XiaoMi-AI文件搜索系统
World File Search System原则性
巴西的人工智能监管：进展、流程和需要……
3 参见麦肯锡分析。(2021)。2021 年人工智能现状。2021 年 12 月。可从以下网址获取：https://www.mckinsey.com/~/media/McKinsey/Business%20Functions/McKinsey%20Analytics/Our%20Insigh ts/Global%20survey%20The%20state%20of%20AI%20in%202021/Global-survey-The-state-of-AI-in-2021.pdf。4 参见 OECD。(2020)。巴西走向数字化 (OECD Publishing 2020)。可从以下网址获取：https://doi.org/10.1787/2f42e299-en 。5 Noble, S. U.(2018)。压迫算法。在压迫算法中。纽约大学出版社。6 参见 Fjeld, J.、Achten, N.、Hilligoss, H.、Nagy, A. 和 Srikumar, M. (2020)。原则性人工智能：在伦理和基于权利的方法中将共识映射到人工智能原则上。伯克曼克莱因中心研究出版物，(2020-1)。可从以下网址获取：https://ssrn.com/abstract=3518482。另请参阅 Van Roy, V.、Rossetti, F.、Perset, K. 和 Galindo-Romero, L. (2021)。AI Watch-国家人工智能战略：欧洲视角 (编号JRC122684)。联合研究中心（塞维利亚站点）。可从以下网址获取：https://ideas.repec.org/p/ipt/iptwpa/jrc122684.html。
![arXiv:2412.02826v1 [physics.hist-ph] 2024 年 12 月 3 日](/simg/g:\will\search\icon\source\d\d166e64f2238b24b40c4162d3172c8a70b6e2eab.webp)
arXiv:2412.02826v1 [physics.hist-ph] 2024 年 12 月 3 日
我主张一种将问题置于标题中心位置的《物理学基础》方法，而不是问“世界上的情况是什么？”。这种方法，即算法理想主义，试图在通常的经验物理学领域和更奇特的宇宙学、哲学和科幻小说（但可能很快就会成为现实）技术领域中，对这个问题给出一个数学上严格的原则性答案。我首先要说的是，量子理论在实际实践和某些解释中，应该被理解为告诉代理人他们接下来应该观察到什么（而不是情况是什么），而从通常的“外部”视角回答前一个问题的困难是玻尔兹曼大脑问题、扩展的维格纳朋友场景、帕菲特的远程传输悖论或我们对模拟假设的理解等持续存在的谜团的核心。算法理想主义是一个概念框架，基于两个假设，允许几种可能的数学形式化，以算法信息理论的语言表达。在这里，我对这种观点进行了非技术性的描述，并展示了它如何解决前面提到的谜团：例如，它声称无论有多少个玻尔兹曼大脑，你都不应该打赌自己是一个玻尔兹曼大脑，关闭计算机模拟通常并不会终止其中的居民，并且它预测明显嵌入客观外部世界是一种近似的描述。
使用数据约束的循环神经网络模型推断全脑交互
行为源自多个在解剖学和功能上不同的大脑区域的协调活动 1,2 。现代实验工具 3–5 使我们能够前所未有地接触大量神经群，甚至是横跨全脑许多相互作用区域的神经群 2 。然而，要理解如此大规模的数据集，不仅需要稳健、可扩展的计算模型来提取区域间通信的有意义特征，还需要原则性理论来解释这些特征。在这里，我们介绍了基于电流的分解 (CURBD)，这是一种使用数据约束的循环神经网络模型 6 推断全脑相互作用的方法，该模型一旦经过训练，就会自主产生与实验获得的神经数据一致的动态。CURBD 利用从这些模型推断出的功能相互作用来同时揭示多个大脑区域之间的定向电流。我们首先表明，CURBD 可以在具有已知连接和动态的模拟真实网络中准确地隔离区域间电流。然后，我们将 CURBD 应用于从广泛的神经数据集（斑马鱼幼虫 7 、小鼠 8 、猕猴 9 和人类 10 ）获得的多区域神经记录，以证明 CURBD 在解开全脑相互作用和行为背后的区域间通信原理方面的广泛适用性。
人工智能数字个人助理的新医疗技能
摘要 鉴于人工智能技术在各个医疗和医疗保健领域得到广泛应用，传统的医疗实践和关系正在发生变化。在许多情况下，这些新技术并非特定于医疗保健领域。尽管如此，它们仍然是现存的、无处不在的、商业上可用的系统，并且经过了升级，可以整合这些新颖的护理实践。鉴于人工智能技术的广泛采用，再加上实践的巨大变化，由于这些系统如何推动用户做出决策和改变行为，出现了新的伦理和社会问题。本文讨论了这些人工智能驱动的系统在推动方面如何带来特殊的伦理挑战。为了应对这些问题，价值敏感设计 (VSD) 方法被采用作为一种原则性方法，设计师可以采用这种方法来设计这些系统，以避免危害并为社会利益做出贡献。人工智能造福社会 (AI4SG) 因素被采用为限制恶意行为的规范。相比之下，人工智能特有的高阶价值观，例如欧盟人工智能高级专家组和联合国可持续发展目标的价值观，被采用为在设计中尽可能推广的价值观。亚马逊 Alexa 医疗技能的用例可用于说明这种设计方法。它提供了一个范例，说明设计师和工程师如何开始将这些技术的设计程序导向社会利益。
价值敏感设计和信息系统 - UCSD CSE
BATYA FRIEDMAN，PETER H. KAHN，JR. 和ALAN BORNING 华盛顿大学 即将在 P. Zhang 和 D. Galletta（编辑）的《管理信息系统中的人机交互：基础》中发表。M.E. Sharpe，Inc：纽约。 ________________________________________________________________________ 价值敏感设计是一种以理论为基础的技术设计方法，它在整个设计过程中以原则性和全面的方式考虑人的价值。它采用综合和迭代的三部分方法，包括概念、实证和技术调查。我们通过三个案例研究来阐明价值敏感设计。第一项研究涉及网络浏览器 cookie 的信息和控制，涉及知情同意的价值。第二项研究涉及在办公环境中使用高清等离子显示器为外界提供“窗口”，涉及公共空间中身体和心理健康和隐私的价值。第三项研究涉及一个综合的土地使用、交通和环境模拟系统，以支持公众对重大土地使用和交通决策的审议和辩论，涉及公平、问责和对民主进程的支持等价值观，以及不同利益相关者可能持有的各种价值观，如环境可持续性、商业扩展机会或步行邻居。
理解、理想化和可解释的人工智能
摘要 许多做出重要决策的人工智能系统都是黑匣子：它们的运作方式甚至对开发人员来说都是不透明的。这是因为它们非常复杂，而且是经过训练而非编程的。缓解黑匣子系统不透明度的努力通常从透明度、可解释性和可解释性的角度进行讨论。然而，对于这些关键概念的含义几乎没有达成一致，这使得很难判断缓解不透明度方法的成功或前景。我主张对这些关键概念进行统一的解释，将理解的概念视为基础。这使得科学哲学和理解认识论的资源能够帮助指导缓解不透明度的努力。这种理解解释的第一个重要好处是，它化解了对事后可解释人工智能 (XAI) 方法的主要原则性反对意见之一。这种“合理化反对意见”认为 XAI 方法提供的只是合理化，而不是真正的解释。这是因为 XAI 方法涉及使用单独的“解释”系统来近似原始黑箱系统。这些解释系统的功能与原始系统完全不同，但 XAI 方法根据解释系统的行为对原始系统进行推断。我认为，如果我们将 XAI 方法视为理想化的科学模型，这种合理化担忧就会消失。理想化的科学模型歪曲了其目标现象，但能够提供对其目标的重要而真实的理解。
drivelm：用图形驾驶视觉问题回答
增强概括并实现与人类用户的互动性。最近的方法可以使VLM通过单轮视觉问题答案（VQA）适应VLM，但人类驾驶员在多个步骤中的决策原因。从关键对象的本地化开始，人类在采取行动之前估计相互作用。关键洞察力是，通过我们提出的任务，图形VQA，我们在其中建模了图形结构的理由，通过感知，预测和计划问题 - 答案对，我们获得了一个合适的代理任务来模仿人类的推理。我们实例化基于Nuscenes和Carla建立的数据集（DRIVELM-DATA），并提出了一种基于VLM的基线方法（Drivelm-Agent），用于共同执行图形VQA和端到端驾驶。实验表明，Graph VQA提供了一个简单的原则性框架，用于推理驾驶场景，而Drivelm-Data为这项任务提供了具有挑战性的基准。与最新的驾驶特定架构相比，我们的Drivelm-Agent基线端到端自动驾驶竞争性驾驶。值得注意的是，当在看不见的传感器配置上评估其零射击时，其好处是明显的。我们的问题上的消融研究表明，绩效增长来自图表结构中对质量检查对质量检查的丰富注释。所有数据，模型和官方评估服务器均可在https://github.com/opendrivelab/drivelm上找到。
drivelm：用图形驾驶视觉问题回答
增强概括并实现与人类用户的互动性。最近的方法可以使VLM通过单轮视觉问题答案（VQA）适应VLM，但人类驾驶员在多个步骤中的决策原因。从关键对象的本地化开始，人类在采取行动之前估计相互作用。关键洞察力是，通过我们提出的任务，图形VQA，我们在其中建模了图形结构的理由，通过感知，预测和计划问题 - 答案对，我们获得了一个合适的代理任务来模仿人类的推理。我们实例化基于Nuscenes和Carla建立的数据集（DRIVELM-DATA），并提出了一种基于VLM的基线方法（Drivelm-Agent），用于共同执行图形VQA和端到端驾驶。实验表明，Graph VQA提供了一个简单的原则性框架，用于推理驾驶场景，而Drivelm-Data为这项任务提供了具有挑战性的基准。与最新的驾驶特定架构相比，我们的Drivelm-Agent基线端到端自动驾驶竞争性驾驶。值得注意的是，当在看不见的传感器配置上评估其零射击时，其好处是明显的。我们的问题上的消融研究表明，绩效增长来自图表结构中对质量检查对质量检查的丰富注释。所有数据，模型和官方评估服务器均可在https://github.com/opendrivelab/drivelm上找到。
用大语言模型增强认知体系结构
生成的AI模型，例如大语言模型（LLM），Vision Transformer（VIT）（Dosovitskiy等，2020）等。模型在近年来引起了极大的兴趣。已经提出了一些建议，以利用与其他模型（例如LSTMS（Lester，al-Rfou＆Constant，2021），认知体系结构（Wray，Kirk，＆Laird，2021）或计划和改进的LLMS（Park等，Park等，2023年），以列出少数模型（Park等，2023年，2023年），以列出了一定数将。与LLM融合计划和反思的方法为模拟环境中的任务带来了良好的结果。这引起了人们对LLM是否可以以原则性方式利用LLM的问题的兴趣，目的是产生一种可以在不同情况下利用每种方法的优势的代理，从而产生了综合药物，该综合药物比其部分的总和更大。这项工作提出了LLM和认知架构之间的一种可能的融合。这里的尝试是提出一种创造性的融合，将两个学科的思想连接起来，以产生一种方法，该方法产生的结果可能比两种方法（认知体系结构或LLMS）隔离使用。本文的其余部分如下：讨论了第一个认知体系结构总结在这种情况下相关的关键方面，随后进行了有关生成AI的讨论，重点是LLMS。llms在认知体系结构术语中介绍。随后融合了LLMS
AESL--PPD-Filing-Version.pdf
本次发行依据印度证券交易委员会（资本发行和披露要求）条例 2018 年修订版（以下简称“SEBI ICDR 条例”）第六章和公司法 2013 年修订版（以下简称“2013 年公司法”）第 42 条，并结合公司法 2014 年修订版（以下简称“PAS 规则”）第 14 条以及公司法 2013 年修订版和根据该法制定的规则的其他适用规定进行，且不向公众或任何其他人士发出要约。投资者类别。本公司已发行的普通股在孟买证券交易所有限公司（“BSE”）和印度国家证券交易所有限公司（“NSE”，与 BSE 合称为“证券交易所”）上市。截至 2024 年 7 月 29 日，BSE 和 NSE 已发行普通股的收盘价分别为每股 ₹ 1,052.25 和 ₹ 1,051.95。根据《2015 年印度证券交易委员会（上市义务和披露要求）条例》（经修订）（“印度证券交易委员会上市条例”）第 28(1)(a) 条，本公司已获得孟买证券交易所和印度国家证券交易所于 2024 年 7 月 30 日就根据发行发行的普通股上市的原则性批准。本公司将向证券交易所提出申请，以获得根据发行发行的普通股的最终上市和交易批准。证券交易所对本文所作的任何陈述、表达的意见或报告的正确性不承担任何责任。根据发行发行的普通股获准在证券交易所交易不应视为本公司或普通股优点的指标。