XiaoMi-AI文件搜索系统
World File Search System模式
具有 ESG 和可持续性特征的商业模式画布
当前的社会和环境问题 - 社会问题：很多场景是孩子和妇女在街上争相等待游客前来出售他们的手工制品，有时他们不得不站在恶劣的天气中跟随游客，这给刚到的外国游客带来不适和困惑。 - 环境问题：工厂向环境中排放过多的废物，存在许多可能导致工人健康的问题。
人类红系细胞相关基因表达模式
红系细胞在免疫调节和免疫抑制中的作用是现代免疫学的新兴课题之一，由于不同组织和不同物种的红系细胞表达不同的免疫调节分子，因此仍需要进一步阐明。在本研究中，我们利用 BD Rhapsody 的最先进的单细胞靶向蛋白质组学和转录组学以及通过 NanoString Sprint Pro 进行的癌症相关基因拷贝数变异分析，对来自成年健康捐赠者和成年急性淋巴细胞白血病患者的人骨髓红系细胞进行了彻底的研究。我们发现人类骨髓红系细胞表达 ARG1、LGALS1、LGALS3、LGALS9 和 C10orf54 (VISTA) 免疫抑制基因、CXCL5、CXCL8 和 VEGFA 细胞因子基因，以及参与抗菌免疫和 MHC II 类抗原呈递的基因。我们还发现 ARG1 基因表达仅限于单个红细胞簇，我们将其称为 ARG1 阳性正色红细胞，而晚期红细胞在急性淋巴细胞白血病的情况下会失去 S100A9 并获得 MZB1 基因表达。这些发现表明，即使没有任何转分化刺激（如癌症），稳定状态的红细胞生成骨髓红细胞也会表达髓系特征基因。
EmbodiedScan：面向具身 AI 的整体多模式 3D 感知套件
摘要 在计算机视觉和机器人领域，具身代理有望探索其环境并执行人类的指令。 这就需要能够根据第一人称观察充分理解 3D 场景，并将其语境化为语言进行交互。 然而，传统研究更多地侧重于从全局视角进行场景级输入和输出设置。 为了解决这一差距，我们引入了 EmbodiedScan，这是一个多模态、以自我为中心的 3D 感知数据集和整体 3D 场景理解的基准。 它包含超过 5k 个扫描，封装了 1M 个以自我为中心的 RGB-D 视图、1M 个语言提示、160k 个 3D 导向框，涵盖 760 多个类别，其中一些与 LVIS 部分一致，以及具有 80 个常见类别的密集语义占用率。 基于这个数据库，我们引入了一个名为 Embodied Perceptron 的基线框架。它能够处理任意数量的多模态输入，并表现出卓越的 3D 感知能力，无论是在我们建立的两个系列基准测试（即基本 3D 感知任务和基于语言的任务）中，还是在野外。
三模式运动通过学习联合嵌入空间
信息检索是一个不断发展且至关重要的搜索域。对高质量人类运动数据的大量需求，尤其是在在线获取中，导致人类运动研究工作的激增。先前的作品主要集中在双模式学习上，例如文本和运动任务，但是很少探索三模式学习。直觉上，额外的引入方式可以丰富模型的应用程序方案，更重要的是，对额外模式的适当选择也可以充当中介，并增强其他两个不同方式之间的对齐方式。在这项工作中，我们介绍了Lavimo（语言视频 - 动作对齐），这是一个三模式学习的新型框架，将以人为中心的视频整合为一种额外的方式，从而可以在文本和运动之间弥合差距。更重要的是，我们的方法利用了一种专门设计的注意机制来增强文本，视频和运动方式之间的一致性和协同作用。经验，我们对HumanML3D和Kit-ML数据集的结果表明，Lavimo在各种与运动相关的跨模式检索任务中实现了最先进的表现，包括文本到动作，动作到运动，视频，视频到视频，动作和动态。我们的项目网页可以在https://lavimo2023.github.io/lavimo/中找到。
lami：多模式人类机器人互动的大型语言模型
无缝的人类机器人相互作用（HRI）需要机器人对人类的多模式输入的熟练处理，包括语音，凝视和面部表情，以准确评估人类的影响并相应地提供帮助。同时，机器人必须通过多模态输出渠道清楚地将自己的意图清楚地传达给人类，包括语音，手势和凝视。传统上，在机器人系统中实现此功能通常需要复杂的设计。在意图估计的领域中，以前的研究通常合并意图识别模块，以基于多模式输入[3，17]对人类意图进行分类。一些系统还具有用于检测人类情感状态的专用模块，对于建立社会细微差别的互动至关重要[10，16，18]。但是，这些方法的缺点在于它们耗时且昂贵的培训过程。在输出方面，许多先前的系统集成了情绪状态[8，11]模块，以控制人形输出提示，例如音调，凝视或面部表情，增强了向人类反馈的透明度和生动性。关于运动产生，提出了多种方法，包括预先建立的运动集的混合和图表[19，25]，以及使用运动捕获数据[5，9，15]。值得注意的是，这涉及与特定状态相关的每种输出模式的动作手动设计。通过利用文本理解，推理和计划的能力，在短时间内提出了许多机器人应用[7，12，14，20，21，28]。例如，Zhang等人。大型语言模型（LLM）的最新进展，诸如聊天机器人，数据过程和代码生成之类的域中的表现令人印象深刻的功能正在揭示其在机器人技术领域的潜在应用。其中一个通常的例子是“ Saycan”机器人[1]，它能够解释人的自然语言命令，分析环境并生成具体的可执行操作序列，以通过使用LLMS来满足人类的要求。但是，机器人和人之间的互动提示仅限于语音命令，即使没有语音输出。最近，一些研究人员还试图将这种技术应用于HRI领域。利用LLM来估计人类有多少信任机器人[30]； Yoshida等人，使用LLMS生成低级控制命令来推动人形机器人运动以进行社会表达[29]，而不是用于实践援助。Baermann等人，部署了LLM不仅遵循人类的言语命令，而且还通过人类的自然语言反馈来纠正其错误[2]。然而，通信主要依赖语音相互作用，而较少关注多模式感应和表达能力。ye等。[27]驱动了一个LLM驱动的机器人系统，该系统能够与人类在VR环境中的组装任务中合作。，但是该系统仅限于处理人类语言输入并控制虚拟空间中的单臂。通常，与快速
AI（人工智能）自动模式
• 在 AI Auto 模式下，室内机显示屏上会出现 (AI Auto) 和 (Wi-Fi) 指示。• 如果收集的用户模式不够，则设定温度设置为 75°F。• 在 AI Auto 模式下，设定温度控制在 72 °F 至 79 °F 范围内。设定温度也可以手动更改。• 如果在 AI Auto 模式下手动更改设定温度，它会自动重新请求 AI 首选温度并在 1 小时后更改回来。• 按下遥控器上的 (Mode) 按钮可以取消 AI Auto 模式。
地理空间植被预测的多模式学习
精确的地理空间植被预测具有各个部门的潜力，包括农业，林业，植物援助和碳会计。为了利用卫星图像的广泛可用性来完成此任务，各种作品应用了深层神经网络，以预测具有逼真质量的多光谱图像。但是，尚未彻底探索植被动力学的重要领域。我们的研究介绍了Greenearthnet，这是第一个专门为高分辨率植被预测设计的数据集，以及ContextFormer，这是一种新颖的深度学习方法，可预测Sentinel 2卫星2卫星图像，并在整个Eu-Rope之间进行精细分辨率。我们的多模式变压器模型上下文形式通过视觉主链利用空间上下文，并以参数有效的方式预测局部上下文贴片上包含气象时间序列的时间动态。Greenearthnet数据集具有学习的云蒙版和适当的植被建模评估方案。它还与现有的卫星图像预测数据集SEARNET2021保持兼容性，从而实现了跨数据库模型比较。我们广泛的定性和定量分析表明，我们的方法的表现优于广泛的基线技术。这包括超越了SEARNET2021上的先前最先进的模型，以及时间序列预测和视频预测的改编模型。我们提供开源代码和预训练的权重，以根据https：// gith ub.com/vitusbenson/greenearthnet [10]重新产生我们的实验结果。据我们所知，这项工作为大陆规模植被建模的第一个模拟介绍了良好的分辨，能够在季节性周期以外捕获异常，从而为对气候变化和极端的响应铺平了预测植被健康和行为的道路。
打造社会企业商业模式的人工智能创意支持工具
摘要：社会企业包含不同的逻辑，因此寻找能够调和经济和社会目标冲突的商业模式非常复杂。我们认为数字技术可以帮助社会企业家克服这一困难。事实上，本文旨在通过对这些不同研究流派进行系统的文献综述，全面介绍（1）商业模式创新、（2）社会企业和（3）基于人工智能的创造力支持工具的文献现状。我们的目的不是对这三种文献进行全面回顾，而是确定将它们联系起来的主要主题和子主题。在此基础上，我们提出了一种新的观点，即复杂的商业模式创新（例如处理社会企业混合模式的创新）如何通过基于人工智能的创造力支持工具得到推动，并制定了扩大对这一有希望的联系的研究议程。
由于阿尔茨海默氏病和帕金森氏病引起的轻度认知障碍中的脑振荡模式：一项探索性高密度EEG研究
Objective: We investigated brain cortical activity alterations, using a resting-state 256-channel high- density EEG (hd-EEG), in Alzheimer's (AD) and Parkinson's (PD) disease subjects with mild cognitive impairment (MCI) and correlations between quantitative spectral EEG parameters and the global cogni- tive status assessed by Montreal Cognitive Assessment (MoCA) 分数。方法：15个AD-MCI，11个PD-MCI和十个年龄匹配的健康控制（HC）进行了HD-EEG记录和神经心理学评估。脑脊液生物标志物分析以获得良好的特征组。EEG光谱特征，并研究了三组之间的差异以及与MOCA的相关性。结果：与对照组相比，AD-MCI和PD-MCI的α2/alpha1比的α2/alpha1比显着降低。在PD-MCI中观察到明显更高的theta和较低的β/theta比。MOCA评分与theta功率以及alpha2和beta功率以及alpha2/alpha1和alpha/theta比率直接相关。结论：这项研究强调了AD-MCI和PD-MCI患者的脑电图模式的显着差异，并指出了EEG参数在两种神经退行性疾病中可能的替代标志物的作用。明显的能力：除了完善的生物标志物外，我们的发现还可以支持神经退行性疾病中认知功能障碍的早期检测，并可以帮助监测疾病的进展和治疗反应。
