XiaoMi-AI文件搜索系统
World File Search System大肆宣传
美国工人哪一点没问题？
编者注：这是对经济创新小组报告《美国工人：迈向新共识》的回应，该报告由亚当·奥齐梅克、约翰·莱蒂耶里和本杰明·格拉斯纳撰写。另一篇由美国企业研究所的迈克尔·斯特兰撰写。二战后头几十年，美国工人的生活大大改善。实际工资飙升，工时减少，工作条件改善。随后，在石油危机和滞胀面前，进步一度受阻，尽管 20 世纪 70 年代的实际收入比传说中要好。但在通货膨胀得到控制并迎来美国的早晨之后，工人发生了什么？我们知道，尽管技术被大肆宣传，但自 1980 年以来，生产率增长速度远低于战后一代。我们还知道收入不平等加剧，因此生产率提高带来的部分收益被工人阶级蚕食，转而流向相对较小的顶层群体。但工人是否真的如许多人所说的那样失去了优势？Ozimek、Lettieri 和 Glasner 的答案是否定的。他们认为，尽管如此，中等工人的实际工资仍然大幅上涨，工作场所也变得更安全、更舒适，工作保障至少也略有改善。那么，他们是对的吗？（是的。）如果他们是对的，为什么这么多人不这么认为？（我有一些想法。）所有这些意味着什么？（“比你想象的要好”并不意味着“足够好”。）工人真的取得了进步吗？Ozimek 等人的研究表明，除非你使用一种众所周知有缺陷的消费者价格衡量标准，否则自 1980 年以来，中等工资明显超过通货膨胀率；即使不考虑新技术带来的肯定被低估的收益，情况也是如此。值得注意的是，对这些未衡量收益的主要争议在于它们在最近几十年是否比过去更大；这些收益的真实性并不存在争议。总体而言，作者对测量问题的讨论是扎实且有说服力的。
早期诊断、早期分层、早期干预，实现 IBD 精准医疗
来自 * 英国剑桥大学医院 NHS 信托阿登布鲁克医院胃肠病学部 † 英国伦敦大学学院医学研究委员会临床试验部 ‡ 葡萄牙维塞乌 3504-509 Tondela-Viseu 医院中心维塞乌科胃肠病学部 § 法国圣艾蒂安医学院圣艾蒂安大学医院免疫学部，CIC INSERM 1408 ¶ 法国圣艾蒂安圣艾蒂安大学医院胃肠病学部 ‖ 以上作者贡献相同。联系方式：Nurulamin Noor 博士，英国剑桥大学医院 NHS 信托阿登布鲁克医院胃肠病学部（noorn@doctors.org.uk）。尽管在理解 IBD 的分子基础方面取得了巨大进展，但临床管理仍然依赖于“反复试验”的方法。此外，治疗上限已经出现，即使最有效的干预措施也仅对大约 30% 的患者有益。因此，已经开发了几种工具来帮助分层和指导治疗决策。我们回顾了许多这些精准医疗方法的潜在应用，这些方法现在几乎触手可及。我们强调了早期行动（避免不作为）的重要性，以确保患者获得最佳结果，以及如何将早期行动与精准工具相结合，以确保在正确的时间和地点为每个患有 IBD 的人提供正确的治疗。尽管精准医疗被大肆宣传和投入，但迄今为止它缺乏临床影响，应该认识到临床转化可能需要很长时间，许多有希望的突破可能在不久的将来就可以投入临床实施。我们讨论了一些临床应用尚待克服的挑战和障碍。我们还强调，早期识别、早期诊断、早期分层和早期干预与精准医疗工具密不可分。这些方法的结合为最终实现 IBD 精准医疗的承诺提供了最大的机会。关键词：精准医疗、分层医疗、生物标志物、早期诊断、早期干预
共享经济是否...
共享经济也许是我们所经历的快速技术变革最普遍的表现形式。通过智能手机和互联网，共享经济平台正在促进市场创建和未充分利用资产的更好利用。据估计，私家车在其使用寿命的 95% 时间内通常处于闲置状态，这象征着社会上有大量未充分利用的资源等待共享（Knack，2005 年）。通过降低搜索和交易成本，共享经济通过更便宜、更方便的消费者选择释放了这些资源。业余和专业厨师现在可以在自己的厨房里提供零星的晚餐体验；非专业司机可以随时补充收入。通过这样做，共享经济公司通过在发达国家和发展中国家提供交通、住房、医疗保健、农业和许多其他服务，为陌生人之间的大规模协调问题创造了便捷的解决方案。尽管共享经济目前被大肆宣传，但它并不是一个全新的概念。它的某些特征，例如点对点交换和组织层级的扁平化，可以追溯到互联网开始兴起的 20 世纪 90 年代。当前共享经济的不同之处和更重要的一点是，它能够实现大规模供需实时匹配，从而实现陌生人之间资产、服务和知识的共享。在公共话语中，共享经济这个术语经常与平台经济、零工经济、协作经济和按需经济等许多其他术语互换使用。事实上，它们每个都强调了新一轮经济组织变革的不同方面。在本期《前沿技术季刊》中，我们认为共享经济的特点是消费者或企业彼此授予对其未充分利用的实物资产的临时使用权（见图 1a）。这个定义摘自 Frenken 和 Schor (2017)，可以分解为三个部分：(1) 点对点交换；(2) 通过借用或租赁获得临时访问权； （3）更好地利用未充分利用的实物资产。认识到共享经济的必要组成部分有助于将其与其他类型的经济模式区分开来（见图 1b）。例如，客户从公司而不是同行那里租赁汽车是产品服务经济中的一项活动。1 将自由职业者与消费者匹配的数字平台——前者为后者提供
在环境法中使用生成式人工智能的伦理问题
生成式人工智能工具的迅速出现，对环境律师、顾问和政府机构提出了挑战，他们需要确定何时以及如何负责任地将这些工具整合到他们的实践中。生成式人工智能可以根据用户的提示和问题生成新内容，包括文本、图像、音频、视频和软件代码。[1] 但为了保持高道德标准，律师有必要了解这项不断发展的技术的细微差别。美国律师协会于 7 月发布的正式意见 512 强调了这一必要性，并提供了如何履行使用人工智能工具相关的道德责任的指导。[2] 本文探讨了生成式人工智能在环境法实践中的伦理影响，并探讨了它带来的挑战和机遇。概述最近的发展，包括 OpenAI 的生成式人工智能软件 ChatGPT 于 2022 年发布，增强了人工智能的能力。[3]美国律师协会已经认识到，“2023 年代表了人工智能在生活各个方面（包括法律实践）应用的巨大转变。”[4] 作为回应，包括纽约、德克萨斯、伊利诺斯、佛罗里达和加利福尼亚在内的律师协会以及法官[5] 已开始通过发布正式意见和指导来解决人工智能的道德影响。[6] 尤其是美国律师协会的正式意见 512 为人工智能的道德使用提供了重要见解，强调了法律专业人士负责任地使用这些工具的必要性。法律服务提供商已开始利用生成式人工智能来增强其平台。例如，一个生成式人工智能平台将人工智能集成到 Microsoft Word 中，允许从业者访问向美国证券交易委员会提交的公开协议以及内部数据库。[7] 一些提供商允许律师定制软件以模仿自己的写作风格并从文档中学习。[8]其他一些公司帮助律师预测案件结果并简化法律研究，[9] 对合同进行尽职调查，[10] 提供虚拟接待员，[11] 甚至协助客户接收和文档自动化。[12] 环境律师可以从头开始训练大型语言模型或 LLM——一种能够理解和生成自然语言的生成式人工智能。虽然这需要大量高质量数据，[13] 但与在线生成式人工智能软件相比，它提高了用户安全性。[14] 这种改进的安全性由构建定制 LLM 的公司大肆宣传，以
希拉里·J·艾伦的声明
希拉里·J·艾伦 我很抱歉今天不能出席——不幸的是，会议与长期的旅行计划相冲突。我感谢委员会领导层今天分享我的声明。 首先，我要赞扬小组委员会为这份报告所做的辛勤工作。我认为技术描述既准确又通俗易懂，我相信这份报告或许是我见过的对 DeFi 风险的最佳识别和解释。特别是，我赞扬报告的作者抵制了划定监管目的中“足够去中心化”的去中心化水平的冲动——任何这样的划定都不可避免地与当前的技术和商业模式状态挂钩，因此将为监管套利提供许多肥沃的途径。该报告还出色地区分了 DeFi 的现状与其被炒作的潜力。但最终，我不能支持这份报告的建议。我担心的是，该报告没有深入探讨为什么 DeFi 被大肆宣传的潜力实际上是不可能的——这通常是由于经济激励的现实。至少，如果 DeFi 不变得与现有金融体系如此相似，那么所有增加的技术复杂性都是毫无意义的（以及引发报告中如此详细阐述的所有新风险），那么 DeFi 就不可能实现。鉴于这些现实情况，我质疑该报告的建议，即 CFTC 和其他监管机构花费稀缺资源来了解更多信息，并制定量身定制的监管方法，而这些方法不太可能带来任何新的好处（需要明确的是，现有金融体系存在许多结构性问题——但无需许可的区块链技术并不适合解决这些问题，原因有很多，我在我的新作品《金融科技和技术解决方案主义》中已经阐述过）。1 该报告也没有考虑监管资源将从何处转移以执行这些建议。我认为应该承认的是，利率变化使得风险投资更难获得，而推动 DeFi 实验的大部分风险投资兴趣现在已经转向人工智能——商业对 DeFi 兴趣下降的现实凸显了我对将稀缺的监管资源花在 DeFi 上的担忧。简而言之，虽然报告承认 DeFi 在去中心化方面尚未取得很大进展，但报告也应该考虑到，它不可能取得足够的进展，以证明监管机构在将现有监管制度映射到 DeFi 方面进行大规模投资是合理的，更不用说证明开发宽松的、定制的监管处理，如豁免和沙盒，这将有效地撤销旨在保护公众免受伤害的监管。
用方法分析营销策略
摘要：时尚行业是一个具有广泛市场的领域，趋势和消费者偏好会继续改变和发展。PT International Prospecta Garmindo是一家生产休闲服装产品的服装公司。现在，休闲服装趋势越来越大肆宣传，并且具有很高的潜力。这种趋势使竞争对手的数量增加，从而影响了公司产品的购买意图。本研究旨在确定一种新的营销策略，以增加公司服装产品的购买意图。本研究使用一种定性研究方法，采用案例研究方法。数据收集方法是通过对公司经理和员工的访谈进行的，分析方法是使用定量战略计划矩阵方法进行的。基于分析结果，PT国际前景Garmindo被搁置，并在IE矩阵和象限I中保持象限在SWOT象限中，因此它可以尝试从SWOT矩阵的结果中使用替代的积极策略。通过QSPM分析，最好的SO策略是维护和改善公司的地位，并加强公司与客户的关系。关键字：IE矩阵，服装公司，营销策略，SWOT，QSPM ABSTRAK：工业时尚Merupakan Bidang Yang Yang Mempunyai Pasar Yang Yang Yang Luas Luas Luas dangan dan dan dan peferensi konsumen konsumen yang yang yang yang yang yang yang yang yang yang terePT国际前景Garmindo Merupakan Perusahaan Garmen Yang Memproduksi Produk Pakaian Kasual。Kini Tren Pakaian Kasual Semakin炒作了Dan Memiliki Potensi Yang Tinggi。这会导致竞争对手的数量增加，从而影响购买公司产品的意图。本研究的目的是确定一种新的营销策略来增加公司服装产品的购买意图。本研究使用具有案例研究方法的定性研究方法。DIV>数据收集方法是通过对公司经理和员工的访谈以及通过定量战略计划矩阵方法进行的分析方法进行的。基于分析的结果，PT国际前景Garmindo被搁置，并在IE矩阵和象限I中保持象限，以便在SWOT象限中保持象限，因此它可以尝试从SWOT矩阵结果中使用替代的攻击性策略。通过QSPM分析，最好的SO策略是维护和改善公司的地位，并加强公司与客户的关系。关键字：IE矩阵，服装公司，营销策略，SWOT，QSPM简介背景
T8能源愿景
评论（除非另有说明，本评论中的所有变动均以美元计算） T8 Energy Vision 11 月份收盘下跌 1.0%（以澳元计算，以美元计算下跌 1.7%）。影响该投资组合的关键因素是美国大选。电力能源行业大部分行业的负面情绪可能与人们认为可再生能源面临压力以及电力的未来将全部由核能和燃气驱动有关（唐纳德·特朗普的“钻探，宝贝，钻探”评论）。我们的研究表明，“全核能和天然气”的情景是不切实际的，我们将在下面的洞察中对此进行详细说明。在投资组合中，可再生能源和能源存储的负面表现或多或少被支持技术和关键材料的贡献所抵消。在股票层面，西门子能源、美国铝业公司和特斯拉是主要贡献者。请参阅我们网站上更重要的评论。洞察 在数据中心的推动下，美国 20 年来首次出现电力需求增长。需要非常迅速地增加新的发电能力。解决方案不会是全部使用核能、全部使用天然气或全部使用可再生能源，而会是确保以尽可能低的成本获得可接受的可靠性的组合。新建的商业核能极不可能成为未来 10 年发展的一部分（尽管大肆宣传）。我们对电力需求和所有发电技术、其供应链和相关基础设施的前景非常乐观。在特朗普胜选后，我们上调了对电力需求增长的预期。我们在网站上发布了更详细的研究摘要。展望我们认为，虽然世界已进入电力需求长期增长期，但电力行业仍将保持周期性并对利率敏感。最近的降息尚未产生影响，但我们认为，这是由于最近的政策不确定性暂时掩盖了这一显著的积极催化剂而导致的滞后。我们的理念是，不可能准确预测周期性市场何时反弹，但反弹是不可避免的，而且往往在没有决定性信号的情况下发生。我们对我们的投资组合充满信心，该投资组合由最具基本面吸引力的能源股组成（具有行业领导地位、基本面强劲、资产负债表强劲和竞争优势的公司）。今年早些时候，我们发布了一份研究报告，研究了最新的行业基本面和投资清洁能源的案例，其见解仍然具有现实意义。我们还发布了一份研究报告，强调自 2021 年底（加息周期前夕）以来，清洁能源公司的指数盈利增长已超过全球股票。这一特点，再加上该行业经历的负面情绪驱动的下滑，导致清洁能源交易的估值倍数非常有吸引力（绝对值，特别是在其预测盈利增长率的背景下），这与加息周期之前的5年平均倍数相比有大幅折让。
转基因微生物
执行摘要 本报告介绍了利用基因工程技术（包括基因组编辑技术）创造转基因微生物，包括细菌、病毒、微藻和真菌。微生物在环境中无处不在，许多微生物在与人类、动物和植物近距离接触的环境中进化：例如，在人类、宠物、牲畜和野生动物的肠道和皮肤微生物群中；以及在植物的根部和土壤中。与既定规范相反，在商业利益和新技术发展的驱动下，最近开始有意释放可以在环境中存活和繁殖的活转基因微生物。现有产品有限，而且似乎并未兑现其宣传效果，未来产品同样处于开发的早期阶段，将面临许多技术和其他挑战。尽管大肆宣传，但我们完全有理由对所声称的未来利益持怀疑态度。尽管如此，转基因细菌、病毒、微藻和真菌已经进行了基因改造，可供公开释放，并有望应用于各种环境（例如土壤、淡水和海洋环境）。即使未来的产品无法实现所声称的益处，大规模向环境中释放转基因微生物也是有可能的。本报告中讨论的大多数例子都涉及活的转基因生物 (GMO)，它们可以在环境中繁殖和传播，存活多代（可能无限期）。这有可能造成一种“活污染”，如果出现任何问题，这种污染无法遏制、控制或召回。在某些情况下（例如“自我传播疫苗”的想法），大规模传播是故意的。尽管现存的多种微生物中只有一小部分经过了基因改造，目的是公开释放，但它们已经代表了栖息在广泛栖息地的物种。其中包括几种海洋微藻；栖息在土壤和淡水栖息地的细菌；感染植物和动物（包括许多昆虫物种）的真菌和细菌；以及感染人类和动物的病毒。这些转基因微生物可以通过各种机制传播，例如污水、昆虫、沙尘暴和雨水，并与人类和动物肠道和皮肤上的微生物群落相互作用。因此，转基因微生物不受控制的传播可能会污染所有生态系统：河流、湖泊、海洋、农田、森林、草原、花园、公园和自然保护区。允许将转基因微生物公开释放到环境中可能会永久（且负面地）改变这些复杂的生态系统。由于转基因微生物与其环境相互作用和进化，将新的遗传结构传播到其他生物体中，因此无法预测此类释放的后果。例如，在人类肠道内，引入新的遗传变异会改变新陈代谢、药物分解和对病原体的抵抗力。新的遗传结构很容易从一种微生物转移到另一种微生物，并可能传播不良特性，例如抗生素耐药性。特别令人担忧的是，随着微生物的进化，可能会产生新的病原体。采取预防措施的必要性已载入《联合国生物多样性公约卡塔赫纳生物安全议定书》和《里约宣言》等全球环境条约中。这意味着，如果存在严重或不可逆转的损害威胁，则不应以对影响缺乏科学确定性为由推迟采取措施防止环境恶化。这导致的结论是，不应故意将转基因微生物（包括基因编辑微生物）
加速药物开发的新“燃料”
人工智能 (AI) 已经改变了医疗保健，从诊断和治疗到医疗服务管理，当然还有制药制造。人工智能在生物制药行业的应用已经在 2020 年产生了近 7 亿美元的全球市场价值，预计到 2025 年将大幅增长至近 30 亿美元，到不远的 2030 年将达到 90 亿美元 [1]。但是，这个被大肆宣传的人工智能概念是什么，以及它如何应用于药物开发领域，需要讨论。虽然没有明确的定义，但从广义上讲，人工智能渴望使机器获得类似人类的能力，例如通过示例学习、适应环境和决策 [2]。它主要涉及“摄取”任何类型的输入数据的算法（生物信号、医学图像和基因序列都在发挥作用），学习识别其中的常见模式，最后主要利用这些知识根据它们的相似性对它们进行聚类（这一领域称为“无监督学习”）或接受识别其类别的训练（所谓的“标签”或“类别”），以便能够对新的数据样本进行分类（这一领域称为“监督学习”）。深入研究人工智能的“内部工作原理”，存在多种方法可以执行这些任务，从更传统的机器学习（ML）到更先进和新颖的深度学习（DL）子领域，包括复杂且计算量大的算法，通常应用于大量数据，以便得出结论并以极高的准确性做出决策。AI 模型从数据中“自行”学习的基本特性，加上其针对特定任务的架构适应性，赋予了它们复杂的功能（推理、知识提取、最优解搜索），使其适用于药物制造的各种程序，从药物发现和开发到临床测试、扩大生产和质量控制 [3]。高效、安全的化合物输送一直是传统药物制造的“致命弱点” [4]。开发新药物的经济和时间成本，其中大多数在测试期间被认定为不合格，给行业带来了严重的“痛苦”，而 AI 可以缓解这种痛苦。然而，药物发现和设计并不是 AI 升级的唯一领域。一种新药的测试从开始到获批可能要花 10 多年的时间 [9]，因此人工智能在加速此类程序方面的关键作用显而易见。通过利用与病理生理机制目标和候选化合物特性相关的大量数字化数据（“组学”和来自相关数据库的数据），以及来自类似化合物临床试验的效率和安全性信息，AI可以巧妙地“混合”这些“大数据”来预测手头药物的特性和相互作用，这一过程通常称为计算机实验[5]。这种先进的计算技术可以升级药物发现和新颖设计的许多关键过程，包括预测3D蛋白质结构，以谷歌的“AlphaFold” [6]为突出例子，识别针对疾病特异性靶标的生物活性配体[7]，以及寻找新物质的有效合成途径[8]。临床试验如此耗时并损害该领域的投资有两个基本原因：患者纳入不理想以及对预期和不良反应的监测不完整。人们已经努力解决这两个问题。IBM 开发了一个系统，该系统利用大量患者的过往病历和临床数据，为详细的患者匹配提出最佳策略，从而避免招募失败、退出风险和设计动力不足 [10]。还有其他方法可以在早期测试阶段准确预测不良反应，从而最大限度地降低进行可能失败的试验的风险 [11]。此外，先进的人工智能计算机视觉在质量控制中发挥着重要作用，为此类技术的应用增加了价值。通过提供大量相关的视觉示例来训练人工智能模型检测有缺陷的产品或批次，人工智能可以在生产线进入市场之前有效地发现生产线中存在的故障 [12]。最后，药品制造的“物流”也是一个可以提高生产效率和可扩展性的领域。人工智能可用于分析生产流程的步骤（材料的生产、储存和运输，以及相关的成本和时间要求），将这些信息与市场需求数据相结合，并为生产计划提出最佳解决方案 [13]。所有这些子域集成都揭示了人工智能在生物制药行业当前的适用性和未来潜力。然而，这并不意味着这些方法可以摆脱与大规模人工智能解决方案相关的典型瓶颈：数据稀疏、硬件不足和缺乏专业知识。除了数据需求之外，先进的技术基础设施也是实现大型企业产生了大量无价的数据，这些数据可能会推动“数据饥渴型”人工智能方法的发展，但它们在很大程度上保持着专有性，并拒绝共享。尽管有鼓励数据开放的积极举措，但相关社区的心态在这方面还远未成熟 [14]。