XiaoMi-AI文件搜索系统
World File Search System流行起来
将 ISOSpace 传输到 3D 环境中进行注释和应用
摘要 人类的视觉感知非常明显，因此通常用语言描述周围的空间并不成问题。相反，人们也很容易想象出一个被描述空间的概念。近年来，人们为开发空间和时空关系的语言方案做出了许多努力。然而，这些系统到目前为止还没有真正流行起来，我们认为这是因为它们所基于的模型很复杂，而且缺乏可用的训练数据和自动标记器。在本文中，我们描述了一个支持空间注释的项目，它可以通过其许多功能促进注释，还可以用更多信息丰富它。这将通过 VR 环境的扩展来实现，通过 VR 环境可以更好地可视化空间关系并将其与真实对象联系起来。我们希望利用现有数据开发一种新的最先进的标记器，从而为未来的系统奠定基础，例如改进 Text2Scene 生成的文本理解。关键词：ISOSpace、ISOTimeML、Unity3D、注释、虚拟现实
揭秘 AI IO 性能
简介 硬件和软件技术来来去去，但工作负载除了速度越来越快之外，并没有发生太大变化——直到人工智能深度学习 (DL) 流行起来。如果有一种新的工作负载正在改变企业 IT，那就是 DL。DL 和支撑它的神经网络从研究实验室中诞生，并迅速跃居过去 30 多年来不断发展的其他人工智能功能的前沿。毫不奇怪，企业组织打算采用 DL 技术来解决以前无法解决的业务问题。生产环境中 DL 的主要领域是计算机视觉、推荐引擎和自然语言处理。然而，生命科学中的许多特定问题（例如）也是使用神经网络解决的。尽管如今人们对 AI DL 训练和推理有了很好的理解，但执行 DL 所需的 IO 活动或带宽仍存在许多误解。本文试图揭开 DL IO 的神秘面纱。在这里，我们将回顾训练和推理的 DL 存储 IO 需求，包括并行处理要求，并将展示一些 DL 训练和推理 IO 示例。
虚拟现实 - Steven M. LaValle
与此同时，VR 背负着无法兑现承诺的污名。炒作和兴奋往往远远超过了 VR 体验的交付，尤其是对于那些无法使用昂贵实验室设备的人们来说。这在 20 世纪 90 年代初尤其痛苦，当时 VR 似乎准备进入主流使用，但未能流行起来（除了一些小众市场）。几十年后，我们见证了一次令人兴奋的重生。最新的技术组件主要来自智能手机行业，使高分辨率、低成本、便携式 VR 耳机能够提供引人注目的 VR 体验。从 2014 年起，这已促使领先的技术公司投资数十亿美元来发展包括艺术、通信、娱乐、提高工作效率和社交互动在内的 VR 生态系统。与此同时，新一代技术人员正带着新想法进入该领域。黑客和创客的在线社区以及世界各地的大学生都兴奋地关注着虚拟现实的快速发展，并开始通过创办新公司、努力改进技术和创造新体验来塑造虚拟现实。
单行道：人工智能对... 的影响
简介 本文旨在讨论和激发应用社会科学研究人员对人工智能 (AI) 对制作和传播科学内容的影响。在工具和应用程序（例如 ChatGPT – 生成式预训练转换器）流行起来之后，包括科学界在内，各个领域的研究人员对此越来越关注。研究表明，即使是科学家也无法确定科学文本是由人类还是人工智能技术制作的（Else，2023 年）。鉴于这些担忧，以编辑形式发布了一份科学手稿制作的良好实践指南，强调研究人员需要宣传该工具在手稿制作中的使用方式（Buriak 等人，2023 年）。我们认为现在是时候扩大巴西学术界对这些问题的讨论范围了。例如，基于人工智能的软件是否可以构建和解构论文、实证检验研究假设、分析数据并为科学做出贡献？此外，它能否自动化科学期刊中的文章评估过程？这些行动对知识生产有何影响和限制？
陆军价值观
美国陆军歌曲于 1908 年在菲律宾创作。准将（当时的中尉）埃德蒙·L·“斯尼茨”·格鲁伯是一名炮兵军官，他驻扎在那里，随第 2 营第 5 野战炮兵部队，在两名中尉的帮助下创作了这首歌。在听到他的一名部门负责人敦促他的驾驶员“让它们（炮）继续前进”后，他受到了启发；并迅速创作了《炮车之歌》的歌词和音乐。这首歌立即流行起来，很快被整个美国野战炮兵部队采用。后来，这首歌被交给了传奇作曲家约翰·菲利普·苏萨；由此产生的《美国野战炮兵进行曲》在第一次世界大战期间成为轰动一时的作品，销量约为 75 万张。尽管陆军曾两次尝试创作一首官方歌曲，但似乎没有一首作品能留下什么印记。最终在1952年，陆军副官长的音乐顾问HW Arberg将《炮车之歌》改编成美国陆军的官方歌曲《军队前进》。
支持药物开发的综合知识图谱
近年来，使用知识图谱作为机器学习方法的数据源来解决生命科学中的复杂问题的做法迅速流行起来。我们的生物洞察知识图谱 (BIKG) 结合了来自公共和内部数据源的药物开发相关数据，为一系列任务提供洞察：从确定新目标到重新利用现有药物。除了对组织知识图谱的常见要求（例如能够精确捕获领域并让用户能够搜索和查询数据）之外，专注于处理多种用例和支持特定于用例的机器学习模型还带来了额外的挑战：数据模型还必须简化以执行下游任务；图内容必须易于针对不同的用例进行定制；需要对图内容进行不同的投影以支持更广泛的不同消费模式。在本文中，我们描述了在实现 BIKG 图时的主要设计选择，并讨论了其生命周期的不同方面：从图构建到利用。
评论文章生物正交化学：开创医学治疗精准化
生物正交化学因其出色的生物相容性和在改变生物分子的同时避免干扰自然生物过程的精确性而在生物医学领域迅速流行起来。本综述专门研究了生物正交过程在纳米级生物医学环境中的基本概念和实际用途，包括药物管理、癌症治疗和光学成像领域。我们重点介绍了最近的突破，例如点击化学、四嗪配位和应变促进叠氮化物-炔烃环加成 (SPAAC) 的利用，这些突破允许在生物系统中进行极具选择性和效率的生物分子改变。此外，我们将这些方法与传统的生物共轭技术进行比较，研究它们在未来生物医学研究中的潜力及其在治疗靶向方面的优势。本综述旨在全面概述生物正交化学、其当前用途以及在临床环境中充分发挥其潜力必须克服的障碍。
预测十字路口的数字孪生景观...
在过去十年中，数字孪生的概念迅速流行起来，但尽管有大量的评论、调查和新闻稿，但围绕其定义的多样性、其作为新技术的新颖性以及其实际适用性仍然存在混淆。本文探讨了数字孪生一词的历史，以及它在产品生命周期管理、资产维护和设备车队管理、运营和规划领域的初始背景。本文还基于七个基本要素，提供了利用数字孪生的最小可行框架的定义。本文还概述了采用数字孪生方法的数字孪生应用和行业。本文重点介绍了数字孪生框架在预测性维护领域的应用，以及利用机器学习和基于物理的建模进行的扩展。采用机器学习和基于物理的建模相结合的方式形成混合数字孪生框架，可以协同缓解每种方法单独使用时的缺点。另外讨论了在实践中实施数字孪生模型的关键挑战。随着数字孪生技术的快速发展和成熟，其在大幅增强复杂设备智能维护工具和解决方案方面的巨大潜力有望实现。
人工智能数学
然而，人工智能并不是一个新现象。事实上，早在 1943 年，McCulloch 和 Pitts 就开始通过模仿人脑功能开发学习算法，通过连接并排列成多层的人工神经元形成人工神经网络。当时，他们就已经对人工智能的实现有了愿景。然而，社区并没有充分认识到神经网络的潜力。因此，第一波人工智能浪潮并没有成功并消失了。1980 年左右，机器学习再次流行起来，那段时期出现了几个亮点。真正的突破和随之而来的新一波人工智能浪潮出现在 2010 年左右，深度神经网络得到了广泛的应用。今天，这种模型可能被认为是人工智能的“主力”，在本文中，我们将主要关注这种方法。深度神经网络的结构正是 McCulloch 和 Pitts 引入的结构，即无数连续的人工神经元层。如今，前几年的两个主要障碍也已消除；由于计算能力的大幅提升，训练数百层的深度神经网络是可行的，而且我们生活在数据时代，因此可以轻松获得大量的训练数据。
人工智能的数学
1.1.人工智能的兴起 然而，人工智能并不是一个新现象。事实上，早在 1943 年，McCulloch 和 Pitts 就开始通过模仿人脑功能开发学习算法方法，通过连接并排列成多层的人工神经元形成人工神经网络。那时，他们就已经对人工智能的实现有了愿景。然而，社区并没有完全认识到神经网络的潜力。因此，第一波人工智能没有成功并消失了。1980 年左右，机器学习再次流行起来，那段时期有几个亮点。真正的突破以及随之而来的新一波人工智能浪潮出现在 2010 年左右，深度神经网络得到了广泛的应用。今天，这种模型可能被认为是人工智能的“主力”，在本文中我们将主要关注这种方法。深度神经网络的结构正是 McCulloch 和 Pitts 引入的结构，即无数连续的人工神经元层。今天，前几年的两个主要障碍也已消除；由于计算能力的大幅提升，训练数百层的深度神经网络是可行的，而且我们生活在数据时代，因此可以轻松获得大量的训练数据。