งานวิจัยนี้นำเสนอการขยายความสามารถของ AI ในรูปแบบ Neuro-symbolic ซึ่งเป็นการผสมผสานระหว่างการเรียนรู้ของโครงข่ายประสาทเทียม (Neural Learning) และการใช้เหตุผลเชิงสัญลักษณ์ (Symbolic Reasoning) โดยมุ่งเน้นที่การใช้งานในหุ่นยนต์ระดับ AGI ระบบนี้ช่วยแก้ปัญหาข้อจำกัดของระบบ AI แบบเดิมที่ขาดความสามารถในการอธิบายเหตุผลและโครงสร้างทางตรรกะ
หัวใจสำคัญของงานนี้คือการใช้การคำนวณเชิงความน่าจะเป็น (Probability Computation) สำหรับประโยคหรือข้อมูลที่ยังไม่ทราบค่า โดยอาศัยหลักการความเอนโทรปีข้อมูลสูงสุดของ Shannon (Shannon's maximum information entropy) ร่วมกับโครงสร้างตรรกะแบบ Belnap ซึ่งช่วยให้หุ่นยนต์สามารถตัดสินใจในสถานการณ์เฉพาะหน้า (Real-time decisions) ได้อย่างแม่นยำและสมเหตุสมผลมากขึ้น
