一名执业医师承认出售顺势疗法免疫疫苗,谎称它们可以预防 COVID-19。她因伪造 COVID-19 疫苗接种和免疫记录而获得超过 74,000 美元,因为她明知这会误导执行该州疫苗接种法的学校官员。她被判处近 3 年监禁。来源:GAO 反欺诈资源和法庭文件分析(信息);Icons-Studio/stock.adobe.com(图标)。| GAO-24- 106353 为打击 COVID-19 欺诈行为,已成立各种机构间工作组和大流行应对问责委员会 (PRAC)。例如,COVID-19 欺诈执法工作组进行了一次执法大扫除,并报告对造成约 8.36 亿美元欺诈的欺诈者采取了执法行动。同样,PRAC 估计其与调查机构共享的信息和资源支持了数百起刑事定罪和超过 10 亿美元的追回
日期 时间 事件 切片编号 高度(英寸) 重启 暴露在空气中? 2020 年 1 月 16 日 构建完成 8889 14 2020 年 1 月 14 日 5:10 断电 8764 13.805 7:01 无主动清除,腔室密封 2020 年 1 月 11 日 14:13 电压下降 8084 12.731 14:25 无主动清除,腔室密封 2020 年 1 月 8 日 17:41 空溢流 6562 10.332 18:47 暴露在空气中 2020 年 1 月 4 日 12:48 空溢流 2968 4.674 13:14 暴露在空气中 2019 年 12 月 30 日 构建开始 0 0
现代 Hopfield 网络 (HN) 表现出内容可寻址存储器 (CAM) 的特性,可以存储和检索大量记忆。它们还为人类的联想记忆建模提供了基础。然而,这些网络的实现通常在生物学上是不合理的,因为它们假设突触连接的强度是对称的,并使用依赖于多体突触的功能。已经提出了更具生物学现实性的现代 HN 版本,尽管这些实现通常仍使用软最大值函数。计算单个节点的软最大值需要了解所有其他神经元,因此仍然具有一定程度的生物学不合理性。我们提出了一种现代 HN,它使用可以以更符合生物现实的方式计算的 softmax 版本,因此使我们更接近生物学上合理的记忆模型。我们还表明,我们提出的网络可以使用局部学习规则来学习连接权重,该规则源自能量函数的梯度下降。最后,我们验证了我们提出的生物网络的行为类似于现代 HN,并探索了它的其他一些有趣的特性。
企业发现自己正处于人工智能 (AI) 及其商业潜力的真正竞争中。作为一种通用技术,学者和从业专家预测,人工智能应用将颠覆行业和组织机构 [1]。尽管几十年来人工智能一直是争论不休的话题,但其最近的突破得益于易于获取的计算资源、数据的丰富性和可访问性以及机器学习模型的进步 [2]。因此,人工智能技术不仅渗透到产品和服务组合中,而且还推动了商业模式创新。虽然采用数字技术的可用性和用户行为已经引发了引人注目的研究,但人工智能前沿提出了更根本的问题。首先,机器学习(作为目前最主要的人工智能技术方法)依赖数据来训练和
CRISPR 技术以一种前所未有的方式彻底改变了生物医学领域,PCR 可能是人们能想到的唯一例子。该系统最初在细菌中发现,是一种适应性免疫系统(Makarova 等人,2011 年),很快就被证明是生物医学中最强大的工具之一,其应用于基因操作,包括敲除、抑制、激活、编辑(Adli,2018 年)、功能研究和治疗学(Steinhart 等人,2017 年;Uddin 等人,2020 年)。大规模筛选是一种 CRISPR 应用,用于寻找参与感兴趣的生物途径的基因。 CRISPR-Cas9 系统能够靶向和敲除任何感兴趣的基因,因此已被用于各种全基因组筛选研究,在这些研究中,研究人员从 sgRNA 文库中筛选出与感兴趣过程相关的间隔物 (Shalem 等人,2014 年;Wang 等人,2014 年)。这些功能基因组研究引入了 CRISPR 时代之前未曾考虑过的新的潜在治疗靶点。这些研究的一个例子是我们进行的全基因组 CRISPR-Cas9 筛选,并引入了 SH3D21 作为吉西他滨的新型敏化剂 (Masoudi 等人,2019 年)。鉴于 CRISPR-Cas9 基因组规模筛选的复杂性和多步骤性(参见补充信息,补充图 1),研究人员在开始之前应该注意一些关键点和挑战。这篇评论将全基因组 CRISPR-Cas9 筛选的经验分享给那些正在考虑使用该系统进行大规模筛选但尚未有过此经验的研究人员。作者将逐步引导读者完成整个过程,提及他的经验/挑战,并在适当的情况下展示原始结果作为示例。
必须在不同的数据源上执行大量复杂过程。这些过程经常受到外部机构的监管和审计,这使情况变得更加复杂。然而,一个老问题仍然存在:什么应该机器人化,什么应该由人类完成?本文旨在在用于在复杂过程中做出决策的数据分析任务的背景下部分回答这个问题。这项研究是基于一个软件机器人(RPA)中融入的人工智能方法进行的,该机器人自动获取数据,处理和分析这些数据,帮助人类专业人员在此过程中做出决策。它被应用于一个对验证研究很重要的真实案例过程。在数据分析中测试了四种方法,但实际上只使用了两种。机器人分析了来自能耗表的一系列信息。通过与仪表数据系列进行比较,可以检测仪表数据中可能的行为偏差。机器人能够对能耗数据中检测到的事件进行优先排序,向人类操作员指出需要注意的最关键情况。人工智能和 RPA 的结合是可行的,并且可以真正为公司和团队带来重要的好处,重视人类的工作并为流程带来更高的效率。
计算药物重新定位旨在对现有药物进行排名和选择,以用于治疗新疾病或这些药物最初不是针对的现有疾病。在计算机筛选中使用大量可用的数字组学数据,有可能大大加快筛选有希望的候选药物的速度,以应对 COVID-19 等尚未找到令人满意的治疗方法的疾病的爆发。我们将 DrugMerge 描述为一种临床前计算药物重新定位的方法,该方法基于合并使用一组疾病活跃子网络构建算法获得的多个药物排名。DrugMerge 在大型基因共表达网络的背景下,使用来自受疾病影响的患者的细胞系/组织的差异转录组数据和来自药物扰动分析的差异转录组数据。对四种基准疾病(哮喘、类风湿性关节炎、前列腺癌和结直肠癌)的实验表明,在所有四种情况下,我们的方法都能在最先检测出临床上用于治疗特定疾病的药物。我们的方法与 CMAP(连接图)等最先进的工具相比毫不逊色。将 DrugMerge 应用于 COVID-19 数据后发现,许多目前正在进行 COVID-19 临床试验的药物都处于领先地位,这表明 DrugMerge 能够模仿人类专家的判断。
“……欧洲和北美的人均国内物质消耗仍比全球平均水平高出40%,这表明未来需要提高资源效率和减少消耗的做法……”
人工智能如何改变我们做出购买决策的方式?这对商标法意味着什么?商标法的核心在于如何购买商品和服务,而由于人工智能正在影响购买过程,因此从定义上讲它也影响着商标法。人工智能通过两种方式影响购买过程:(a)消费者可获得的品牌信息和(b)谁来做出购买决策。亚马逊的 Alexa 等人工智能个人零售助理有可能成为品牌向消费者提供的“守门人”,控制向消费者提供哪些品牌信息,并以纯粹的形式购买品牌产品,在人工智能所谓的“自动执行模型”中几乎不需要或根本不需要人为干预,从而有效地将传统的购物体验从“先购物后发货”模式颠覆为“先发货后购物”模式。商标法的许多关键方面都涉及人性的弱点。如果您考虑商标法和实践中的一些“流行词”,例如“混淆”、“不完全记忆”、“联想”和“商标混淆”,这些概念都围绕着人类的弱点。然而,人工智能有可能从购买过程中消除“人性”和“弱点”。人工智能应用程序可以通过“给我买个灯泡”等一般命令来购买产品。人类消费者与人工智能应用程序购买的灯泡品牌没有任何互动。人工智能应用程序会混淆吗?它会混淆商标吗?人工智能应用程序甚至会通过传统的听觉、语音和概念比较商标的方式来评估产品购买,这就是所谓的人工智能黑箱问题吗?人工智能应用程序经常受到个人消费者过去购买决策的影响,而人工智能应用程序做出购买决定或建议的原因有时可能难以理解。在这些情况下,知识产权侵权责任问题也引起了重要的问题。然而,即使人工智能应用程序不做出购买决策,它仍然会影响消费者在做出购买决策时可用的品牌信息。例如,亚马逊 Alexa 平均只向消费者推荐三种产品。它控制着向消费者推荐什么品牌产品,它而不是人类消费者掌握着所有的品牌信息。然而,人工智能对购买过程的影响必须放在历史背景中来看待。人工智能的兴起是新的,但并非史无前例。现代商标法诞生于十九世纪,并发展到现代。然而,在此期间,购买过程并非一成不变,而是发生了变化。我们只需看看从传统的十九世纪“店主”购买产品模式到二十世纪二十年代超市发明的变化,从互联网和社交媒体的兴起到人工智能的兴起。商标法已经适应并发生了变化,实际上可以说是适应性最强的知识产权法形式。例如,关于人工智能应用程序的责任问题,我们已经可以从关键词广告的案例中得到指导,例如谷歌法国,它是随着互联网购物的兴起而发展起来的。如果购买过程中的“参与者”如人工智能应用程序在购买决策/过程中扮演更被动的角色,则人工智能应用程序提供商不太可能被追究责任,如果人工智能应用程序在购买决策中扮演更积极的角色,并且可以说人工智能提供商在购买决策中强烈影响消费者,则更有可能发现责任。商标法已经适应了购买过程的变化,并且它将再次适应。HGF 合伙人兼特许商标律师 Lee Curtis