Gary Marcus a affirmé que le noyau de Claude d'Anthropic utilise une IA symbolique classique avec une structure IF-THEN, détaillant 486 points de branchement et 12 niveaux d'imbrication. Cependant, l'auteur du post exprime son scepticisme, suggérant que la description renvoie davantage à un code complexe et accumulé qu'à des algorithmes d'IA classiques.
ReaComp compile le raisonnement des LLM en synthétiseurs de programmes symboliques pour surmonter l'inefficacité et le manque de fiabilité des LLM sur les tâches de synthèse de programmes difficiles. Ces solveurs autonomes surpassent les LLM en précision et en efficacité, améliorant les configurations hybrides neuro-symboliques tout en réduisant considérablement l'utilisation de jetons.
Cette recherche explore une approche novatrice pour résoudre les problèmes mathématiques textuels en combinant la puissance des modèles de langage avec la précision des solveurs symboliques. La méthode vise à tirer parti de la compréhension du langage naturel et du raisonnement mathématique formel pour obtenir des solutions robustes.
Cette recherche introduit l'inférence de solutions analytiques visuelles-à-symboliques (ViSA), une capacité d'IA pour récupérer des solutions analytiques de champs physiques à partir d'observations visuelles. Elle présente ViSA-R2, un pipeline auto-vérifiant imitant le raisonnement d'un physicien, et ViSA-Bench, un nouveau benchmark pour évaluer les modèles dans ce domaine.
François Chollet discute l'avenir de l'AGI, prévoyant son arrivée vers 2030, et présente la mission du laboratoire NDI de développer un nouveau paradigme d'apprentissage automatique "optimal" basé sur la synthèse de programmes symboliques. Il critique les limitations de l'apprentissage profond et décrit la stratégie à haut risque et haute récompense de NDI pour l'avancement fondamental de l'IA.
Cette recherche étudie l'utilisation d'un cadre de rétroaction de modèle linguistique agentique pour générer des domaines de planification de haute qualité à partir de descriptions en langage naturel augmentées. Elle évalue l'impact de divers mécanismes de rétroaction symbolique, tels que les jalons et la validation de plan, combinés à une recherche heuristique pour optimiser la qualité du domaine.
Cette recherche présente un échafaudage de raisonnement symbolique pour remédier aux limites systématiques des LLMs en matière de raisonnement logique structuré, notamment la confusion entre génération et vérification d'hypothèses. Il met en œuvre l'inférence tripartite de Peirce, assurant une cohérence logique via des invariants algébriques, dont le 'Weakest Link bound' qui empêche les conclusions de dépasser la fiabilité de leur prémisse la moins étayée.
Cet article de recherche propose un modèle de "pile ou face" pour prédire la performance des programmes symboliques et de prompt des LLM, en utilisant quelques exemples et une priorité de performance. Il constate que les programmes symboliques affichent une priorité de performance "tout ou rien", tandis que les programmes de prompt ont une priorité diffuse.