Artificial Intelligence: Agencies Have Begun Implementation but Need to Complete Key Requirements
GAO 发现的内容 23 个机构中有 20 个报告了约 1,200 个当前和计划中的人工智能 (AI) 使用案例——人工智能可能解决的具体挑战或机遇。三个机构报告称没有使用人工智能。该机构报告的用途包括分析摄像机和雷达的数据以识别边境活动、分析无人机的照片以及为行星漫游者定位科学样本。美国国家航空航天局 (NASA) 和商务部 (Commerce) 报告的人工智能用例数量最多（见图）。该机构报告的 2022 财年人工智能用例大多数报告的人工智能用例都处于规划阶段尚未投入生产（即当前使用）（见图）。在大约 200 个实例中，各机构报告称他们目前正在使用 AI。截至 2022 财年，机构报告的人工
A Challenge for Career-Connected Learning with Michelle Cheang
Michelle Cheang 是 Catalyze Challenge 的项目总监。她与主持人 Mike Palmer 一起讨论了 Michelle 的组织提供的与职业相关的学习补助金。Catalyze 旨在通过补助金、共享学习和讲故事的方式，为 11-22 岁青少年的职业发展和准备工作提供创新资金。Michelle 解释了 Catalyze 如何从公平的角度出发，寻求扩大历史上被排斥群体的机会。新的 Catalyze Challenge 将持续到 9 月 22 日，并将资助两个主题的探索性项目：青少年的职业探索和有意义的雇主伙伴关系。所以现在提交申请还有时间。Michelle 强调申请流程
Rethinking the Building Blocks of Learning with Mike Acerra
受建筑师巴克敏斯特·富勒和幼儿园运动的启发，Mike Acerra 设计了 Lux Blox，以重新构想学习的基石。作为 Lux Blox 的联合创始人兼总裁，Acerra 拥有跨学科背景，涵盖艺术、建筑、物理和教育。他的独特系统旨在通过基于自然的形式进行直观游戏，培养儿童的空间技能、创造力和自信心。Lux Blox 为教育工作者和家长提供了一个开放式平台，让他们能够通过动觉与学生互动。这些积木鼓励洞察力和探索性，使用普通玩具中没有的复杂几何形状。Acerra 设计 Lux Blox 是为了与科学和艺术原理保持一致，以帮助加强空间思维。正如主持人 Mike Palmer 与 Acerra
U.S. and Pacific Islands Elevate Women’s Leadership in Climate Security in Two-day Workshop
美国印度太平洋妇女、和平与安全司令部 (WPS)、海军分析中心 (CNA) 和有色人种妇女推进和平、安全与冲突转型组织 (WCAPS) 于 7 月 11 日至 12 日在印度联合主办了一次研讨会。斐济苏瓦，重点关注“建设包容性抵御能力”并探索性别、气候和粮食安全之间的关系。
由于 Lindsay 和 Marshall 正在度暑假，我们想与您分享我们最喜欢的其他播客之一！我们为您呈现：Tai Asks Why。15 岁的 Tai Poole 不会休息，直到他揭开宇宙的奥秘，一次一个探索性的问题。在他的 Webby 获奖播客的第 4 季中，Tai 与每个人交谈，从 NASA 科学家到脱口秀喜剧演员，再到他同样好奇的弟弟。如果您曾经想知道当我们焦虑时我们能做什么，或者我们在宇宙中是否孤独，Tai 会回答您的问题。更多剧集可在 hyperurl.co/taiaskswhy 上找到
The three AI adoption strategies
AI 有多种不同的形状和大小。这适用于用例、底层技术以及在您的组织中采用 AI 的方法。由于许多组织都在寻求采用 AI，因此各行各业的领导者都越来越需要有形的框架来从商业角度理解这项技术。领导者提出的一些关键问题很简单。采用 AI 并通过 AI 解决业务问题需要多少时间和金钱，以及我们从这些努力中获得什么回报？这些问题非常合理，但回答这些问题是一个两方面的问题。首先，答案是一个不断变化的目标，因为技术正在呈指数级发展，因此昨天的答案在今天看来已经过时了。其次，AI 的无形性和探索性使得提供这样的答案变得非常困难。但随着 AI 作为一项技术日趋成熟，并被打包成产品和现成的解决方案，这些问题已经准
LTM Benchmark: Improvements and new reports
在 GoodAI，我们致力于开发能够持续和终身学习的代理。作为我们努力的一部分，我们之前已经开源了 GoodAI LTM 基准，这是一套旨在评估任何对话代理的长期记忆 (LTM) 能力的测试。在这个基准中，所有任务都作为代理和我们的虚拟测试人员之间一次非常长的对话的一部分进行。基准交织了来自不同任务的信息和探索性问题，尽管特别注意将它们编织成自然对话。LTM = 长期记忆作为我们对具有 LTM 的代理进行研究的直接结果，GoodAI LTM 基准在不断发展。对我们来说，它是评估我们的代理和验证我们的假设的宝贵工具。此外，它帮助我们描述不同代理失败的方式，因此它为我们提供了目标。在 GoodAI
