Li Yuchun과 Zhang Fang 연구팀의 논문은 심층 학습 기반 준의식 훈련을 통해 로봇 지능 모델의 학습 및 추론 능력을 향상시키는 새로운 방법을 제시합니다. 환경 요인 행렬 네트워크와 손실 함수 최소화 전략을 활용하며, 장기간의 훈련을 통해 인간과 유사한 행동 패턴을 학습시키는 것을 목표로 합니다. 이 연구는 로봇 지능 분야에 혁신적인 가능성을 제시하지만, 훈련 기간과 비용 등의 문제점도 함께 고려해야 합니다.

Anh Bui 등 연구팀이 개발한 적응형 가이드 삭제(AGE) 방법은 AI 확산 모델에서 유해 콘텐츠 생성 문제를 해결하기 위한 혁신적인 기술입니다. 개념 공간을 그래프로 모델링하여 개념 삭제의 영향을 지역적으로 제한하고, 부작용을 최소화하며 효과적인 삭제 성능을 유지하는 것이 특징입니다. 이 연구는 AI의 윤리적 문제 해결에 중요한 진전을 가져왔으며, AI의 안전성과 신뢰성 향상에 크게 기여할 것으로 기대됩니다.

Marios Constantinides와 Daniele Quercia의 연구는 AI 개발의 자동화 중심적 접근에 대한 비판과 인간 중심 AI(HCAI)의 중요성을 강조하며, HCAI의 실질적 영향력 확대를 위한 정책적 개입의 필요성을 제기합니다.

Ying Wen, Ziyu Wan, Shao Zhang의 논문은 대규모 언어 모델(LLM)의 초인공지능(ASI) 진화에 대한 새로운 접근 방식인 '언어 게임'을 제시합니다. 기존의 데이터 재생산 방식의 한계를 극복하기 위해 역할 유동성, 보상 다양성, 규칙 가소성이라는 세 가지 메커니즘을 통해 인간과 AI의 공진화를 통한 무한한 데이터 스트림 생성 및 열린 끝의 탐구를 가능하게 합니다.

Luo Haoran 등 연구진이 개발한 KBQA-o1은 몬테카를로 트리 탐색(MCTS)을 활용한 에이전트 기반 지식 기반 질의응답 시스템으로, 제한된 주석 데이터를 가지고도 높은 성능을 달성하여 기존 SOTA를 능가하는 결과를 보였습니다.