于海量数据统计规律的“模式匹配器”，它们缺乏对世界因果关系、物理规律和社会动态的深层理解 。当面对需要长远规划、复杂推理和非常规决策的任务时，其局限性便显而易见。

为了让人工智能从“知其然”迈向“知其所以然”，构建“世界模型”成为通往通用人工智能（AGI）的关键路径 。世界模型是AI系统内部对现实世界（或特定环境）的一个可执行、可预测的模拟 。通过这个内部模型，AI可以在不与真实世界进行高成本交互的情况下，进行“思想实验”，预测不同行动的后果，从而做出更优、更安全的决策 。因此，世界模型不仅是AI的“知识库”，更是其进行推理、规划和创新的“沙盘”与“引擎”。

2. 核心问题定义

本文的核心研究问题是：为了构建一个能够驱动高级AI决策系统的完备世界模型，我们需要搭建并掌握怎样的 认知体系 以及其所需的 跨领域知识树？

• 认知体系：指AI“如何思考”的框架和机制。这包括其学习、记忆、推理、规划和自我意识的基本原理和实现架构 。它决定了AI如何感知、表征和利用知识来构建和更新其内部的世界模型。
• 跨领域知识树：指AI“知道什么”的知识内容和结构。这是一个层次化、系统化、相互关联的知识网络，涵盖了理解世界所必需的各类信息，从物理定律到社会规范 。

以下将围绕这两个核心问题，系统性地整合现有研究成果，勾勒出一条构建未来AI决策引擎的技术蓝图。

第一部分：构建世界模型所需的认知体系

构建世界模型，首先需要为AI设计一个能够有效表征和处理复杂信息的认知体系。这个体系并非单一技术，而是一个集理论、架构、方法于一体的综合框架。

1.1 认知体系的核心理论框架

一个有效的AI认知体系需要借鉴人类心智的运作模式。这要求我们超越单纯的算法设计，从更宏观的层面进行思考。

• 多元思维与心智模型：查理·芒格提倡的“多元思维模型”强调了跨学科知识整合的重要性，即从不同学科的视角看待问题，以形成更全面的认知 。这对于世界模型至关重要，因为它必须能够整合来自物理、社会、心理等多个维度的信息。AI的认知体系必须支持构建和运用多样的“心智模型”（Mental Models），即关于世界某个方面如何运作的简化表征 。
• 认知三角与元认知能力：有研究者提出“认知三角模型”，认为认知范畴、世界观和方法论是处理问题的基础 。这启示我们，AI的认知体系不仅要有知识（认知范畴），还要有处理知识的原则（世界观）和工具（方法论）。更进一步，元认知（Metacognition）——即“关于认知的认知”——是不可或缺的 。AI需要具备评估自身知识局限性、监控推理过程和调整认知策略的能力，这是实现鲁棒决策的关键。
• 意识与整合世界建模理论（IWMT） ：部分前沿理论将意识本身视为一个整合世界模型的过程 。例如，综合世界建模理论（Integrated World Modeling Theory, IWMT）认为，意识通过高阶、因果结构化的表征，将海量的感官信息整合为一个统一的、可用于规划和行动的世界模型 。这为我们提供了一个高级目标：AI的世界模型构建过程，应是一个动态、连贯、整合信息的过程。

1.2 认知架构：世界模型的实现蓝图

认知架构（Cognitive Architectures）为上述理论提供了具体的计算实现蓝图，旨在模拟人类心智的结构和流程 。一个能够生成世界模型的理想认知架构，应具备以下关键特征 ：

• 感知与表征 (Perception & Representation) ：能够将多模态的传感器数据转化为有意义的内部表征。
• 记忆 (Memory) ：拥有类似人类的短期、长期和工作记忆系统，用于存储事实、经验和技能 。
• 推理与规划 (Reasoning & Planning) ：能够基于当前的世界模型进行逻辑推理、因果推断和未来规划。
• 注意与情境感知 (Attention & Grounding) ：能够聚焦于相关信息，并将抽象符号与现实世界中的实体和情境“接地”（Grounding）。
• 自我意识与灵活性 (Self-Awareness & Flexibility) ：能够表征自身的状态（自我模型），并灵活适应新环境和新任务。

目前，学界已发展出多种认知架构，如 ACT-R、SOAR 和 OpenCog 等 。

• ACT-R (Adaptive Control of Thought-Rational) 以其心理学上的合理性和模块化设计著称，区分了陈述性记忆（事实）和程序性记忆（规则），并通过符号和子符号（激活值）的混合计算来模拟认知过程 。其代码库（如pyactr）允许研究者构建具体的认知模型 。
• SOAR (State, Operator, And Result) 则更侧重于通用问题解决和学习，其核心是产生式规则和目标堆栈，在规划类任务中表现出色 。

然而，这些经典的认知架构多诞生于符号主义时代，虽然在模拟高级认知任务方面取得了成功，但直接用于构建一个从原始感知数据出发的、完整的、大规模的世界模型仍面临挑战 。它们往往需要与现代神经网络方法进行深度融合。

1.3 神经符号主义：融合感知与推理的关键路径

为了弥合经典认知架构的符号推理能力与现代神经网络强大的感知能力之间的鸿沟， 神经符号主义（Neuro-Symbolic AI） 成为了构建世界模型最有前景的技术路径 。其核心思想是“两手抓”：利用神经网络处理模糊、高维的感知数据，同时利用符号系统进行精确、可解释的逻辑推理。

关键的实现方法与框架包括：

• 神经符号接地 (Neuro-Symbolic Grounding) ：这是连接感知与符号的关键一步。例如，名为 COSMOS 的框架致力于对象导向的世界建模，它通过神经网络从视觉输入中检测出物体，然后将这些物体及其关系表示为符号，从而让模型能够进行组合泛化（compositional generalization），即理解和推理从未见过的物体组合 。
• 认知架构与神经网络的融合：研究者们正在探索如何将ACT-R等认知架构的符号推理模块与深度学习模型相结合 。例如，用神经网络替代ACT-R中的部分感知或记忆模块，以处理更复杂的现实世界输入，同时保留其核心的符号推理引擎。
• 神经物理模型 (Neuro-Physics Models) ：这类模型试图将已知的物理定律（如力学、光学）作为一种归纳偏置（inductive bias）嵌入到神经网络中 。这使得世界模型不仅能从数据中学习模式，还能遵循基本的物理约束，从而做出更准确的物理世界预测。

1.4 具身认知：从虚拟模拟到物理交互

一个真正完备的世界模型不能在纯粹的数字真空中构建。具身认知（Embodied Cognition） 理论认为，智能体的认知能力是通过与环境的物理交互塑造的 。AI需要一个“身体”（无论是物理机器人还是虚拟化身），通过 “感知-认知-行动”的闭环 (perception-cognition-action loop) 来主动探索世界、获取反馈、并修正其内部的世界模型 。

近年来，多个开源平台和框架的出现，为具身世界模型的研发提供了强大的支持：

• 开源模型与平台：群核科技开源的 SpatialLM 模型专注于空间认知训练 ；英伟达开源的 Cosmos 旨在成为世界基础模型 ；智源研究院的 “悟界”系列模型 和腾讯的 Tairos 平台都致力于打通从感知到行动的全链路 。这些平台通常包含逼真的模拟器、机器人控制接口和预训练模型，极大地降低了具身AI研究的门槛。

通过具身交互，AI的世界模型才能实现真正的“接地”，其内部的符号和概念才能与外部世界的实体和动态产生稳定、可靠的映射。

第二部分：构建世界模型所需的跨领域知识树

如果说认知体系是AI的“操作系统”，那么跨领域知识树就是其赖以运行的“知识库”。这个知识树并非简单的信息堆砌，而是一个结构化、层次化、相互关联的知识体系。

2.1 知识树的核心理念与构建原则

“知识树”理论认为，人类的知识体系在结构上与树状结构存在内在的逻辑关联，具有层次性、关联性和生长性 。构建AI的知识树，需要遵循以下原则：

• 跨学科性 (Interdisciplinarity) ：世界是复杂的，任何单一学科都无法完全解释。因此，知识树必须是跨领域的，融合多学科的专家知识 。
• 结构化与层次化 (Structure & Hierarchy) ：知识应被组织成从普适性原理到领域特定事实的层次结构，便于AI进行不同粒度的推理和抽象 。
• 因果与关联 (Causality & Relation) ：知识树不仅要包含“是什么”（实体），更要包含“为什么”（因果关系）和“如何关联”（相互关系），这对于深度理解和预测至关重要 。

2.2 跨领域知识树的层次结构与元模型设计

为了规范化地构建如此庞大复杂的知识树，我们需要引入 元模型（Metamodel） 的概念。元模型是“关于模型的模型”，它定义了构建知识树的基本元素、规则和约束 。

一个典型的元模型架构是分层的，例如 四层元模型架构 (M3-M2-M1-M0) ：

• M3 (元元模型层) ：定义元模型语言的基础构造，是最高度的抽象，例如UML、OWL等标准的基本元素。
• M2 (元模型层) ：定义特定领域模型的构建规则。例如，我们可以设计一个“跨领域知识树元模型”，规定知识节点必须包含哪些属性（如定义、来源、置信度）、关系类型有哪些（如因果、属于、包含）等。
• M1 (模型层) ：依据M2层的元模型，构建具体的知识树模型。例如，构建一个“金融风险知识树”或“医学诊断知识树”。
• M0 (实例层) ：模型的具体实例，即现实世界中的数据。

尽管目前尚无一个公认的、统一的“跨领域知识树设计规范”，但我们可以借鉴现有的公开标准，如用于数据描述的 Dublin Core 用于知识表示的 RDF/OWL 以及特定行业（如电力行业IEC 61850）的成熟模型体系 来指导我们设计知识树的元模型。社区驱动的开放知识图谱标准，如 cnSchema.org，也为构建可互操作的知识体系提供了实践参考 。

2.3 知识树的核心领域

一个旨在全面理解世界的知识树，必须涵盖以下相互交织的核心领域：

1. 基础科学 (Fundamental Sciences)：

   • 物理学：提供关于空间、时间、物质、能量和相互作用的基本定律，是世界模型物理真实性的基石 。
   • 数学：提供逻辑、概率、统计、微积分等形式化工具，是描述和推理模型的通用语言 。
   • 哲学：提供逻辑学、认识论和伦理学的框架，帮助AI进行有效推理、理解知识的本质，并进行价值判断 。

2. 认知与心智科学 (Cognitive and Mind Sciences)：

   • 认知心理学：揭示人类学习、记忆、注意和决策的机制，为构建类人认知架构提供蓝图 。
   • 神经科学：阐明大脑的神经可塑性、信息处理和记忆存储的生物学原理，为AI算法（如赫布理论）和架构设计提供灵感 。

3. 计算机与信息科学 (Computer and Information Science)：

   • 人工智能：包括机器学习、知识图谱、因果推理、可解释AI（XAI）和人机交互（HCI）等核心技术，是构建知识树和世界模型的技术底座 。

4. 社会与人文科学 (Social Sciences and Humanities)：

   • 经济学、社会学、法学：提供关于人类社会结构、经济规律、法律规范和群体行为的知识，使AI能够在复杂的社会环境中做出合乎情理和法规的决策 。
   • 伦理学：为AI决策系统嵌入价值对齐（Value Alignment）的原则，确保其行为符合人类的道德标准。

5. 工程与应用领域 (Engineering and Applied Domains)：

   • 领域知识 (Domain Knowledge) ：针对特定应用场景（如医疗、金融、制造）的专业知识 。这是将通用世界模型应用于解决实际问题的关键。

2.4 构建与应用的实践案例

尽管“跨领域知识树”作为一个完整概念的行业案例尚不明确，但其核心思想已在 知识图谱（Knowledge Graph） 的应用中得到广泛体现 。知识图谱本质上就是一种结构化的知识网络，是构建知识树的有效实践。

• 金融行业：金融机构利用知识图谱构建“风险知识树”，将客户、账户、交易、关联方等实体连接起来，通过分析复杂的关联路径，实现精准的欺诈检测和信用风险评估 。这里的“树”或“图”结构，整合了金融法规、交易模式、客户行为等多领域知识。
• 医疗行业：医疗知识图谱整合了疾病、症状、药物、基因、诊疗指南等多源异构知识，构建了一个庞大的“医学知识树” 。AI决策系统可以基于此图谱进行辅助诊断、推荐个性化治疗方案，其决策过程远比单纯基于病例统计的AI更为可靠和可解释。例如，“思维树”（Tree of Thought）这样的方法，通过模拟人类专家的决策逻辑，结合知识图谱进行多步推理，在医疗诊断等领域取得了良好效果 。

现代技术如 Graph RAG (Retrieval-Augmented Generation on Knowledge Graphs) ，进一步将大型语言模型的生成能力与知识图谱的结构化知识相结合，使得AI在回答复杂问题时，能够提供既流畅又事实准确的答案，这正是知识树赋能AI决策的生动体现。

第三部分：评估与展望

构建了世界模型和知识树之后，如何评估其质量和能力，成为一个至关重要的新问题。

3.1 世界模型的评估基准与协议

当前主流的AI基准（如MMLU、GLUE、ImageNet）主要评估模型在特定任务上的性能，它们难以衡量一个综合世界模型的全面能力 。评估世界模型需要新的范式：

• 新兴的专门基准：一些针对世界模型能力评估的基准正在出现。例如，WORLDPREDICTION 基准专注于评估AI在高级世界建模和长期过程规划方面的能力 。WorldModelBench 研讨会等学术活动也致力于推动建立评估世界模型物理正确性、泛化能力和提示对齐的标准 。
• 多维度评估框架：对世界模型的评估必须是多维度的，不仅包括 准确性 和 泛化能力，还应涵盖 安全性（如对恶意提示的鲁棒性）、公平性（避免偏见）、效率 和 可解释性 。
• 超越静态基准：评估不能仅限于静态数据集。需要采用 红队演练（Red-Teaming） 、行为测试 和 真实世界场景测试 等动态方法，在交互中发现模型的缺陷和潜在风险 。

3.2 人才培养与学习路径

构建世界模型需要新一代的跨学科人才，他们既要懂算法，也要懂认知；既要懂数据，也要懂领域。这种“专家型通才”或“T型人才” 的培养，需要全新的教育模式。

一个可能的 学习路径 应整合神经科学、认知心理学和人工智能 ：

1. 基础层：扎实的数学、物理和计算机科学基础。
2. 核心层：深入学习人工智能、机器学习、深度学习和知识工程。
3. 交叉层：系统学习认知心理学、计算神经科学，理解人类心智的运作原理。
4. 思辨层：修读哲学、伦理学和逻辑学，培养批判性思维和价值判断能力。
5. 应用层：选择一个或多个应用领域（如金融、医疗）进行深耕，将理论与实践相结合。

3.3 未来挑战与研究方向

通往完备世界模型的道路依然漫长，充满挑战：

• 技术挑战：如何实现符号与亚符号（神经网络）的无缝、高效整合 ；如何让具身智能在开放、复杂的物理世界中进行安全、高效的学习 ；如何构建真正通用的、可跨领域迁移的世界模型 。
• 评估挑战：建立一套全面、公平、标准化的世界模型评估体系依然任重道远 。
• 伦理挑战：拥有强大世界模型的AI将具备前所未有的预测和影响世界的能力，如何确保其目标与人类价值观对齐，避免潜在风险，是一个贯穿始终的核心议题。

未来的研究应聚焦于：通用世界模型的理论与架构、开放世界学习算法 、可信与可解释的AI决策系统 以及 AI的社会与伦理影响。

结论

构建真正意义上的人工智能决策体系，其核心是打造一个能够反映世界复杂动态的完备世界模型。本报告系统地论证了这一宏大工程的两个基石：一个以神经符号主义和具身认知为核心的 认知体系，以及一个结构化、层次化的 跨领域知识树。

前者为AI提供了“如何思考”的蓝图，使其能够融合感知与推理，在与世界的交互中学习和成长。后者为AI提供了“知道什么”的基石，使其决策有据可依，有理可循。虽然在理论、技术、评估和人才培养方面仍面临巨大挑战，但这条融合了人类智慧精华的跨学科路径，无疑是引领人工智能从当前的“大数据、弱认知”范式，迈向未来“强认知、真智能”新纪元的必由之路。这不仅是一场技术革命，更是一次对智能本质的深刻探索。

相关文档

1. 建立认知体系的必备要件？ [2025-03-14]
2. 3.2自我模型和世界模型[2023-11-01]
3. The Basic Requirements for a Cognitive Architecture to Come Up with a World Model[2023-01-20]
4. 世界模型的概念与分类定义. taotao_2016.[2024-12-08]
5. 认知三角模型[2022-06-14]
6. 世界模型（World Model）基础构建. 观熵.[2025-04-28]
7. 构建一个完整、清晰且连贯的认知系统[2025-08-20]
8. 大模型如何通过世界模型实现对世界的认知与推理[2025-06-18]
9. 方法论正篇——不构建认知框架，你的认知就一无是处[2023-02-08]
10. DESAFÍOS PENDIENTES PARA LOS SISTEMAS INTELIGENTES. Francisco José et al.
11. B. Baars. “A cognitive theory of consciousness.”
12. Mélanie Frappier. “The Book of Why: The New Science of Cause and Effect.” Science[2018-05-15]
13. 要对世界有真实的了解，就必须掌握多个学科的核心思维方式。_模型[2020-07-02]
14. 朱明流家思想：作为21世纪中国本土原创的跨学科哲学体系，其理论建构与文明判断具有鲜明的时代突破性. 朱明.[2025-05-09]
15. An Integrated World Modeling Theory (IWMT) of Consciousness: Combining Integrated Information and Global Neuronal Workspace Theories With the Free Energy Principle and Active Inference Framework; Toward Solving the Hard Problem and Characterizing Agentic Causatio[2024-05-07]
16. 人工智能以及朱迪亚·珀尔（Judea Pearl）的因果推理误区. 朱迪亚·珀尔.[2020-06-06]
17. Karl J. Friston, Thomas H. B. FitzGerald et al. “Active Inference: A Process Theory.” Neural Computation
18. 构建认知体系：13个思维模型[2024-04-22]
19. What’s Wrong with Large Language Models and What We Should be Building Instead. Thomas G. et al.[2023-07]
20. Karl J. Friston, Thomas Parr et al. “The graphical brain: Belief propagation and active inference.” Network Neuroscience[2017-12-01]
21. Tom B. Brown, Benjamin Mann et al. “Language Models are Few-Shot Learners.” ArXiv[2020-05-28]
22. Jacob Devlin, Ming-Wei Chang et al. “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding.” North American Chapter of the Association for Computational Linguistics
23. Marco Tulio Ribeiro, Sameer Singh et al. ““Why Should I Trust You?”: Explaining the Predictions of Any Classifier.” Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[2016-02-16]
24. Intelligent World 2030. George Gilder et al.
25. Fundamentals[2025-04-10]
26. 世界模型的概念基础、历史发展与当前著名世界模型. 作者未明确提及.[2025-07-05]
27. Emily M. Bender, Timnit Gebru et al. “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? 🦜.” Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency[2021-03-03]
28. Understanding Domain Knowledge in AI[2025-01-01]
29. AI世界模型全面综述：理解世界还是预测未来？. 作者未明确给出.[2025-05-22]
30. 人工智能如何通过构建世界模型增强推理能力：基于皮亚杰认知发展理论的视角[2025-03-21]
31. Workshop on World Models: Understanding, Modelling and Scaling. Mengyue Yang et al.
32. JOANNOVUM. JOANNEUM RESEARCH.[2024-01-02]
33. 世界模型（World Model）[2025-03-06]
34. World Models in Artificial Intelligence: Sensing, Learning, and Reasoning Like a Child. Authors not specified in the text.[2024-01-01]
35. Tim Miller. “Explanation in Artificial Intelligence: Insights from the Social Sciences.” Artif. Intell.[2017-06-22]
36. 今日热点[2025-04-12]
37. AI for BIM-Based Sustainable Building Design: integrating knowledge discovery and semantic data modelling for evidence-based design decision support. Petrova et al.[2019]
38. A Multi-Agent System framework to support the decision-making in complex real-world domains. Thania Rendón et al.[2009-09]
39. 世界模型：概念、历史与现状[2025-07-05]
40. Knowledge across boundaries: Promoting global cooperation on AI regulation. Catriona Gray et al.[2023-03]
41. MEMO协议：区块链+AI双螺旋架构构建用户中心化数据云[2025-05-15]
42. 《山海经行·怀柔百神》艺术展[2025-01-01]
43. Graph RAG知识图谱构建与多源数据融合[2025-08-19]
44. 相AI相生，在上海共赴未来！[2025-08-14]
45. 【提示学习】是一种新兴的范式[2024-09-02]
46. 白色家电研发岗位潜在风险分析[2025-08-20]
47. 驭AI而上，拓低空之疆. 李昊校友等.[2025-07-01]
48. 数智时代精神文明研究范式创新[2025-08-25]
49. 名校科研助力，多燕瘦开启健康科技新篇章[2024-10-04]
50. 生肖智慧：2025年职场生存指南. 作者未明确提及.[2025-08-16]
51. 系统学习五步法：构建个人知识体系[2025-08-13]
52. 崔文瀚跨学科研究团队连发模因论重磅成果. 崔文瀚跨学科研究团队.[2025-01-01]
53. 谢友柏设计科学研究基金项目年度报告. 胡亚红.[2024-10-06]
54. 星环科技：AI与数据领域的潜力之星，被低估的价值王者[2025-08-18]
55. 构建海外汽车市场共性数据库. 朱华荣.[2025-03-07]
56. 科研文献阅读工具推荐[2025-08-22]
57. SAMGPT: Text-free Graph Foundation Model for Multi-domain Pre-training and Cross-domain Adaptation. Centre for Medical Image Computing等.[2025-02-08]
58. 揭秘“学霸”炼成记 咸宁高中6名学子入选西安交大少年班. 文等.[2025-03-24]
59. 高薪招聘 跨界需求大. 陈晓.[2025-07-03]
60. Prospects on mangrove knowledge services in the smart era: From plant atlas to knowledge graphs. Zhi-Wei HOU et al.[2025-01-01]
61. Ashish Vaswani, Noam M. Shazeer et al. “Attention is All you Need.” Neural Information Processing Systems[2017-06-12]
62. Jacob Devlin, Ming-Wei Chang et al. “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding.” North American Chapter of the Association for Computational Linguistics
63. 什么是真正的通用型人工智能？. 黄岱永.[2025-04-11]
64. 神经网络的世界远比你想象得更丰富多元. 作者个人站点/博客.[2025-08-01]
65. NEUROSYMBOLIC GROUNDING FOR COMPOSITIONAL WORLD MODELS. Atharva Sehgal et al.[2024]
66. 苹果的论文本质上是AI发展路线之争的集中体现. 苹果.[2025-06-09]
67. 全栈模拟-从神经元到高级认知的多层次模拟建模. COGNGEN: CONSTRUCTING THE KERNEL OF A HYPERDIMENSIONAL PREDICTIVE PROCESSING COGNITIVE ARCHITECTURE.[2023-12-14]
68. 5.3.2 神经符号推理的混合方法[2025-03-31]
69. 一个敢问，一个敢答[2025-03-17]
70. Building World Models with Neural Physics. Matusik等.[2025-04-28]
71. Quan Wang, Zhendong Mao et al. “Knowledge Graph Embedding: A Survey of Approaches and Applications.” IEEE Transactions on Knowledge and Data Engineering[2017-12-01]
72. A Path Towards High-Level Reasoning Through Cognitive Neuro-Symbolic Systems. Alessandro Oltramari.
73. 认知架构:AI原生应用的多模态处理能力-CSDN博客[2025-07-26]
74. Principles of Synthetic Intelligence: Building Blocks for an Architecture of Motivated Cognition. Joscha Bach.[2007-03]
75. Explainable Artificial Intelligence: An Overview on Hybrid Models. Gabriel Quesada et al.[2024-10-20]
76. Neurosymbolic Cognitive Methods for Enhancing Foundation Model-based Reasoning. Kaushik Roy et al.[2024-09-12]
77. J. Laird. “The Soar Cognitive Architecture.”[2012-04-13]
78. A Hybrid Cognitive Architecture for AGI: Bridging Symbolic and Subsymbolic AI. Jatin Hans.[2025-03-07]
79. Jia Deng, Wei Dong et al. “ImageNet: A large-scale hierarchical image database.” 2009 IEEE Conference on Computer Vision and Pattern Recognition[2009-06-20]
80. 过去两周最重要的 AI 内容都在这里了：AIGC Weekly #89_腾讯新闻[2024-09-23]
81. Alex Wang, Amanpreet Singh et al. “GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding.” BlackboxNLP@EMNLP[2018-04-20]
82. CVPR 2025 Program Guide[2025-06-11]
83. Emily M. Bender, Timnit Gebru et al. “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? 🦜.” Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency[2021-03-03]
84. A Comprehensive Survey of Deep Research: Systems, Methodologies, and Applications[2025-05-17]
85. Demystifying AI Model Evaluation: A Comprehensive Guide[2024-10-17]
86. RankedAGI - AI Models Ranked by Latest Benchmarks[2025-08-08]
87. Delong Chen, Willy Chung et al. “WorldPrediction: A Benchmark for High-level World Modeling and Long-horizon Procedural Planning.”[2025-06-06]
88. Joy Buolamwini, Timnit Gebru. “Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification.” FAT[2018-01-21]
89. State of Evaluation Study: Vector Institute Unlocks New Transparency in Benchmarking Global AI Models. Deval Pandya等.[2025-04-10]
90. BetterBench: Assessing AI Benchmarks, Uncovering Issues, and Establishing Best Practices. Anka Reuel et al.[2024]
91. AI and the Everything in the Whole Wide World Benchmark. Inioluwa Deborah Raji et al.[2021]
92. The Latest Papers about AI. 4D Gaussian Splatting in the Wild with Uncertainty-Aware Regularization.[2024-11-13]
93. Margaret Mitchell, Simone Wu et al. “Model Cards for Model Reporting.” Proceedings of the Conference on Fairness, Accountability, and Transparency[2018-10-05]
94. MEGA-Bench: A Comprehensive Multimodal Benchmark for Evaluating Large Models. TIGER Lab等.[2024-11-15]
95. InternVL2 Llama3 76B [Is This the Best Model?] üåê[2024-07-22]
96. AI Benchmarks and Datasets for LLM Evaluation. Todor Ivanov et al.[2024-11]
97. 今日热点[2025-04-12]
98. 网络环境下集体智慧领域知识模型构建. 孔垂禹等.[2018-09]
99. 一种以关系为核心的层次化知识建模结构及知识图谱构建方法. 本发明.[2022-04-05]
100. News on IEC 61850 and related Standards. Karlheinz Schwarz.[2014-02-01]
101. H. Lan. “SWRL : A semantic Web rule language combining OWL and ruleML.”
102. Catalysis Research Data: Structures, Workflows, and Repositories Results TA1 – TA4. S. Schimmler et al.[2021-11-17]
103. GBT 34678-2017 智慧城市 技术参考模型[2023-01-01]
104. Architecture for Knowledge-Based Enterprise Management System: a Control View. Saulius GUDAS.
105. 泛在学习环境中的学习资源设计与共享——“学习元”的理念与结构. 余胜泉等.[2009-02]
106. An ontology-based contextual approach for cross-domain applications in Internet of Things. Sihem Benkhaled et al.[2022]
107. An Introduction to Knowledge Representation and Ontology Development for Systems Engineers. Elisa Kendell et al.[2010-07-10]
108. WordThe New Metamodeling Generation. Jonathan M. Sprinkle et al.
109. 解析保险系统的顶层结构[2005-01-19]
110. 领域驱动设计. Eric Evans.[2023-03-23]
111. M. Minović, M. Milovanović et al. “Modelling Knowledge and Game Based Learning: Model Driven Approach.” J. Univers. Comput. Sci.[2011]
112. W. Mayer, Arndt Mühlenfeld et al. “Knowledge-Intensive Process Modelling in Engineering Design.” 2008 19th International Workshop on Database and Expert Systems Applications[2008-09-01]
113. S. Flint. “Aspect-Oriented Thinking - An approach to bridging the disciplinary divides.”[2006-07-01]
114. R. Gitzel, Tobias Hildenbrand. “A Taxonomy of Metamodel Hierarchies.”
115. cnSchema.org：基于社区维护的开放知识图谱Schema标准. 清华大学等.[2019-03-25]
116. Cross-Disciplinary Standards[2016-06-23]
117. 知识树. 丁大卫.[2025-06-20]
118. Ashish Vaswani, Noam M. Shazeer et al. “Attention is All you Need.” Neural Information Processing Systems[2017-06-12]
119. Jacob Devlin, Ming-Wei Chang et al. “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding.” North American Chapter of the Association for Computational Linguistics
120. 什么是真正的通用型人工智能？. 黄岱永.[2025-04-11]
121. NEUROSYMBOLIC GROUNDING FOR COMPOSITIONAL WORLD MODELS. Atharva Sehgal et al.[2024]
122. 神经网络的世界远比你想象得更丰富多元. 作者个人站点/博客.[2025-08-01]
123. Neurosymbolic Diffusion Models. Emile van Krieken等.[2025-05-28]
124. 世界模型也被泼冷水了？邢波等人揭开五大「硬伤」，提出新范式. 邢波等人.[2025-07-09]
125. Building World Models with Neural Physics. Pingchuan Ma.[2025-02]
126. 一个敢问，一个敢答[2025-03-17]
127. Object Motion Guided Human Motion Synthesis[2021-06-23]
128. 全栈模拟-从神经元到高级认知的多层次模拟建模. COGNGEN: CONSTRUCTING THE KERNEL OF A HYPERDIMENSIONAL PREDICTIVE PROCESSING COGNITIVE ARCHITECTURE.[2023-12-14]
129. HoloDrive: Joint Generation of 2D and 3D Modalities for Autonomous Driving. 作者未明确给出.[2022-06-14]
130. J. Laird. “The Soar Cognitive Architecture.”[2012-04-13]
131. 世界模型的简单介绍[2025-05-01]
132. J. Laird, C. Lebiere et al. “A Standard Model of the Mind: Toward a Common Computational Framework across Artificial Intelligence, Cognitive Science, Neuroscience, and Robotics.” AI Mag.[2017-12-01]
133. A Path Towards High-Level Reasoning Through Cognitive Neuro-Symbolic Systems. Alessandro Oltramari.
134. 对世界模型的批判. 来自卡耐基梅隆大学（CMU）等.[2025-07-10]
135. 认知架构:AI原生应用的多模态处理能力-CSDN博客[2025-07-26]
136. Benchmark tests AI models[2025-08-12]
137. Inadequacies of Large Language Model Benchmarks in the Era of Generative Artificial Intelligence. Timothy R. McIntosh et al.
138. AI Benchmarks and Datasets for LLM Evaluation. Todor Ivanov et al.[2024-11]
139. AI大模型对比完全指南：如何选择最适合你的大模型？[2025-08-01]
140. 具身智能中的多模态数据管理与检索“最新综述”[2025-08-22]
141. WorldPrediction: A Benchmark for High-level World Modeling and Long-horizon Procedural Planning[2025-06-04]
142. Standardized tests offer reality check, separating marketing buzz from genuine AI performance[2025-08-14]
143. AI Model Evaluation Standards[2025-07-07]
144. AI Model Registries: A Foundational Tool for AI Governance. Elliot McKernon et al.[2024-09]
145. LLM Benchmarks: A Comprehensive Guide to AI Model Evaluation[2024-11-01]
146. Translating and the Computer 46[2024-11-18]
147. International AI Safety Report[2025-01]
148. EVALUATING LLM METRICS THROUGH REAL-WORLD CAPABILITIES. Justin K. Miller et al.[2025-05-14]
149. Evaluating AI Efficiency in Backend Software Development - A Comparative Analysis Across Frameworks. Arfa Saif et al.[2025-05]
150. Best Practices for Evaluations (Evals) for AI Solutions. Ian Unsworth.[2025-07-22]
151. Top AI Models[2025-05-12]
152. Beyond Next Word Prediction: Developing Comprehensive Evaluation Frameworks for measuring LLM performance on real world applications. Vishakha Agrawal et al.[2025-03-05]
153. AI模型的全面评估和比较[2024-12-06]
154. An Evaluation of Sakana’s AI Scientist for Autonomous Research: Wishful Thinking or an Emerging Reality Towards ‘Artificial General Research Intelligence’ (AGRI)?. JOERAN BEEL et al.[2025-02-20]
155. Understanding the AI Model Ecosystem: A Strategic Guide[2025-04-25]
156. 网络环境下集体智慧领域知识模型构建. 孔垂禹等.[2018-09]
157. 整理的 OSI参考模型的知识. yuzeying.[2021-05-17]
158. 解析保险系统的顶层结构[2005-01-19]
159. News on IEC 61850 and related Standards. Karlheinz Schwarz.[2013-08-04]
160. 知识树. 丁大卫.[2025-06-20]
161. WordThe New Metamodeling Generation. Jonathan M. Sprinkle et al.
162. Catalysis Research Data: Structures, Workflows, and Repositories Results TA1 – TA4. S. Schimmler et al.[2021-11-17]
163. 区块链核心技术与应用/核心技术篇[2018-11-07]
164. 检索层次结构的优势[2024-01-16]
165. AI智能体前沿研究报告：架构、挑战与范式演进（2025）[2025-04-17]
166. Reddit热议：轻量型视频理解+动作识别的开源框架Sense火热出炉. Twentybn.[2022-01-12]
167. 中国对开源的拥抱颠覆了围绕人工智能的传统看法. 美国CNBC电视台.[2025-03-31]
168. 国内首个！腾讯Robotics X实验室发布模块化具身智能开放平台Tairos. 腾讯Robotics X实验室等.[2025-07-27]
169. 杭州六小龙群核科技发布空间理解开源模型SpatialLM，让机器人通过手机拍摄视频理解物理世界的几何关系. 群核科技.[2025-03-20]
170. 群核科技宣布开源其空间理解模型SpatialLM. 张云山.[2025-03-19]
171. 群核科技开源空间理解模型SpatialLM. 谭镕.[2025-03-19]
172. Alec Radford, Jong Wook Kim et al. “Learning Transferable Visual Models From Natural Language Supervision.” International Conference on Machine Learning[2021-02-26]
173. 达摩院开源具身智能相关技术[2025-08-11]
174. 达摩院开源三款模型与协议，推动具身智能开发. 李水青.[2023-08-11]
175. 智元机器人构建世界模型灵魂 开启具身智能认知新纪元. 王闯等.[2025-08-12]
176. 空间理解模型SpatialLM开源. 谭镕.[2025-03-21]
177. 英伟达开源全球首个世界基础模型：Cosmos！附：具身智能机器人和自动驾驶大模型的开源项目！AgiBot World | OpenEMMA！_哔哩哔哩_bilibili[2025-01-09]
178. VLA架构：多模态联合建模实现环境感知-语义理解-动作执行的闭环[2025-03-08]
179. SpatialLM空间理解模型正式开源. 综合报道.[2025-03-21]
180. 具身智能大脑+全球首个具身智能SaaS开源框架. 智源研究院.[2025-07-14]
181. 阿里达摩院开源具身智能相关技术. 环球网科技报道 记者 李文瑶.[2012-01-01]
182. R. Speer, Joshua Chin et al. “ConceptNet 5.5: An Open Multilingual Graph of General Knowledge.” AAAI Conference on Artificial Intelligence[2016-12-12]
183. 群核科技宣布开源空间理解模型，可用于具身智能训练等领域. 黄晓煌.[2025-03-19]
184. 基于基础模型的具身智能最新进展及其挑战. 沈马成.[2023-11-01]
185. 智源发布“悟界”系列大模型，高德开放平台发布智能眼镜解决方案. 宝幼琛.[2025-06-12]
186. 意识的整合世界建模理论：FEP-AI + IIT + GNWT = IWMT. 作者头像.[2024-05-14]
187. The Ultimate Guide to Cognitive Modeling in Cognitive Psychology. Sarah Lee.[2025-05-26]
188. Advanced Cognitive Modeling Techniques. Sarah Lee.[2025-05-26]
189. The AI curriculum[2024-01-01]
190. AI literacy in K-12: a systematic literature review. Lorena Casal-Otero et al.[2025-04-20]
191. Interdisciplinary Curriculum Design and Quasi-Experimental AI-Study of Junior High School History from the Perspective of Core Competencies. Fangfang Liu et al.[2024]
192. Master’s degree programme in Human-centered Artificial Intelligence. UNIVERSITÀ DEGLI STUDI DI MILANO, UNIVERSITÀ DEGLI STUDI BICOCCA, UNIVERSITÀ DI PAVIA.
193. “人工智能+脑科学”交叉学科教学模式探索. 李晓艳.
194. Integrating Model-Based Approaches into a Neuroscience Curriculum—An Interdisciplinary Neuroscience Course in Engineering. Benjamin Latimer et al.[2019]
195. Modelling minds: can computers mimic human intelligence?
196. The “Cognitive” Architectural Design Process and Its Problem with Recent Artificial Intelligence Applications. Yasser Osman et al.[2024]
197. OECD work on EDUCATION & SKILLS. Andreas Schleicher.[2022]
198. Innovative Models and Practical Pathways of Interdisciplinary Integration in Curriculum Design[2025-05-14]
199. A pedagogical approach: toward leveraging mathematical modeling and AI to support integrating humanities into STEM education. Quintana M. et al.[2025-01-28]
200. 人工智能时代的课程逻辑：世界模型与场景学习. 李永智等.[2018-01-01]
201. U. Goswami. “Neuroscience and education: from research to practice?.” Nature Reviews Neuroscience[2006-05-01]
202. P. Gleeson, S. Crook et al. “Integrating model development across computational neuroscience, cognitive science, and machine learning.” Neuron[2023-04-01]
203. An Interdisciplinary Approach to Enhancing AI Literacy in K-12 Science Education: Curriculum Integration and Pedagogical Framework. Y. Shi等.[2025-01-01]
204. Science of Intelligence[2016-09-02]
205. AI知识库在空压机维修中的应用与智能决策树技术实践[2025-03-04]
206. 人工智能通过算法、数据驱动、特征选择实现决策树[2024-08-12]
207. Case Studies and Success Stories of a Decade of Research in Applied Artificial Intelligence. Amir Mosavi.[2025-01-06]
208. AI原生应用领域思维树的实践案例分享[2025-06-29]
209. 3个经营分析案例颠覆认知！战略布局竟藏致命盲区. 豆豆.[2025-07-24]
210. 探索AI原生应用领域思维树的应用场景[2025-06-13]
211. 知识图谱和决策树[2024-07-19]
212. 决策树算法及其分裂策略[2025-03-21]
213. 迈向AI知识管理新时代[2025-04-30]
214. 决策树案例-小明当行长. WST-AI.[2024-09-04]
215. 主题知识树的定义、构建方法和应用[2018-04-08]
216. AI引领的智慧决策：来自不同行业的案例探索. 天津汇柏科技有限公司.[2023-12-04]
217. DEVELOPMENT AND APPLICATIONS OF DECISION TREES. HUSSEIN ALMUALLIM et al.[2002]
218. ENTERPRISE AI IN THE CLOUD: A Practical Guide to Deploying End-to-End Machine Learning and ChatGPT™ Solutions. RABI JAY.
219. 决策树知识图谱[2024-07-19]
220. 埃隆马斯克如何比别人学得更快更好. 作者未知.[2016-11-09]
221. 决策树：基本概念、算法优缺点及实践应用[2024-02-04]
222. 决策树：机器学习的强大工具[2024-11-14]
223. 机器学习 - 决策树：技术全解与案例实战. 作者拥有10+年互联网服务架构等.[2023-11-11]
224. 40年认知架构研究概览：实现通用人工智能的道路上我们已走了多远？. 作者头像：https://ask.qcloudimg.com/avatar/1908973/u62lwe3b0z.png.[2018-07-25]
225. A Foundation for Autonomous Conceptual Engineering Design. Chloe Schaff.[2024-01]
226. BT-Enabled Cognitive Architecture: Physical World Sensing-Processing-Acting Cycle/Subsystem. João Manuel et al.[2023-07]
227. John R. Anderson, Daniel Bothell et al. “An integrated theory of the mind…” Psychological review[2004-09-29]
228. Cognitive architecture[2024-02-06]
229. 智能体架构[2025-04-28]
230. 认知交易系统模型，给策略施加魔力[2019-10-09]
231. Cognitive architectures and agents. Sebastien Helie et al.
232. A cognitive architecture is a blueprint for intelligent agents.[2012-06-21]
233. AGI系统架构与实现[2024-10-01]
234. Q-Cog: A Q-Learning Based Cognitive Agent Architecture for Complex 3D Virtual Worlds. Michael Waltham.[2017-09]
235. 认知架构:AI原生应用的多模态处理能力-CSDN博客[2025-07-26]
236. 面向计算机生成兵力的认知行为模型架构研究综述. 许凯等.[2021-02]
237. 认知机器人学[2022-07-17]
238. Análise Comparativa de Arquiteturas Cognitivas. Marco Antonio et al.
239. D. Kieras, D. Meyer. “An Overview of the EPIC Architecture for Cognition and Performance With Application to Human-Computer Interaction.” Hum. Comput. Interact.[1997-12-01]
240. 认知架构[2022-12-14]
241. Integrated cognitive architectures: A survey. Hui-Qing CHONG et al.[2009]
242. 认知机器人技术[2020-07-09]
243. 四把认知钥匙，解锁大模型推理潜能. IBM研究者们.[2025-07-07]
244. Benchmark tests AI models[2025-08-12]
245. AI Benchmarks and Datasets for LLM Evaluation. Todor Ivanov et al.[2024-11]
246. Standardized tests offer reality check, separating marketing buzz from genuine AI performance[2025-08-14]
247. WordInternational AI Safety Report. AI Safety Institute.[2025-01]
248. AI大模型对比完全指南：如何选择最适合你的大模型？[2025-08-01]
249. 具身智能中的多模态数据管理与检索“最新综述”[2025-08-22]
250. WorldPrediction: A Benchmark for High-level World Modeling and Long-horizon Procedural Planning[2025-06-04]
251. AI Agent Governance: A Field Guide. Jam Kraprayoon et al.[2025-04]
252. LLM Benchmarks: A Comprehensive Guide to AI Model Evaluation[2024-11-01]
253. Artificial Intelligence Index Report 2025 Policy Highlights. Stanford University, Human-Centered Artificial Intelligence.[2025]
254. Future trends in multimodal AI: What to expect in 2025 and beyond[2025-08-13]
255. Jan-v1-4B Local AI Deployment: Master Agentic Models on …[2025-08-19]
256. EVALUATING LLM METRICS THROUGH REAL-WORLD CAPABILITIES. Justin K. Miller et al.[2025-05-14]
257. Top AI Models[2025-05-12]
258. Comparative Performance of Claude and GPT Models in Basic Radiological Imaging Tasks. Cindy Nguyen et al.[2024-11-18]
259. AI Model Evaluation Standards[2025-07-07]
260. Masumi Morishige, Ryo Koshihara. “Ensuring Reproducibility in Generative AI Systems for General Use Cases: A Framework for Regression Testing and Open Datasets.”[2025-05-02]
261. Visualizing the AI Agent Testing Landscape. I’ve watched the AI agent testing landscape evolve dramatically over the years…[2025-01-01]
262. Understanding the AI Model Ecosystem: A Strategic Guide[2025-04-25]
263. 人工智能通过算法、数据驱动、特征选择实现决策树[2024-08-12]
264. J. R. Quinlan. “C4.5: Programs for Machine Learning.”[1992-10-15]
265. L. Breiman. “Random Forests.” Machine Learning
266. 企业AI Agent的迁移学习应用：跨领域知识转移[2025-02-22]
267. AI原生应用领域思维树的实践案例分享[2025-06-29]
268. 跨学科知识在AI赋能离散制造企业中的应用. 孔令涛.[2025-01-21]
269. 开发具有跨领域知识图谱构建能力的AI Agent[2025-02-23]
270. Cross Architecture Approach to AI. Dani Quiroga.[2024]
271. AI知识库在空压机维修中的应用与智能决策树技术实践[2025-03-04]
272. 重塑人生的七大黄金法则[2025-04-06]
273. J. R. Quinlan. “Induction of decision trees.” Machine Learning
274. N. Speybroeck. “Classification and regression trees.” International Journal of Public Health[2012-02-01]
275. ENTERPRISE AI IN THE CLOUD: A Practical Guide to Deploying End-to-End Machine Learning and ChatGPT™ Solutions. RABI JAY.
276. 知识图谱和决策树[2024-07-19]
277. AI引领的智慧决策：来自不同行业的案例探索. 天津汇柏科技有限公司.[2023-12-04]
278. 【人工智能-决策树实验】：破解西瓜数据集3.0分类的7大秘籍[2025-04-03]
279. 跨学科应用案例分享会. 程建娜等.[2022-11-26]
280. 机器学习 - 决策树：技术全解与案例实战. 作者拥有10+年互联网服务架构等.[2023-11-11]
281. 决策树：基本概念、算法优缺点及实践应用[2024-02-04]
282. MEMO协议以区块链+AI双螺旋架构开创全球首个用户中心化数据云[2025-05-15]
283. John R. Anderson, Daniel Bothell et al. “An integrated theory of the mind…” Psychological review[2004-09-29]
284. John R. Anderson, C. Lebiere. “The Atomic Components of Thought.”[1998-06-01]
285. A Foundation for Autonomous Conceptual Engineering Design. Chloe Schaff.[2024-01]
286. Richard Reviewer-Granger. “Unified Theories of Cognition.” Journal of Cognitive Neuroscience[1991-07-01]
287. J. Laird. “Extending the Soar Cognitive Architecture.” Artificial General Intelligence[2008-06-20]
288. 40年认知架构研究概览：实现通用人工智能的道路上我们已走了多远？. 作者头像：https://ask.qcloudimg.com/avatar/1908973/u62lwe3b0z.png.[2018-07-25]
289. ACT-R. John R. Anderson.[2021-12-13]
290. P. Langley, J. Laird et al. “Cognitive architectures: Research issues and challenges.” Cognitive Systems Research[2009-06-01]
291. BT-Enabled Cognitive Architecture: Physical World Sensing-Processing-Acting Cycle/Subsystem. João Manuel et al.[2023-07]
292. SOAR（State, Operator, And Result）认知架构的详细使用方法指南[2025-05-07]
293. 四把认知钥匙，解锁大模型推理潜能. IBM研究者们.[2025-07-07]
294. ACT-R认知框架模型. 约翰·罗伯特·安德森.[2015-01-01]
295. Cognitive Social Simulation and Collective Sensemaking: An Approach Using the ACT-R Cognitive Architecture. Paul R. Smart et al.[2014]
296. Cognitive architecture[2005-04-06]
297. 通用人工智能 (AGI) 的核心概念、技术路径与未来发展展望. 作者未明确给出.[2025-06-01]
298. Mirroring Human Behaviour and Machine in Autonomous Cars. Mehdi Cina.[2024-04-03]
299. 认知的形式化：时钟不停，与外界交互不息，思维和认知不止[2024-10-08]
300. A Review of 40 Years of Cognitive Architecture Research- Core Cognitive Abilities and Practical Applications. Samsonovich.[2024-10-08]
301. Integrated cognitive architectures: A survey. Hui-Qing CHONG et al.[2009]
302. Cognitive Architectures: Research Issues and Challenges. PAT LANGLEY et al.
303. Jacob Devlin, Ming-Wei Chang et al. “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding.” North American Chapter of the Association for Computational Linguistics
304. 科学的AI大模型对比方法论[2025-08-01]
305. Benchmark tests AI models[2025-08-12]
306. Joy Buolamwini, Timnit Gebru. “Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification.” FAT[2018-01-21]
307. BetterBench: Assessing AI Benchmarks, Uncovering Issues, and Establishing Best Practices. Anka Reuel et al.[2024]
308. Timnit Gebru, Jamie Morgenstern et al. “Datasheets for datasets.” Communications of the ACM[2018-03-23]
309. Margaret Mitchell, Simone Wu et al. “Model Cards for Model Reporting.” Proceedings of the Conference on Fairness, Accountability, and Transparency[2018-10-05]
310. An Interdisciplinary Analysis of Key Concepts in the European Union’s Artificial Intelligence Act. Mazzini等.[2024-08-09]
311. Generalization properties of contrastive world models. The authors are not explicitly listed in the provided text…[2022-06-27]
312. Explainable AI for High-Stakes Decision-Making Systems. Raosan kumar yadav.[2025-04]
313. WordInternational AI Safety Report. AI Safety Institute.[2025-01]
314. 全球AI安全评估测试有了新基准. 科技日报.[2024-04-27]
315. Abigail Z. Jacobs, Hanna M. Wallach. “Measurement and Fairness.” Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency[2019-12-11]
316. Towards best practices in AGI safety and governance: A survey of expert opinion. Jonas Schuett et al.[2023-05]
317. Better Benchmarks for Safety-Critical AI Applications. Olawale Salaudeen等.[2025-05-27]
318. An AI System Evaluation Framework for Advancing AI Safety: Terminology, Taxonomy, Lifecycle Mapping. The authors are not explicitly listed in the provided text…[2016-04-27]
319. Testing Modern AI Systems: From Rule-Based Systems to Deep Learning and Large Language Models. 1. Introduction 1.1 Evolution from Expert Systems to Modern AI.[2025-07-31]
320. The Landscape of Artificial Intelligence Testing: A Comprehensive Framework for Modern AI Systems. The authors are not explicitly mentioned in the text…[2025-07-02]
321. Safe and Secure Innovation for Frontier Artificial Intelligence Models Act. Rob Sherman.[2024-06-25]
322. AI巨头们给白宫交卷：谷歌、OpenAI、牛津等12家顶尖机构联合发布「模型安全性评估框架」. 新智元报道.[2023-08-07]
323. B. Boehm. “A spiral model of software development and enhancement.” Computer[1986-08-01]
324. 开箱即用的企业大模型应用平台[2024-08-18]
325. 腾讯混元大模型的魅力所在[2024-09-24]
326. Jack Quinan, C. Alexander. “A Pattern Language: Towns, Buildings, Construction.” Leonardo[1981-01-24]
327. C. Atkinson, Thomas Kühne. “Model-Driven Development: A Metamodeling Foundation.” IEEE Softw.[2003-09-01]
328. 树模型的最新研究与应用综述[2024-12-14]
329. 大模型在垂直行业的落地实践：从通用到定制化的技术跃迁[2025-03-05]
330. Survey of Educational Modelling Languages (EMLs). Adrian Rawlings et al.[2002-09]
331. C. Atkinson. “Meta-modelling for distributed object environments.” Proceedings First International Enterprise Distributed Object Computing Workshop[1997-10-24]
332. 架构之道 元设计方法 架构元模型[2024-05-20]
333. 知识图谱构建与应用[2024-08-14]
334. 元模型与领域特定语言[2024-09-17]
335. 元模型(Metamodel)[2020-11-29]
336. ORM Introduction. Marijke Keet.[2004-04-27]
337. 概念性架构设计[2008-08-12]
338. Database Systems: A Practical Approach to Design, Implementation, and Management. Thomas M. Connolly et al.
339. 层次化解决方案模型在诊断中的应用[2025-04-14]
340. DIGITALES, SEKTORÜBERGREIFENDES PROZESSMANAGEMENT IM GESUNDHEITSWESEN. KATJA HEIDEN et al.[2015]
341. 构建领域驱动设计知识体系. 张逸.
342. Domain Specific Modelling for Clinical Research. Jim Davies et al.[2015-10]
343. John R. Anderson, Daniel Bothell et al. “An integrated theory of the mind…” Psychological review[2004-09-29]
344. John R. Anderson. “The Adaptive Character of Thought.”[1990-06-01]
345. Richard Reviewer-Granger. “Unified Theories of Cognition.” Journal of Cognitive Neuroscience[1991-07-01]
346. D. Kieras, D. Meyer. “An Overview of the EPIC Architecture for Cognition and Performance With Application to Human-Computer Interaction.” Hum. Comput. Interact.[1997-12-01]
347. A Foundation for Autonomous Conceptual Engineering Design. Chloe Schaff.[2024-01]
348. P. Langley, J. Laird et al. “Cognitive architectures: Research issues and challenges.” Cognitive Systems Research[2009-06-01]
349. BT-Enabled Cognitive Architecture: Physical World Sensing-Processing-Acting Cycle/Subsystem. João Manuel et al.[2023-07]
350. ACT-R. John Robert Anderson等.[2022-12-05]
351. 40年认知架构研究概览：实现通用人工智能的道路上我们已走了多远？. 作者.[2018-07-25]
352. Cognitive Social Simulation and Collective Sensemaking: An Approach Using the ACT-R Cognitive Architecture. Paul R. Smart et al.[2014]
353. Integrated cognitive architectures: A survey. Hui-Qing CHONG et al.[2009]
354. 四把认知钥匙，解锁大模型推理潜能. IBM研究者们.[2025-07-07]
355. Artificial Social Intelligence: A Comparative and Holistic View. Lifeng Fan et al.[2022]
356. 8th International Conference on Cognitive Modeling. Richard L. Lewis et al.[2007-07-26]
357. Unlocking ACT-R’s Potential in Cognitive Science. Sarah Lee.[2025-06-17]
358. Cognitive Architectures: Research Issues and Challenges. PAT LANGLEY et al.
359. Comparisons, lists, societies: Architectures with software for experimentation. Taatgen N等.[2013-07-02]
360. 开箱即用的企业大模型应用平台[2024-08-18]
361. K. Kang, Sholom Cohen et al. “Feature-Oriented Domain Analysis (FODA) Feasibility Study.”[1990-11-01]
362. 腾讯混元大模型在各行业的实践探索与未来展望！. 原创前言.[2024-09-14]
363. T. Stahl, M. Völter et al. “Model-Driven Software Development: Technology, Engineering, Management.”[2006-05-19]
364. 元数据在AI模型优化中的角色[2025-07-14]
365. 树模型的最新研究与应用综述[2024-12-14]
366. 腾讯混元大模型的魅力所在[2024-09-24]
367. 腾讯AI通过多种方式赋能实体经济，推动产业数字化和智能化升级[2024-12-09]
368. 大模型在垂直行业的落地实践：从通用到定制化的技术跃迁[2025-03-05]
369. Survey of Educational Modelling Languages (EMLs). Adrian Rawlings et al.[2002-09]
370. 基于多模态数据的知识图谱构建
371. 多层次数据可视化模型[2024-07-24]
372. ORM Introduction. Marijke Keet.[2004-04-27]
373. 元模型与领域特定语言[2024-09-17]
374. 三大专业领域知识图谱的最佳实践_金融[2020-06-01]
375. 《2023年中国互联网保险消费者洞察报告》. 元保联合清华大学五道口金融学院中国保险与养老金研究中心.[2024-04-24]
376. 雪球[2024-12-09]
377. GENERIC PREDICTIVE COMPUTATIONAL MODELLING FOR FINANCIAL DATA USE CASE: APPLYING ONTOLOGIES AS FINANCIAL DATA PRE-PROCESSING TOOL. Natalia Yerashenia et al.
378. 构建领域驱动设计知识体系. 张逸.
379. Domain Specific Modelling for Clinical Research. Jim Davies et al.[2015-10]