Gary Marcus afirmó que el kernel de Claude de Anthropic utiliza IA simbólica clásica con una estructura IF-THEN, detallando 486 puntos de ramificación y 12 niveles de anidamiento. Sin embargo, el autor de la publicación expresa escepticismo, sugiriendo que la descripción apunta más a un código complejo y acumulado que a algoritmos clásicos de IA.
ReaComp compila el razonamiento de LLMs en solucionadores simbólicos para la síntesis de programas, abordando la ineficiencia e inestabilidad de los LLMs en tareas difíciles. Estos solucionadores autónomos superan a los LLMs en precisión y eficiencia, y mejoran los entornos híbridos neuro-simbólicos, reduciendo significativamente el uso de tokens.
Esta investigación explora un enfoque novedoso para resolver problemas matemáticos de texto combinando el poder de los modelos de lenguaje con la precisión de los solucionadores simbólicos. El método busca aprovechar tanto la comprensión del lenguaje natural como el razonamiento matemático formal para lograr soluciones robustas.
Esta investigación introduce la Inferencia de Soluciones Analíticas Visual-a-Simbólica (ViSA), una capacidad de IA para recuperar soluciones analíticas de campos físicos a partir de observaciones visuales. Presenta ViSA-R2, una cadena de pensamiento auto-verificable que emula el razonamiento de un físico, y ViSA-Bench, un nuevo benchmark para evaluar modelos en este ámbito.
François Chollet discute el futuro de la AGI, prediciendo su llegada alrededor de 2030, y presenta la misión del laboratorio NDI de desarrollar un nuevo paradigma de aprendizaje automático "óptimo" basado en la síntesis de programas simbólicos. Critica las limitaciones del aprendizaje profundo y describe la estrategia de alto riesgo y alta recompensa de NDI para el avance fundamental de la IA.
Esta investigación explora el uso de un marco de retroalimentación de modelo de lenguaje agéntico para generar dominios de planificación de alta calidad a partir de descripciones de lenguaje natural aumentadas. Evalúa el impacto de varios mecanismos de retroalimentación simbólica, como puntos de referencia y validación de planes, junto con búsqueda heurística para optimizar la calidad del dominio.
Esta investigación introduce un andamio de razonamiento simbólico para abordar las limitaciones sistemáticas de los LLMs en el razonamiento lógico estructurado, como la confusión entre generación y verificación de hipótesis. Operacionaliza la inferencia tripartita de Peirce, aplicando consistencia lógica mediante invariantes algebraicas, destacando el 'Weakest Link bound' para asegurar que ninguna conclusión supere la fiabilidad de su premisa menos apoyada.
Este artículo de investigación propone un modelo de "cara o cruz" para predecir el rendimiento de programas simbólicos y de prompt en LLMs, utilizando pocos ejemplos y un previo de rendimiento. Descubre que los programas simbólicos muestran un rendimiento de "todo o nada", mientras que los programas de prompt tienen un previo difuso.