1伦敦大学学院,纳尔特广场,高尔街,伦敦,WC1E 6BT,英国2巴西路德教会大学,公平。farroupilha,8001-SãoJosé,Canoas,RS,RS,92425-020,巴西摘要摘要利用量子,经典和相对论量表的越来越多的能力,以及生成的AI和量子计算的快速变化,以及通过有负责任的目的和量子的竞争力(可以实现的能力),这表明了实现的可能性(可以实现竞争力(实现)(实现),实现了实现的可能性( 共情)。社会不能与技术分开,因为情报可能会发展为平台不足的学习和解决问题的能力。概念套件被引入量子智能,相对论智能和无规模的智能,以表示学习模式,其中包含了规模特定的物质和时空特性,量子和时空属性。现代技术既有风险又有回报,并提供了实现社会有益结果的重要理论和实践手段。从理论上讲,智力是代理(人类或机器)处理多个尺度域中问题的通用能力,可以将思想重新考虑为多样性,同时性和便携性的操作,从而将世界的范围开放给传统个人自我和地方社区以外的更广泛的关注领域。实际上,产生对社会负责的人工智会可以通过“摩尔的AI法则”的分阶段方法进行,其中包括短期监管和注册表,中期内部学到的奖励功能以及长期负责的人类AI实体。简介人类自然而然地对社会负责,但在使用针对行星规模问题的新技术成熟水平运行时,可能会更是如此。关键字1 AI对齐,对社会负责的人类实体,AI数学代理,量子智能1。
简介:人工智能 (AI) 在医疗保健领域的应用,其最新进展有望解决许多现有的全球问题,促进人类健康和应对全球健康挑战。这篇全面的评论不仅旨在揭示潜在的伦理和法律问题,而且还揭示社会影响 (ELSI),这些影响在最近的评论中被忽视,但在开发阶段值得同等重视,当然在医疗保健实施之前更是如此。它旨在指导各种利益相关者(例如设计师、工程师、临床医生)在设计阶段使用设计伦理 (EbD) 方法解决人工智能的 ELSI。方法:作者遵循系统化的范围界定方法,并在以下数据库中搜索:Pubmed、Web of science、Ovid、Scopus、IEEE Xplore、EBSCO Search(Academic Search Premier、CINAHL、PSY CINFO、APA PsycArticles、ERIC)以查找截至 2021 年 1 月医疗保健领域 AI 的 ELSI。数据被绘制并综合起来,作者对收集的数据进行了描述性和主题分析。结果:在审查了 1108 篇论文后,最终分析中纳入了 94 篇。我们的结果表明,学术界对 AI 领域的 ELSI 的兴趣日益浓厚。我们在分析中发现的主要问题分为四个主要影响集群:AI 算法、医生、患者和医疗保健总体。最普遍的问题是患者安全、算法透明度、缺乏适当的监管、责任和问责制、对医患关系的影响以及人工智能医疗保健的治理。结论:我们的审查结果证实了人工智能显着改善患者护理的潜力,但其实施的缺点与尚未解决的复杂 ELSI 有关。大多数 ELSI 都提到了对互惠和信托医患关系的影响和延伸。随着基于人工智能的决策工具的整合,双边医患关系可能会转变为三边关系。
欧盟及其成员国在应对恐怖主义威胁时在自由与安全之间取得平衡 引言 2001 年 9 月 11 日纽约和华盛顿遭受恐怖袭击一年多后,基本权利斗争独立专家网络认为有必要从这些措施与基本权利要求的兼容性角度,报告欧盟机构及其成员国为应对恐怖主义威胁所采取的所有措施。恐怖主义严重侵犯人权,因此必须予以打击。然而,恐怖主义的特点,特别是所涉侵犯人权行为的严重性、此类犯罪的有组织性及其国际性,已导致一些国家作出反应,而这些国家对基本权利的遵守情况有时值得怀疑;这些困难可归纳如下。1.无论是国际法律文书 1 还是 2002 年 6 月 13 日安理会关于打击恐怖主义的框架决定 2 ,都未能真正成功克服在试图对恐怖主义进行定义时遇到的传统困难,该定义描述了恐怖主义相对于其他形式的有组织犯罪及其所有可能形式的特殊性。但是,对恐怖主义罪行进行足够准确的定义不仅是特定起诉的先决条件,也是适用特定程序规则的先决条件,特别是在调查或侦查的背景下,对于特殊形式的拘留更是如此;否则,为打击恐怖主义而采取的措施将缺乏明确的法律依据,可能使其合法性受到质疑 3 。这一困难是本评论第 I 点的主题。2.恐怖主义和有组织犯罪的共同点在于,它们不是孤立个体的所为,而是犯罪组织的所为。此类犯罪的有组织性质意味着,各国倾向于将此类组织的成员身份定为犯罪,以个人与某些团体的关系为由对其提出指控,而不管这些个人是否可能参与实施其他犯罪,甚至可能不管是否已经实施了违法行为。这种趋势已经
本十年可能见证人类在月球上可持续生存的开始;下一个十年可能是人类在火星上迈出的第一步。这至少是主要太空机构(ISECG,2018)的目标,而私营公司(最著名的是 SpaceX)也提出了相关目标(Musk,2017)。当然,人类需要适宜居住的环境和丰富的消耗品才能生存:食物、水、氧气,可能还有药物,等等。随着任务越来越长、越来越遥远,从地球提供所有这些消耗品变得不现实:发射成本、旅行时间和失败风险是关键障碍。生物再生生命支持系统 (BLSS) 是解决这一限制的一种非常有前途的方法,如果它们可以与原位资源利用 (ISRU) 相结合,则更是如此。在本研究主题中,Berliner 等人对此进行了说明,他们主张在火星上建立一个用于资源生产和回收的综合生物制造工厂。他们还介绍了相关的挑战、目标和示例系统。尽管过去几十年进行了大量研究,但没有一个 BLSS 项目达到足够的成熟度,无法显著提高月球或火星上哪怕是小型基地的自主性。长期运行的 BLSS 项目(例如 ESA 的 MELiSSA 项目;Lasseur 等人,2010 年;Walker 和 Granjou,2017 年)的经验表明,它们的开发是一个长期过程。因此,目前需要做出务实的努力,以便 BLSS 做好准备,以便月球和火星任务能够从中受益。本研究课题旨在促进此类努力。月球和火星的 BLSS 很可能包括植物,因为它们是食物生产所必需的。此外,它们还具有空气净化和水净化功能(例如 Wheeler,2010 年),并可用于其他功能,例如药品生产(McNulty 等人,2021 年)。因此,本研究的九项贡献
资料来源:Gartner、DBS 深入研究终端市场 我们更进一步,通过对未来 12 个月 (NTM) 的一致收入预测,确定各个非 AI 参与者的复苏和/或衰退领域。我们认为,这对于那些接触多元化终端市场的公司尤其具有指导意义,这些市场的复苏阶段可能会有所不同。 设备制造商在 2025 年还有更多发展空间。我们认为,我们对设备制造商的积极预测——在我们的 2024 年展望中——在未来一年仍然有效。 预计设备制造商将在未来几个季度引领收入和盈利增长。 大多数设备制造商的复苏始于 2024 年,预计将延续到明年,市场预计 ASML、Lam Research 和 Tokyo Electron 等主要参与者将在未来一年取得更强劲的业绩。 我们报道的不同设备制造商都发现了两个关键的增长领域。首先,预计内存的强劲复苏将延续到未来几个季度,在高性能/带宽内存领域更是如此。其次,他们继续看到对“前沿”技术(即人工智能、逻辑芯片)的强劲需求,这进一步凸显了它们在整个半导体价值链中的重要性——因为更先进的芯片需要更好的设备和测试能力。在 2023 年大幅下滑之后,内存部门是首批复苏的部门之一。DRAM 和 NAND 的供需动态在 2023 年第四季度开始改善,DRAM 和 NAND 的充足水平均跌至平衡水平以下,表明需求已超过供应。预计 DRAM 的供应不足情况将持续到 2026 年,NAND 的供应不足情况将持续到 2025 年第四季度。
ecent年份见证了人工智能(AI),机器学习(ML),计算机视觉和自主系统的巨大发展。AI专注于将人类智能纳入机器,但ML可以看作是旨在增强计算机系统能力具有“学习”能力的一系列工具。AI被视为更广泛的概念[1]。图1显示了这三个相关领域之间的关系。根据传感器数据融合和国家信息融合学会(ISIF)的考虑,ML的区域已具有不同的发展,并以各种方式 - 从生物学启发的神经网络到序列化的蒙特卡洛·卡洛概率方法,用于非高斯系统的非线性系统。但是,主要是在统治年份中,当ML方法变得流行并扩展到值得信赖的ML和可解释的AI时。这些尤其是与引入不同级别的自主权[2],[3]的必要性联系在一起的,并找到带来解释性水平的事件的原因或因果关系。这两个尤其是与传感器数据相关的,如今数据既来自来自不同方式的“硬传感器”,例如雷达,声传感器,雷达,与光学,热摄像机和无线传感器网络相结合,也来自柔软的传感器(互联网,社交网络),例如Twitter,Twitter,Facebook,Facebook和其他)。此外,数据以不同的时间率和准确性水平到达。理解了如此多的杂项数据是一项充满挑战的任务,它已经广泛研究,但是为自主和半自治系统提供可靠的解决方案是一项仅在部分解决的任务。从这种类型的多个异质传感器中融合数据是挑战的一部分;当必须依次和实时执行统计决策时,更是如此。这对于安全关键任务(例如无人驾驶汽车(UAV),飞机飞行控制系统,未来的战斗飞机系统,数字卫生系统等)尤其重要。
2022 年 8 月 1 日 我们量化并研究州一级的经济政策不确定性。我们利用近 3,500 家地方报纸的数字档案,为每个州构建了三个月度指数:一个指数捕捉州和地方政策不确定性来源 (EPU-S),一个指数捕捉国家和国际来源 (EPU-N),以及一个捕捉两者的综合指数。EPU-S 在州长选举和本州事件(如 2000-01 年的加州电力危机和 2012 年的堪萨斯州税收实验)前后上升。EPU-N 在总统选举前后上升,并响应 9-11、海湾战争 I 和 II、2011 年债务上限危机、2012 年财政悬崖事件和联邦政府关闭。接近的选举比普通选举更能提高政策不确定性。与新冠疫情之前的数据相匹配的 VAR 模型表明,本州 EPU 的上行冲击预示着该州经济表现较弱,相邻州的 EPU 上行冲击也是如此。新冠疫情导致政策不确定性和失业率大幅上升,在政府强制封锁更严格的州更是如此。关键词:政策不确定性、选举与不确定性、州级经济表现、失业、住宅开工、房价、空间溢出效应、新冠疫情 JEL 分类:D80、E66、G18、H70、R50、R31 致谢:我们非常感谢美国国家科学基金会 [SES 1324257] 的财政支持。我们每月的州级经济政策不确定性指数可在 https://policyuncertainty.com/state_epu.html 免费获取和更新。我们感谢编辑和匿名审稿人对之前的草稿提出的有益评论。胡佛研究所经济学工作论文系列允许作者分发研究成果,供其他研究人员讨论和评论。工作论文反映的是作者的观点,而不是胡佛研究所的观点。
摘要 — 本文展示了如何在每次相位随机化之后添加第二步窗口来降低基于傅里叶的替代分析中的错误拒绝率。窗口技术减少了傅里叶级数中周期性扩展数据序列边界处的不连续性。然而,它们增加了时间域非平稳性,从而影响替代分析。这种影响对于短低通信号尤其成问题。将相同的窗口应用于替代数据允许具有相同的非平稳性。该方法通过蒙特卡罗模拟在 1 阶自回归过程零假设上进行测试。以前的方法无法同时对左侧和右侧测试产生良好的性能,对双边测试更是如此。结果表明,新方法对于单侧测试和双边测试都是保守的。为了证明所提出的窗口方法在现实环境中是有用的,在这篇扩展论文中,它被应用于 EEG 诊断问题。数据集包含 15 名受试者的 EEG 测量数据,这些受试者分为三组:注意力缺陷障碍主要为多动冲动型 (ADHD)、注意力缺陷障碍主要为注意力不集中型 (ADD);焦虑症和注意力脆弱型 (ANX)。统计和机器学习 (朴素贝叶斯) 方法均被考虑。平均短窗口 SA (MSWSA) 被用作信号特征,并研究了其相对于窗口系统的性能。主要发现是:(i) MSWSA 特征对于 ADD 的变异性小于对于 ADHD 或 ANX 的变异性,(ii) 所提出的窗口方法降低了 SA 特征的偏差和非正态性,(iii) 使用所提出的方法和朴素贝叶斯分类器,通过留一交叉验证将 ADD 与 ADHD 和 ANX 区分开来的成功率为 93%,以及 (iv) 如果没有所提出的窗口系统,新特征不可能产生有趣的结果。
摘要 目标 不同的利益相关者可能对医疗保健领域的人工智能 (AI) 应用持有不同的态度,如果 AI 开发人员未能考虑到这些态度,这可能会限制他们的接受度。我们着手确定临床医生、消费者、管理人员、研究人员、监管机构和行业对医疗保健领域 AI 应用的态度证据。方法 我们对标题或摘要包含“人工智能”或“AI”和“医疗”或“医疗保健”以及“态度”、“看法”、“意见”、“观点”、“期望”等术语的文章进行了探索性分析。我们使用滚雪球策略在 PubMed 和 Google Scholar 中搜索 2010 年 1 月 1 日至 2021 年 5 月 31 日发表的文章。我们选择了与用于支持医疗保健相关任务或决策的非机器人面向临床医生的 AI 应用相关的文章。结果 在 27 项研究中,人们对医疗保健领域 AI 应用的态度总体上是积极的,对于那些有 AI 直接经验的人来说更是如此,但前提是满足某些保障措施。与直接影响临床决策或可能影响临床医生与患者关系的 AI 应用相比,自动进行数据解释和合成的 AI 应用更受临床医生和消费者的青睐。隐私泄露和 AI 相关错误的个人责任令临床医生感到担忧,而失去临床医生的监督和无法完全参与决策令消费者感到担忧。临床医生和消费者都希望 AI 生成的建议值得信赖,而行业团体则强调 AI 的好处,并希望获得更多数据、资金和监管确定性。讨论 许多利益相关者群体对人工智能应用的某些期望是共同的,从中可以定义一组依赖关系。结论 利益相关者对人工智能的态度有所不同,但并非全部。那些开发和实施应用程序的人应该考虑弥合不同利益相关者之间态度分歧的政策和流程。
操作员态势感知 (SA) 对于确保任何工业设施安全运行至关重要,对于核电站 (NPP) 更是如此。核电站工业事故(按国际原子能机构 (IAEA) 国际核事件分级表 (INES) [ 1 ] 中 1(异常)至 7(重大事故)的严重程度等级升序排列)包括以下案例:加拿大乔克河国家研究反应堆 (NRX) (INES-5) — 控制室控制棒状态指示灯错误、机械故障以及控制室人员沟通不畅等多重故障导致安全关闭棒库意外拔出,造成反应堆功率在 5 秒内失控超过反应堆设计极限的四倍,导致 1952 年 12 月 12 日发生严重堆芯损坏;美国三哩岛核事故(INES-5)——设计不良、模糊的控制室指示器导致操作员失误,影响了紧急冷却水供应,导致 1979 年 3 月 28 日三哩岛 2 号机组 (TMI-2) 反应堆堆芯安全壳部分熔毁;苏联切尔诺贝利事故(INES-7)——人为因素和固有设计缺陷导致 4 号机组于 1986 年 4 月 26 日发生灾难性爆炸并释放放射性物质。从事故后报告 [ 2 – 4 ] 中可以看出,关键事故前兆包括:(1) 由于传统人机界面 (HMI) 设计中的人为因素相关缺陷导致态势感知能力下降;(2) 常态化、偏差化,导致核安全文化松懈; (3) 信息过载(看而不见效应 [ 5 ]),这是由于通过控制室 HMI(面板指示、通告等)向操作员呈现信息的速度太快。);以及 (4) 高度动态单元演进的错误心理模型导致认知错误,这是由于故障或有故障的传感器提供的工厂信息相互冲突,以及现场设备状态监控不正确。