XiaoMi-AI文件搜索系统
World File Search System不可见的
黑暗，超越深层：具有类人常识的认知人工智能的范式转变
深度学习的最新进展主要基于“大数据用于小任务”范式，在该范式下，大量数据用于训练单个狭窄任务的分类器。在本文中，我们呼吁进行一次彻底颠覆这一范式的转变。具体而言，我们提出了“小数据用于大任务”范式，其中单个人工智能 (AI) 系统面临发展“常识”的挑战，使其能够用很少的训练数据解决各种任务。我们通过回顾综合了机器和人类视觉方面的最新突破的常识模型来说明这一新范式的潜在力量。我们将功能性、物理性、意图、因果关系和效用 (FPICU) 确定为具有类似人类常识的认知 AI 的五个核心领域。当将 FPICU 视为一个统一的概念时，它关注的是“为什么”和“如何”的问题，超越了理解视觉的主流“什么”和“哪里”框架。它们在像素方面是不可见的，但却推动了视觉场景的创建、维护和发展。因此，我们将它们称为视觉的“暗物质”。正如我们的宇宙不能仅通过研究可观测物质来理解一样，我们认为，如果不研究 FPICU，就无法理解视觉。我们展示了如何观察和应用 FPICU 来解决各种具有挑战性的任务，包括工具使用、规划、效用推理和社会学习，从而展示了这种观点在开发具有人类常识的认知 AI 系统方面的强大作用。总之，我们认为下一代 AI 必须采用“暗”的人类常识来解决新任务。
![arxiv：2404.08148v1 [CS.CL] 2024年4月11日](/simg/g:\will\search\icon\source\2\2a6fe29623c4e2bceacf62862efeb81e6a7d68ba.webp)
arxiv：2404.08148v1 [CS.CL] 2024年4月11日
蒸馏出明确的思想推理路径已成为提高各种任务中大语言模型（LLM）的推理能力的有效方法。但是，当解决对最先进模型构成重大挑战的复杂任务时，这种技术通常会努力产生有效的思想链，从而导致正确的答案。在这项工作中，我们提出了一种新颖的方法，通过利用其解释解决方案的能力来使LLM的推理能力蒸馏出来。我们将我们的方法应用于解决竞争级别的编程挑战。更具体地说，我们采用LLM来生成一组<问题，解决方案程序>对的解释，然后使用<问题，解释>对微调一个较小的语言模型，我们将其称为推理者，以学习算法的推理，可以为不可见的问题而引起“ how to sands do sange”“ how to sone do sands to node sange de sange de sange dece de sange dece deblese dey dece dey deceens corey of deceens corage''。我们的实验表明，从解释中学习使推理者能够更有效地指导编码人员的计划实施，从而使求解速率高于强大的对竞争级别编程问题的经过深思熟虑的基线。它还优于直接从<问题，解决方案程序>对学习的模型。我们以CodeContests格式策划了一个额外的测试集，其中包括246个在模型知识截止后发布的最新问题。
机器学习 - 衍生的基线视野模式预测了眼部高血压治疗研究中的未来青光眼发作
字段。4在OHTS中，发现较高的基线PSD可以预测未来的POAG发作。这一发现在青光眼研究（DIGS）和欧洲青光眼预防研究（EGPS）的诊断创新中得到了复制。5，6尽管OHTS碱基预测模型中使用的PSD值在正常范围内，但可能性仍然是，较高的PSD可能已代表早期但临床上不可见的青光眼损害。7这个问题仍然是基线VF中是否存在神秘模式，该模式是否由OHTS端点委员会定义为非珠瘤，如果是这样，这些模式是否可以预测未来的POAG发作。原型分析（AA）是一种无监督的机器学习方法，提供了一种从异质VF数据集中识别可解释的组件模式的方法。8未经文明的机器学习方法比定性分类系统更容易偏向偏差，因为它们没有关于青光眼变化的先验知识。8机器学习对VF的现有应用主要旨在诊断诊断或鉴定疾病进展。9 - 13未来疾病发作的依据是一个更具挑战性的问题，因为早期疾病的迹象较不可能辨别，并且需要强大的纵向数据集（例如OHT）。先前将AA应用于VF的研究表明，AA是鉴定已知POAG患者VF中临床解释模式的强大方法。8、13、14
选定项目的表AAP ECOS SUD-ANID 2024
微生物在自然和人类管理的生态系统及其提供的服务中的关键作用已被广泛认可。这些不可见的实体参与了所有生态系统过程，并与我们依赖食品生产的宏观物种相互作用。微生物组影响动物和植物的健康，功能和适应能力 - 与宿主紧密相关的微生物群落 - 与自由生命的微生物强烈相互作用。尽管它们重要性，但对环境变化如何影响这些相互作用以及它们将如何应对气候变化。“了解气候变化对贝类养殖对贝类养殖的影响（双染色体学）”提案将面临挑战，以破译幼虫和底物微生物群落之间的相互作用以及海洋环境如何推动暴露于气候变化的海洋无关脑的复原力和人群人的恢复力和人群连接性。在这里，我们打开了一个观念，即与基质相关的微生物群海洋幼虫沉降可能具有功能作用，而不是定量降落的表面。我们假设微生物基石分类群驱动涉及海洋无脊椎动物生存的全息组。双千相分组将探讨海洋多种环境压力源的复杂性，以评估贝类水产养殖的脆弱性。我们建议将贻贝和牡蛎作为模型物种，鉴于它们作为生态工程师的作用，当前对幼虫和定居动力学的知识的深度以及它们对智利和法国贝类水产养殖的重要性。该提案将在智利（UDEC）和法国凯恩大学（UNICAEN）的康塞普西翁（Concepción）大学合作进行。所有参与的研究人员和研究生在下一代测序，功能基因组学和微生物群体数据分析方面都有丰富的经验。
基于人工智能的外科手术预测模型...
腹腔镜胆囊切除术 (LC) 是切除胆囊的标准手术。虽然该手术已发展成为一种相对安全且可耐受的日间手术，但有时可能会很困难，并且可能会出现并发症。复杂的胆结石疾病，如胆囊炎或胆结石性胰腺炎，是增加 LC 技术难度的危险因素。虽然可以对手术难度进行术前预测，但围手术期发现可能会令人惊讶。使用基于 AI 的模型了解手术场景的难度对于对手术性能进行基准测试和改进手术室规划非常重要。本研究旨在开发一种深度学习 (DL) 来预测腹腔镜胆囊切除术在特定手术发现上的难度。基于 Nassar 评分使用了难度分级量表。为了训练 DL 网络，从录制的视频中提取了帧。所有帧均标记为“胆囊”难度 1-3 级和“粘连”难度 1-3 级。排除由体外图像组成或胆囊不可见的帧。总共有 26.483 帧。ResNet 用作模型的主干。调整超参数以改善模型结果。多类和二元分类网络都经过了训练。训练用于分类胆囊难度（3 级）的网络比训练用于分类粘连难度的网络表现更好（准确率 74%）。可以对胆囊炎进行分类，准确率为 91%，对简单病例进行分类，准确率为 87%。本研究结果可作为进一步研究 LC 难度分类的起点。这是提高对手术场景理解并为 LC 外科医生提供基准的第一步。
微生物学简介
Antonie van Leeuwenhoek（1632–1723）是最早使用自己设计的显微镜观察微生物的人之一，并为生物学做出了最重要的贡献之一。罗伯特·胡克（Robert Hooke）是第一个使用显微镜观察生物的人。胡克（Div）的1665年书籍《显微照片》包含植物细胞的描述。在1675年发现范·李温霍克（Van Leeuwenhoek）在发现微生物之前，这是一个谜，为什么可以将葡萄变成葡萄酒，牛奶变成奶酪，或者为什么食物会变质。van Leeuwenhoek并没有在这些过程和微生物之间建立联系，但是使用显微镜，他确实确定存在肉眼不可见的生命形式。van Leeuwenhoek的发现，以及随后的Spallanzani和Pasteur的观察结果，结束了长期以来的信念，即在变质过程中生命自发出现在非生物物质中。在1676年，范·李温霍克（van Leeuwenhoek）仔细观察到水，惊讶地看到小有机体 - 人类观察到的第一个细菌。他宣布这一发现的信引起了皇家学会的广泛怀疑，但罗伯特·胡克（Robert Hooke）随后重复了实验，并能够确认他的发现。既是微生物学的父亲，van Leeuwenhoek都奠定了植物解剖结构的基础，并成为动物繁殖的专家。他发现了血细胞和微观线虫，并研究了木材和晶体的结构。他还制作了500多个显微镜以查看特定对象。van Leeuwenhoek于1723年8月30日去世。他还发现了他认为这是他职业生涯中最重要的发现之一的精子，并描述了小软体动物，鱼类，两栖动物，鸟类，鸟类和哺乳动物的精子，得出了新的结论，即精子渗透到卵子时发生受精。
NBIC+（伊朗）
科学家在显著提高 X 射线成像清晰度方面取得了突破，并有可能提高 X 射线扫描的处理速度。这为更好的医学成像和更快的安全检查奠定了基础。取得这一进展的关键是在有助于可视化 X 射线的设备中添加一层金。用于健康和安全扫描的 X 射线是不可见的，但可以使用具有“闪烁”材料的探测器对其进行成像，这些材料吸收辐射并以类似于夜光漆的方式“发光”。闪烁材料发出的可见光被传感器捕获，以基于 X 射线创建图像。光越亮，视觉效果越清晰，越详细。由新加坡南洋理工大学 (NTU) 和波兰 Lukasiewicz 研究网络-PORT 波兰技术发展中心共同领导的研究人员发现，在闪烁材料上添加一层金层可使其发出的可见光亮度提高 120%。《先进材料》杂志上发表的研究数据显示，发射光的平均强度约为每千电子伏特 88 个光子。因此，生成的 X 射线图像通常清晰 38%，区分图像不同部分的能力提高了 182%。有了金层，闪烁材料吸收 X 射线后停止发光的时间也平均缩短了 1.3 纳秒，即近 38%，这意味着它们可以更快地为下一轮辐射做好准备。这表明黄金具有加速 X 射线扫描处理速度的潜力。波纹电子 这些加速现象可以解释为黄金是“等离子体”，这意味着金属中的电子对辐射的反应是同步的波状模式移动，类似于鹅卵石掉入水中后形成的涟漪。
纤维增强聚合物复合材料模具
• 您从哪里开始，源数据的质量如何？您是在“复制”现有形状，还是从简单概念入手，或者您已经有一套良好的 2D 工程图？如果您有 3D 计算机辅助设计 (CAD) 模型，它是什么格式，质量如何，它是否能与其他设计和模拟或加工软件集成？• 零件设计是否基于对复合材料和部件制造的理解？• 美观是最重要的，还是机械性能和功能是首要考虑因素？• 您的组件/产品是否有一个美观的“A”面和一个不可见的“B”面，还是需要外观和内部或正面和背面都好看？• 您是否需要从模具中取出自带颜色的表面？还是总是在之后涂漆？• 厚度控制和几何精度有多重要？您是否需要提供两个精确间隔表面的闭模工艺，还是单面工具就足够了？• 需要什么工艺温度？允许的热膨胀系数 (CTE) 是多少？ • 组件材料是什么？工具是否兼容？例如，对于酚醛复合材料部件，固化过程中释放的水分会降低工具的性能吗？• 您的产品有多大？您可以将其制成一个整体，还是需要将其分解成多个组件？• 形状有多复杂？它是空心的吗？它需要插入件还是芯？它是否具有复杂的曲率，还是必须具有超平坦的表面和紧密的尖角才能与传统机加工元件配合使用？• 复合材料组件是否与其他材料和系统一起作为更复杂组件的一部分工作？您能否将这些其他功能元素集成到单个组件中，或者您可能需要模块化或“可拆卸设计”方法？• 您是否从一开始就需要考虑道德、企业责任、可持续性、环境、废物效率或碳足迹目标？• 您需要多快生产出第一个零件？为了提高速度，您可以从上述列表中做出哪些妥协？
激光安全
激光安全简介 激光已成为医学、物理学、化学、地质学、生物学和工程学领域日益重要的研究工具。如果使用或控制不当，激光会对操作员和其他人员（包括未经授权的实验室访客）造成伤害（包括烧伤、失明或触电），并造成重大财产损失。所有激光的个人用户都必须接受充分培训，以确保充分了解德克萨斯大学激光安全政策中概述的安全实践。大学的激光安全程序遵循德克萨斯州卫生部辐射控制局的要求以及美国国家标准协会 (ANSI) 的指导方针，如 ANSI 标准 Z136.1“激光的安全使用”中所述。什么是激光？ LASER 是受激辐射光放大的首字母缩写词。激光产生的能量位于电磁波谱的光学部分或附近。能量通过称为受激辐射的原子过程放大到极高的强度。 “辐射”一词常常被误解，因为该术语也用于描述放射性物质或电离辐射。但在本语境中，该词的使用是指能量转移。能量通过传导、对流和辐射从一个位置移动到另一个位置。激光的颜色通常用激光的波长来表示。表示激光波长的最常用单位是纳米 (nm)。一米有 10 亿纳米 (1 nm = 1 X 10 -9 m)。激光是非电离光，包括紫外线 (100-400nm)、可见光 (400-700nm) 和红外线 (700nm-1mm)。电磁波谱每种电磁波都表现出独特的频率，以及与该频率相关的波长。正如红光有自己独特的频率和波长一样，其他所有颜色的光也都有独特的频率和波长。橙色、黄色、绿色和蓝色各自表现出独特的频率和波长。虽然我们可以用相应的颜色感知这些电磁波，但我们看不到电磁波谱的其余部分。大部分电磁波谱是不可见的，并且其频率遍布整个频谱。频率最高的是伽马射线、X 射线和紫外线。红外辐射、微波和无线电波占据频谱的较低频率。可见光介于两者之间，处于非常狭窄的范围内。
英国国家安全委员会证据摘要 - 在乳腺癌筛查中使用人工智能进行乳房 X 线摄影图像分析
乳腺癌是英国女性中最常见的癌症。英国国家医疗服务体系 (NHS) 乳腺癌筛查计划每 3 年邀请 50-70 岁的女性进行一次筛查。筛查包括对每个乳房进行 X 光检查 (乳房 X 光检查)。两名检查员查看每张 X 光片以查看是否有癌症迹象。检查员决定是否为该女性提供额外检查以确认是否存在癌症。2018-2019 年，NHS 乳腺癌筛查计划筛查了英格兰的 182 万名女性，发现 15,285 名女性患有乳腺癌。该计划的目的是通过尽早发现癌症（当癌症更容易治疗时）来减少乳腺癌造成的死亡。乳腺癌筛查计划还会漏掉接受筛查的女性中 15%-35% 的癌症。这要么是由于错误，要么是因为癌症对读者来说是不可见的。计算机图像识别程序或人工智能 (AI) 可以学习发现乳房乳房 X 光检查中的变化，已被开发用于协助人类进行乳腺癌筛查计划。人们对将人工智能用于临床实践的兴趣日益浓厚，因为它可以提供许多优势。例如，在乳腺癌筛查中，由于人工智能程序不会失去注意力或感到疲倦，因此可能会漏掉更少的癌症。人工智能还可以通过减少读取数千张乳房 X 光检查所需的工作量来减少乳房筛查的工作量，例如通过替换其中一个乳房 X 光检查读取器。但也有人担心人工智能可能会检测到永远不会对女性造成任何伤害的变化。目前，英国的乳腺癌筛查计划不使用人工智能。如果要在英国乳腺癌筛查计划中考虑使用 AI，我们需要了解将 AI 添加到当前筛查计划中的益处和危害。当前审查研究了以下方面的证据：