XiaoMi-AI文件搜索系统
World File Search System协作
建议引用：Puranam, Phanish (2021)：人机协作决策作为组织设计问题，《组织设计杂志》，ISSN 2245-408X，Springer，Cham，第 10 卷，Iss。2，第 75-81 页，https://doi.org/10.1007/s41469-021-00095-2
在这篇简短的观点文章中，我提出了一些想法，即我们如何将人类与人工智能算法之间的协作决策概念化为组织设计中的一个问题。虽然人类与人工智能算法之间可能存在多种交互形式，但这里的论点与知识工作最相关，在知识工作中，人类和人工智能算法通过某种形式的协作，共同做出由第三方实施的决策（例如选股、投资、判刑、筛选候选人）。我将这些情况称为“人机协作决策”（或 HACD）。这些论点也可能适用于人类训练人工智能算法（例如，通过观察人类驾驶来学习的自动驾驶汽车）或反之亦然（例如，基于聊天机器人的语言学习应用程序）的情况，或使用算法来改善人与人之间的匹配（例如，社交媒体平台上的朋友建议），但需要一些我在这里没有涉及的其他考虑因素。在下文中，我将“人工智能”和“算法”这两个术语与“机器学习”（ML）互换使用。我知道并非所有算法都是人工智能，也并非所有人工智能都是机器学习（Broussard 2018；Raj and Seamans 2019），但我的
同行评审手稿中的人机协作
探索将人工智能 (AI) 纳入学术同行评审过程是文献综述的重点，它研究了人类审稿人和人工智能之间的协作。综述指出，人工智能有潜力提高稿件评估的效率，并解决诸如投稿量增加和审稿人短缺等挑战。当前的人工智能工具支持抄袭检测、格式检查和初始质量控制等任务，而需要人类同理心和稳健判断力的更复杂任务对人工智能来说仍然具有挑战性。综述概述了人工智能在同行评审中的优点和缺点。人工智能可以潜在地提高评审过程的速度和准确性，但它也带来了道德和法律问题，包括偏见、数据隐私和版权问题。这些问题需要彻底审查并制定全面的道德准则。
协作人工智能的层次化框架
我们提出了一个协作智能系统的分层框架。该框架根据协作活动的性质和必须共享的信息来组织研究挑战，每个级别都建立在较低级别提供的功能之上。我们回顾了每个级别的研究范式，描述了基于工程的经典方法和基于机器学习的现代替代方案，并使用假设的个人服务机器人进行了示例说明。我们讨论了各个级别上出现的跨领域问题，重点关注沟通和共享理解的问题、解释的作用以及协作的社会性质。最后，我们总结了研究挑战，并讨论了通过与智能系统的协作来增强人类能力并赋予人类和社会权力的技术可能带来的经济和社会影响。
在协作中有效的对象检测和跟踪
很快，混合现实（MR）和人工智能（AI）技术变得越来越好。这意味着它们在各个领域都有新的和重要的应用，包括医疗，教育和工人培训。这些作者提出了一种新的方法，可以在共享的MR环境中使用Yolov4深学习模型，以便可以实时跟踪和确定对象。这项工作解决了使用基本和复杂的计算机方法诸如遮挡，动态照明和空间对齐等问题的事实，可以区分它。主要的MR工具Microsoft Hololens以及单个相机饲料有助于拟议的系统进行对象检测。根据MS COCO数据集的测试，Yolov4模型的性能优于Yolov2和Yolov3模型。平均平均精度（MAP）为0.988，Yolov4模型是快速且相当精确的。基于统计数据，该策略似乎使小组可以在MR设置中进行协作，以提供在线帮助，培训和基于模拟的学习。对系统的未来研究将使它在更广泛的情况下更加灵活，并能够更好地识别附近的对象。
AI网络安全协作剧本
2015年《网络安全信息共享法》（CISA 2015）（6 U.S.C.§§1501-1533）为非联邦实体创建保护网络威胁指标和防御措施，以根据政府的某些要求，以针对网络安全目的进行防御措施，并规定尽管有其他法律，他们可能会这样做。这种保护包括非捕捉特权，保护专有信息，根据《信息自由法》（FOIA）（FOIA）的披露，禁止在监管执法中使用的披露等等。1 CISA 2015还要求DHS与联邦政府和私营部门实体共享网络威胁指标的能力和流程，并为通过此过程分享的信息提供责任保护。该法规还针对与州，地方，部落和领土（SLTT）实体共享的网络威胁指标和防御措施的保护措施，包括根据SLTT信息自由法的披露，包括该信息免于披露。CISA 2015不涵盖与法律定义的不是网络威胁指标或防御措施共享的信息。与AI相关的信息在该法案中涵盖了该信息作为网络威胁指标或防御措施的范围。在多个指南文件中进一步详细介绍了这些方面，尤其是DHS-DOJ指南，以协助非联邦实体根据2015年《网络安全信息共享法》与联邦实体共享网络威胁指标和防御措施。
JCDC AI网络安全协作剧本
JCDC AI网络安全协作剧本是由2024年在2024年举行的两个桌面演习（TTX）的直接结果开发的，该练习汇集了联邦，工业和国际合作伙伴。第一个TTX于2024年6月在弗吉尼亚州雷斯顿市的微软举办，通过解决人工智能（AI）网络安全事件带来的独特挑战来奠定基础。这项基础练习为剧本开发的早期阶段提供了信息。第二个TTX于2024年9月在加利福尼亚州旧金山举行的Scabor AI总部举办，参与者通过模拟金融服务部门的AI网络安全事件，帮助参与者进一步完善了剧本。CISA将大约150名参与者的实时反馈纳入了剧本中，包括来自美国联邦机构，私营部门和国际政府组织的代表。这些练习强调了增强运营协作和信息共享的需求，最终塑造了剧本的最终版本。
Idea23D：协作式 LMM 代理支持从交错多模式输入生成 3D 模型
随着 2D 传播模型的成功，2D AIGC 内容已经改变了我们的生活。最近，这一成功已扩展到 3D AIGC，其中最先进的方法可以从单个图像或文本生成带纹理的 3D 模型。但是，我们认为当前的 3D AIGC 方法仍然没有完全释放人类的创造力。我们经常想象由多模态输入制成的 3D 内容，例如如果我的宠物兔子在桌子上吃甜甜圈会是什么样子。在本文中，我们探索一种新颖的 3D AIGC 方法：从 IDEA 生成 3D 内容。IDEA 是由文本、图像和 3D 模型组成的多模态输入。据我们所知，这种具有挑战性和令人兴奋的 3D AIGC 设置以前尚未被研究过。我们提出了新的框架 Idea23D，它结合了基于大型多模态模型 (LMM) 和现有算法工具的三个代理。这三个基于 LMM 的代理负责提示生成、模型选择和反馈反射。它们在完全自动化的循环中相互协作和批评，无需人工干预。然后，该框架生成一个文本提示，以创建与输入 IDEA 紧密一致的 3D 模型。我们展示了令人印象深刻的 3D AIGC 结果，超越了以前的方法。为了全面评估 Idea23D 的 3D AIGC 功能，我们引入了 Eval3DAIGC-198 数据集，其中包含 198 个用于 3D 生成任务的多模态输入。该数据集评估生成的 3D 内容与输入 IDEA 之间的一致性。我们的用户研究和定量结果表明，Idea23D 显著提高了 3D 生成的成功率和准确性，并且在各种 LMM、文本转图像和图像转 3D 模型中具有出色的兼容性。代码和数据集可在 https://idea23d.github.io/ 获得。
评估人类协作：...
远见和语言导航（VLN）在近年来引起了人们的关注，并且已经出现了许多方法来推动其发展。基础模型的显着成就已塑造了VLN研究的挑战和方法。在这项调查中，我们提供了自上而下的评论，该评论采用了一个有原则的计划和推理的框架，并强调了当前的方法和未来的机会，以应对VLN挑战。我们希望我们的深入讨论能够提供宝贵的资源和见解：一方面，以记录该领域模型的进度和机会以及在该领域的基础模型的潜在作用，另一方面，在VLN中组织不同的挑战和解决方案以向基础模型研究人员组织不同的挑战和解决方案1。
Adrien Metge、Nicolas Maille、Benoît Le Blanc。人机合作的合作和协作交互模式之间的转换。 CNIA 2021：法国人工智能国家会议，2021 年 6 月，法国波尔多。第 38-43 页。hal-03321178
人工智能 (AI) 的进步使得运输行业可以设想出现具有一定自主性的系统，该系统可以根据用户的需求不断发展，从驾驶辅助到替代驾驶。2020 年 10 月，法国国家铁路公司首次在实际运行条件下部分自主运行 BB 27000 货运机车，具有全自动加速和制动功能 [15]。2020 年 6 月的另一项首创成果是空客利用机载图像识别技术成功实现了 A350 飞机的滑行、起飞和降落 [1]。航空系统自动化程度的提高使我们能够考虑在减少飞行员工作量的同时提高安全性，并有助于朝着由单个飞行员与人工智能团队合作操作的驾驶舱的方向发展。然而，在两名人类操作员之间，他们的分工和合作方式可能会根据情况而改变。例如，在复飞或故障管理飞行期间，可以决定更换飞行员。取代第二名飞行员的人工智能系统必须部署自适应自动化，以适应可能发生的角色分配变化，也就是说，根据情况或人类表现的变化，人类和机器之间可能必须共享或交换功能 [7]。
关于公共部门间机构间协作与人工智能实施的交集的文章
人工智能（AI）是指对人类智能的模拟，这些机器被编程为思考，学习和自主地调整的机器。这些系统利用算法和大量数据来执行通常需要人类智能的任务，例如游戏玩法，计算机视觉，专家系统，启发式分类和自然语言处理（McCarthy，2004年）。考虑到这种功能，AI正在通过推动包括医疗保健在内的各个部门的进步（Esteva等，2017），财务（Bussmann等，2020），运输（Bagloee等，2016），娱乐（Kaplan＆Haenlein，2019年）以及许多其他领域来改变世界。AI的变革力量在智能城市（Kumar＆Mallick）和高级机器人技术的发展中也很明显（Beetz等，2016）。对人工智能技术的投资正在猛增，公共部门和私营部门都认识到其革新行业并提高效率的潜力（Bughin等，2018； Agrawal等，2022）。根据最近的报道，到2024年，全球对AI的支出预计将超过1,100亿美元，强调了对这项技术的重要经济和战略重要性。