XiaoMi-AI文件搜索系统
World File Search System据预测
《交通基础设施和材料故障分析中的人工智能》简介
交通基础设施包括道路、桥梁、隧道、车站、机场和地铁，在现代社会中发挥着基础性作用。交通基础设施的工程故障可能给公众带来重大损失。传统的方法是采用基于力学、基于材料和基于统计学的方法对基础设施和材料设计、测试、施工、数值模拟、评估、运营、维护和保存过程中的信息进行监测、存储和分析。近几十年来，人工智能（AI）引起了许多研究人员的关注，并已成为理解和分析交通基础设施和材料工程故障的有力工具。人工智能具有可以方便地在多尺度上表征基础设施材料、从图像和云点中提取故障信息、从传感器信号中评估性能、基于大数据预测基础设施的长期性能以及优化基础设施维护策略等优势。
生成式人工智能与工作的未来
随着个人和企业在日常工作和生活中发现生成式人工智能越来越多的创新用途，其影响力将不断增长。据预测，40% 的企业应用程序将很快嵌入对话式人工智能，与 2020 年的不到 5% 相比有显著的飞跃。8 到 2025 年，生成式人工智能的足迹预计将进一步扩大，约占全球总数据量的 10%。9 此外，到 2027 年，预计近 15% 的新应用程序将由人工智能自主生成，为人类节省数小时的计算机编码时间，这一现实在今天看来似乎是未来的事情。10 生成式人工智能的广泛整合标志着未来工作的重要转变，重新定义我们与技术的关系并重塑我们的工作生态系统。
智能时代的食物和水系统 - 出版物
确保持久、可持续的粮食和水系统对于维持社会正常运转至关重要。水是粮食系统的基本推动因素，但目前正日益成为一种高风险资源，粮食系统用水量占全球用水量的 72%。1 水和粮食安全密不可分，据估计，到 2050 年，由于气候变化导致的水风险，将有另外 8000 万人面临饥饿风险。2 当前的生产和消费趋势和做法是不可持续的，气候变化加剧了现有问题。据预测，全球粮食产量将增加 70%，加剧土地、水、劳动力、营养和能源的压力。3 由于数十年来对水资源的管理不善和低估，水文循环有史以来首次失衡。4 虽然对食物和水的需求不断增加，但水资源却变得更加稀缺或难以预测。
银色经济
并减少对越来越难招募的员工的需求。在上届拉斯维加斯举行的 CES (9) 上，专为老年人设计的技术占据了无与伦比的空间，提供了众多联网设备。一些值得注意的例子是可以检测跌倒并提醒亲属的鞋子、专为需要辅助生活的人设计的室内自行车、防止骨折的安全气囊带、智能灯，甚至还有照片和视频的代际交换系统，考虑到老年人对通信解决方案的喜爱，这个系统非常理想。这个联网设备市场到 2026 年应该会达到 1443 亿欧元，而现在这个市场为 385 亿欧元 (10) 。自动驾驶汽车也可能引起这部分人群的极大兴趣。据预测，它的市场份额在 2025 年将达到 380 亿欧元，到 2035 年将达到 700 亿欧元 (11) 。
![arXiv:2004.11839v1 [eess.SP] 2020 年 4 月 14 日](/simg/g:\will\search\icon\source\e\ec8a1d79f2a028841fd2dacb9f614acf6985b209.webp)
arXiv:2004.11839v1 [eess.SP] 2020 年 4 月 14 日
每年，有近 125 万人死于车祸。平均每天有 3,287 人死亡，而且这个数字还在上升 [1]。据两家新闻媒体报道，分心驾驶是过去几十年来车祸的主要原因 [2; 3]。驾驶员现在比以往任何时候都更容易分心，他们经常因为移动设备、导航系统和复杂的控制系统而不再注意路况 [2]。据预测，如果不采取措施，到 2030 年，道路交通伤害将成为第五大死亡原因 [1]。因此，检测驾驶员分心事件非常重要。已经提出了各种视频（眼动追踪）和语音处理方法来检测驾驶员分心 [4; 5; 6; 7]。这些方法有时是不可行的。例如，在光线不足的情况下，视频处理方法效果较差，尤其是在夜间，驾驶员很可能不太关注路况。在赛车环境中，车手必须穿戴防火服和头盔来遮盖面部，这使得视频处理方法无效 [8]。驾驶过程中的高水平背景噪音（例如发动机、收音机或风噪）可能会降低声音处理方法的有效性。
项目管理中的数字化转型
数字数据与模拟数据不同，它可以以极高的速度使用（存储、处理、跟踪、复制）而不会降低质量，而且边际成本可以忽略不计。数字数据的这些特性是数字技术发展的因素之一，也是数字技术使用的副产品。由于移动消费技术的普及和上网时间的增加，过去十年来，全球创建、复制和消费的数据量空前增加。全球创建、记录、复制和消费的数据总量已从 2010 年的 2 ZB 增长到 2020 年的 64.2 ZB，预计到 2025 年将迅速增加到 180 ZB 以上（1 ZB = 1012 GB）。据预测，随着数据的大幅增长，数据存储容量的安装基数预计将在 2020 年至 2025 年期间以 19.2% 的复合年增长率 (CAGR) 增长。然而，数据本身并不一定有价值。它只有在用于改善社会和经济进程、组织和管理方法时才有价值。
机器学习和人工智能在采矿地质科学中的应用
简介 机器学习和深度学习在过去五年中越来越受关注（图 1），我们经常看到这些术语应用于矿产勘探、矿山开采和地球科学研究。此外，“人工智能”一词经常与机器学习和深度学习互换使用。这些新技术和方法由全球科技公司和国际研究团队开发，用于解决琐碎和复杂的问题，并且通常超越人类在特定任务上的表现。在采矿业，无论是新成立的初创公司还是成熟的采矿和服务公司都在其工作的各个方面实施机器学习。据预测，矿产勘探将通过这些算法对历史数据的新实施而发生革命性变化，并且未来矿山将使用自动驾驶卡车自动运行。这些实施有望带来令人印象深刻的价值收益，但对于不了解自动化基础技术的普通公众来说，如何实现这些收益尚不清楚。此外，这些技术在专业任务中超越人类表现的潜力引发了人们对失业和重组的担忧，促使一些人完全拒绝它们。
NOAA 石珊瑚组织损失疾病应对和预防策略
从佛罗里达群岛到印度洋-太平洋岛屿，浅水珊瑚礁对于健康、有弹性的沿海社区、生态系统和经济至关重要。繁荣的珊瑚礁提供关键服务，包括渔业、旅游和休闲机会，以及强大的海岸线保护，免受海浪、风暴和洋流的侵袭，仅在美国，每年珊瑚礁的价值就高达 34 亿美元 ( 1-2 )。珊瑚礁通过这些服务保护生命、财产和企业，并为 25% 的海洋物种提供栖息地 ( 3 )。因此，珊瑚礁的影响是深远的——无论是内陆还是外海。目前，珊瑚礁正面临着许多全球和地方压力，例如海洋温度升高、海洋酸化、不可持续的捕捞、沿海开发、采掘和休闲用途、污染、营养物输入、雨水径流、沉积和入侵物种。这些压力因素单独和累积起来都会降低珊瑚礁抵抗和从干扰中恢复的能力，如大规模白化、疾病爆发和风暴事件，而据预测，随着全球变暖，这些干扰将会增加 ( 4 )。