从chatgpt开始，人工智能进步的步伐似乎势不可挡，但支撑这些程序的人工神经网络遇到了一些重大限制，其他的很难推理但是人类的大脑能够通过类比进行推理，当我们看到新事物时，我们不必生长新的神经元，我们可以从现有知识中概括出新概念，但人工神经网络很难以这种方式进行类比推理。

        当面对新信息时，他们通常需要更多的人工节点来扩展他们的统计能力，这使他们能够学习新概念，这种方法称为统计人工智能统计人工智能，是深度神经网络的核心，它还有另一种竞争方法称为符号人工智能，它使用基于逻辑的编程，并利用符号来表示概念和规则，因此就其本质而言，它们是不相容的，最大的挑战是我们如何将它们结合在一起，以获得两全其美的效果，由此一种超维计算的新型方法。

        它利用了统计人工智能的力量，同时也尝试模拟符号计算它通过使用向量有序的数字列表，也可以表示空间中的箭头来实现这一点，根据他们指向的位置，这些向量可以高度复杂的多维方式表示信息，持续对其方向进行微小的改变，他们就可以体现细微差别特征或概念，这些向量可以组合起来代表新的概念，然后再次拆开你了解他们是如何形成的，至关重要的是这些超维向量可以对信息进行编码，而无需向网络添加更多节点。 当我们引入超为计算或矢量符号架构，并将其与深度神经网络等统计方法结合起来时，我们就可以拥有一定的优势。

        2023年3月苏黎世ibm研究院的计算机科学家取得了重大突破，他们将统计和符号方法相结合，解决了瑞文渐进矩阵问题，该难题要求，ai预测图像以填充3×3最后一个正方形，这是一个经典问题，第1个方面是感知部分我们观察不同的视觉对象，然后我们必须识别对象的某些方面。例如物体的形状是什么，颜色是什么，大小是什么，所有这些属性。第2个方面是在对象的这些属性之上执行一些抽象推理，以便能够解决难题。因此我们第1次将超维计算或矢量符号架构机制与深度神经网络相结合，以便能够大规模解决抽象推理问题。

        

        本质上我们可以在神经网络内部构建一个机器，能够模拟神经网络本身难以完成的任何符号计算任务。研究人员还以创纪录的速度解决了这个问题，取得了新的突破。我们能够将某些抽象推理任务的推理时间显著加快250倍。拥有一种能够在这种空间中快速搜索的方法，使其对于更大规模和现实世界的问题非常实用是非常重要的。尽管还需要做更多的工作，但拉希米等研究人员希望稍微计算能够比当前的人工智能平台更快，更透明更节能，我们可以大幅减少能源消耗，我们正在谈论，你知道能源消耗降低10倍100倍，一旦我们进行此类模型的推理，就可以直接转化为降低碳足迹。