XiaoMi-AI文件搜索系统
World File Search System图灵
EDIF：迈向城市交通的数字孪生 - GOV.UK
Lee Chapman、Nicole Cowell – 伯明翰大学 Philip James、Jennine Jonczyk、Daniel Bell – 纽卡斯尔大学 James Evans、David Topping、Thomas Bannan、Ettore Murabito、Emma Tsoneva – 曼彻斯特大学 Mark Birkin、Dani Arribas-Bel、Dustin Carlino - 艾伦图灵研究所 执行摘要 2021 年秋季，交通部 (DfT) 和纽卡斯尔、曼彻斯特和伯明翰的三个城市观测站成功获得了 30 万英镑的经济数据创新基金资助。该资助的主要目标是促进和改善跨组织的数据共享，建立最佳实践，并在此过程中为城市交通数字孪生奠定基础。该项目的性质意味着在项目过程中其他各方也参与其中，即 Connected Places Catapult 和艾伦图灵研究所。本报告总结了该项目的主要成果，即对可用传感器数据进行分类、推荐元数据协议以及开发原型以集成（协调）和可视化来自 DfT、城市观测站和其他来源的不同数据流。还介绍了一些可供进一步开发的用例，包括基于 AI 的交通预测和空气质量建模与监测。报告还与脱碳议程建立了联系。报告最后给出了一份蓝图，概述了将这项工作提升为
编辑蛇基因组以停止背部鳞片的产生
许多蛇类以背部和侧面的六边形图案而闻名。先前的研究表明，这种图案存在于外皮鳞片中，这些图案来自斑块，斑块是皮肤上的微小结构。对于大多数动物物种来说，斑块在皮肤上的位置是随机的。对于蛇类来说，情况并非如此。相反，它们以有组织的方式发育。它们是如此有组织，以至于艾伦·图灵能够用数学公式来描述它们。在这项新的研究中，研究小组想知道这种井然有序的六边形图案是如何在蛇身上形成的。
脑启发计算的系统层次结构
神经形态计算从大脑中汲取灵感，为计算技术和架构提供了推动下一波计算机工程浪潮的潜力 1–13 。这种受脑启发的计算也为通用人工智能的发展提供了一个有希望的平台 14,15 。然而，与传统计算系统不同，传统计算系统具有围绕图灵完备性和冯·诺依曼架构 16–18 概念构建的完善的计算机层次结构，而目前还没有针对脑启发计算的通用系统层次结构或对完整性的理解。这会影响软件和硬件之间的兼容性，削弱脑启发计算的编程灵活性和开发效率。在此，我们提出了“神经形态完整性”，它放宽了对硬件完整性的要求，以及相应的系统层次结构，其中包括图灵完备的软件抽象模型和多功能的抽象神经形态架构。使用这个层次结构，各种程序都可以被描述为统一的表示，并转换为任何神经形态完整硬件上的等效可执行文件——也就是说，它确保了编程语言的可移植性、硬件完整性和编译可行性。我们实现了工具链软件来支持在各种典型硬件平台上执行不同类型的程序，展示了我们系统层次结构的优势，包括神经形态完整性引入的新系统设计维度。我们期望我们的研究将使脑启发计算系统的各个方面取得高效、兼容的进展，促进包括人工智能在内的各种应用的开发。
ADViCE：人工智能应对脱碳挑战
本报告是英国政府人工智能脱碳创新计划第 1 阶段的一部分，旨在建立由 Digital Catapult、Energy Systems Catapult 和阿兰图灵研究所共同提供的人工智能脱碳虚拟卓越中心 (ADViCE)。它描述了人工智能有可能产生重大影响的最重要的脱碳挑战。它补充了生态系统报告，该报告确定了人工智能脱碳的关键组织、项目和趋势。本报告重点介绍了人工智能尚未得到广泛应用的领域，因此具有巨大的进步和创新潜力。
人工智能在现实世界中的应用基本概念
通用人工智能/人工智能（AGI，奇点）：代表一种理论形式的人工智能（AI），可以使用类似人类的认知能力解决任何任务。AGI 旨在在广泛的认知功能中表现得与人类一样好或更好。AGI 的确切定义仍存在争议：GPT-4o、CoPilot 和 Gemini 等现代大型语言模型 (LLM) 是 AGI 的早期、不完整（工业 4.0）形式，仍然能够通过一些（图灵）测试。在科幻小说和未来研究中，AGI 是一个常见话题，人们对其对人类的潜在影响（AI 风险）存在争议。
药物流行病学中的人工智能：系统综述。第 1 部分——人工智能中知识发现技术的概述
根据定义，人工智能是“能够执行通常需要人类智能才能完成的任务的计算机系统的理论和发展”（Oxford，2019 年）。英国逻辑学家艾伦·图灵在 20 世纪下半叶报告了该领域最早的研究。1935 年，艾伦·图灵提出了智能机器的基本概念，通常称为通用图灵机。1947 年，他进一步阐述了自己的愿景，将计算机智能描述为“能够从经验中学习的机器”（Turing，1937 年）。由于人类智能是多种能力的组合（即学习、推理、解决问题、感知和使用语言），人工智能（或机器智能）也是不同科学和工程学科的方法和技术的复合体，以便将它们融入机器（图 1）。值得注意的是，人工智能常常与机器学习混淆。学习（机器/深度学习）是人工智能的一个子领域，涉及机器学习方法和技术。机器（或深度学习）成为人工智能主要子领域的一个原因是计算机技术的长足进步和学习算法的令人瞩目的成就。根据定义，机器学习是一个多学科领域，涉及数学、统计学和计算机科学的方法和技术，用于从有关某些任务（即问题的性质）的经验（历史数据）中学习，并衡量性能（性能矩阵）并改进它（强化）（Michie 等人，1994 年）。今天，基于强化学习原理的机器学习算法不仅增强了机器的学习能力，而且还补充了智能的其他方面，例如适当的推理、有效的问题解决和事实感知。传统上，实验设计、观察数据分析
对...的历史回顾和哲学审视
即使在神话时代，人类也渴望创造智能机器。古埃及人为自己设计了一条“捷径”，即建造雕像，牧师可以隐藏雕像，同时向民众提供明智的指导。这种“骗局”在人工智能的整个发展过程中一直在发生。人工智能的概念起源于哲学、逻辑和数学，现在已成为现实。公元前四世纪，亚里士多德开创了数据抽象。他的形式逻辑为有效的科学推理提供了一个框架，并为进一步的研究奠定了基础。物质和形式之间的差异仍然是当今计算机科学的基本原则之一。数据抽象是将概念与其实际表示或程序（形式）从封装方法的外壳中分离出来。17 世纪的哲学家 G. Leibniz 对现代代数、算法和符号逻辑产生了重大影响。他认为符号可以用来表达人们的思维方式。莱布尼茨的工作影响了 19 世纪的数学家 G. Boole。在他的书中，[1] 描述了一种符号推理的基本方法，并声称用纯符号处理具有任意项的逻辑命题，以做出合理的逻辑推理。要表现出智能，计算机必须能够推理；这就是布尔代数的作用所在。计算机科学家 A. 图灵 [2] 在 20 世纪的一本哲学杂志上发表了一篇论文。这篇论文的发表被认为是人工智能的“启航”。它描述了著名的图灵测试，并推测了在计算机中编程智能的可能性 [3]。达特茅斯会议的组织者 J. 麦卡锡在 1956 年提出了人工智能的具体概念，将给予的科学
论机器思维 - 计算机科学与工程
人工智能 (AI) 取得了长足进步，无论是符号学派还是联结学派 [1]。然而，机器思维的根本困难依然存在。这些困难的根源似乎在于人们不了解机器分类器之外的自然思维是什么。艾伦·图灵曾预言 [2]：“我相信，到本世纪末，词汇的使用和一般受过教育的观点将发生巨大变化，人们将能够在不被反驳的情况下谈论机器思维。”不幸的是，这种情况到 1999 年并没有发生。比图灵预测的晚了 20 多年，这篇论文基于我们自发展网络 (DN) [3]–[5] 以来取得的一些重大进展，建设性地解决了这个具有挑战性的问题，这些进展得益于我们在人工智能和自然智能方面的广博知识。我们提出了一种称为有意识学习的人工智能新范式，其会议版本于 2020 年发表在 [6]、[7] 中。有意识的学习意味着人工智能机器在其一生中必须具有部分意识，因为它早年较简单和部分的意识对于它在以后的生命中学习更复杂和更完整的意识是必要的。然而，意识超出了本文的讨论范围。在本文中，我们提出了一个机器学习模型，它是有意识学习的必要条件。我们进一步将规划作为思维的一个例子，以通过实验促进我们的理解。虽然我们已经看到一些书籍 [8]、[9] 的书名中带有“机器思维”，但这些出版物并没有明确定义他们所说的“机器思维”是什么意思，而且这些书中的方法仍然是非涌现的，不符合这里对机器思维的定义。