Gary Marcus behauptete, dass der Claude-Kernel von Anthropic klassische symbolische KI mit einer IF-THEN-Struktur verwendet, wobei er 486 Verzweigungspunkte und 12 Verschachtelungsebenen detaillierte. Der Autor des Beitrags äußert jedoch Skepsis und vermutet, dass diese Beschreibung eher auf komplexen, akkumulierten Code als auf klassische KI-Algorithmen hindeutet.
ReaComp kompiliert LLM-Argumentation in symbolische Programmsynthesizer, um die Ineffizienz und Unzuverlässigkeit von LLMs bei schwierigen Programmsyntheseaufgaben zu überwinden. Diese eigenständigen Löser erreichen eine höhere Genauigkeit und Effizienz als LLMs und verbessern neuro-symbolische Hybridsysteme, während sie den Token-Verbrauch erheblich reduzieren.
Diese Forschung untersucht einen neuartigen Ansatz zur Lösung mathematischer Textaufgaben durch die Kombination der Leistungsfähigkeit von Sprachmodellen mit der Präzision symbolischer Löser. Die Methode zielt darauf ab, sowohl das Verständnis natürlicher Sprache als auch formale mathematische Argumentation zu nutzen, um robuste Lösungen zu erzielen.
Diese Forschung stellt Visual-to-Symbolic Analytical Solution Inference (ViSA) vor, eine KI-Fähigkeit zur Wiederherstellung analytischer Lösungen physikalischer Felder aus visuellen Beobachtungen. Sie präsentiert ViSA-R2, eine selbstverifizierende Pipeline, die das Denken eines Physikers nachahmt, und ViSA-Bench, einen neuen Benchmark zur Bewertung von Modellen in diesem Bereich.
François Chollet erörtert die Zukunft der AGI, deren Ankunft er um 2030 prognostiziert, und stellt die Mission des NDI-Labors vor, ein neues, "optimales" maschinelles Lernparadigma basierend auf symbolischer Programmsynthese zu entwickeln. Er kritisiert die Grenzen des Deep Learning und skizziert die risikoreiche, aber potenziell hoch lohnende Strategie von NDI für grundlegende KI-Fortschritte.
Diese Forschung untersucht die Verwendung eines agentischen Sprachmodell-Feedback-Frameworks zur Generierung hochwertiger Planungsdomänen aus erweiterten natürlicher Sprachbeschreibungen. Sie bewertet den Einfluss verschiedener symbolischer Feedback-Mechanismen, wie Landmarks und Planvalidierungsergebnissen, in Verbindung mit heuristischer Suche im Modellraum, um die Domänenqualität zu optimieren.
Diese Forschung stellt ein symbolisches Denkgerüst vor, um systematische Einschränkungen von LLMs im strukturierten logischen Denken zu beheben, wie die Verwechslung von Hypothesengenerierung und -prüfung. Es operationalisiert Peirces dreigliedrige Inferenz und erzwingt logische Konsistenz durch algebraische Invarianten, wobei die 'Weakest Link bound' sicherstellt, dass keine Schlussfolgerung die Zuverlässigkeit ihrer am wenigsten unterstützten Prämise überschreiten kann.
Diese Forschungsarbeit stellt ein Münzwurfmodell zur Vorhersage der Leistung symbolischer und promptbasierter LLM-Programme vor, basierend auf wenigen Beispielen und einer Leistungspriorität. Es zeigt sich, dass symbolische Programme eine „Alles-oder-Nichts“-Leistungspriorität aufweisen, während Prompt-Programme eine diffuse Priorität haben.