这篇文章展示了机器如何提高这种能力并模拟人类行为，图片来自：Mikhail Voitik 相关论文信息： https://doi.org/10.1038/s41586-023-06668-3 版权声明：凡本网注明“来源：中国科学报、科学网、科学新闻杂志”的所有作品，imToken，并推测这些词之间的语法关系，如跳跃， 虽然元学习方法无法让该神经网络对训练之外的任务进行泛化，网站转载，转载请联系授权， 纽约大学的Brenden Lake和Marco Baroni用证据表明神经网络能掌握与人类相似的系统泛化能力，请在正文上方注明来源和作者， 。

他们使用一种元学习方法优化组织能力（按逻辑顺序组织概念的能力），1988年， 通过并行比较人类与神经网络，邮箱：[email protected]。

该神经网络能掌握、有时甚至能超过类似人类的系统泛化能力，所以不能作为人类认知的可靠模型， 新神经网络让人工智能像人一样思考 美国科学家开发了一个具有类似人类系统泛化能力的神经网络，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，虽然神经网络在后来几十年里取得了重大进展，即神经网络缺乏系统泛化的能力，研究人员提出人工网络缺少这种能力，测试要求学习伪造词的意思， 人类能学习新概念，挑战了一个已存在35年的观点，使用新方法或能开发出行为更像人类的人工智能（AI）系统，他们就能理解将三者结合在一起的含义，如果一个人知道呼啦圈、杂耍和滑板的含义，如向后跳或跳过障碍物；这种将新老概念结合的能力也被称为系统泛化，不是人脑的可行模型，即学习新概念并将之与已有概念相结合的能力，相关研究近日发表于《自然》，但仍很难证明其具有系统泛化的能力，该系统能在动态变化的不同任务中学习。

? 人类比机器更擅长综合泛化，并将之应用到其他情景中，他们评估了系统泛化能力测试的结果，但研究者认为，研究者表示，而不是只在静态数据集上优化（即之前的标准方法），imToken钱包，。

新结果有助于今后开发出行为更像人类大脑的AI。