XiaoMi-AI文件搜索系统
World File Search System炒作
让人工智能远离自我炒作：了解机器学习的益处和挑战
本文比较了不同的船舶性能建模方法，目的是找到最适合运营优化的建模技术。特别强调了机器学习等数据驱动方法的潜力和挑战。与中午报告相比，使用基于传感器数据的数据驱动方法的附加值是量化的。除了行业标准方法之外，还提出了一种基于物理信息机器学习的新方法，称为“船舶内核”。船舶内核在短期准确性方面优于此处考虑的其他方法。这使它们成为需要对广泛条件进行预测的运营优化（例如路线和速度优化）的理想构建块。与其他方法相比，船舶内核具有出色的长期准确性，使其成为性能监控用例（例如与船体和螺旋桨性能相关的维护计划）的宝贵工具。本文最后对机器学习操作化面临的挑战进行了总体评论和警告。
人工智能创业与资源调动
炒作往往伴随着新技术，例如，近年来，出现了各种激进的技术，它们彻底改变了现有市场，并有望带来“增强型”未来。其中包括互联网时代、加密货币和非同质化代币 (NFT)，甚至最近的人工智能 (AI)。随着围绕人工智能影响的兴奋感不断扩大，蓬勃发展的人工智能融资数量惊人，预计到 2023 年将达到 979 亿美元。然而，尽管这些人工智能公司做出了许多承诺和期望，但困扰投资者和利益相关者的一个主要威胁是，他们失望地意识到，到头来，这只是炒作！因此，我们回顾一下，以了解炒作产生的原因。通过研究人工智能公司的样本，我们会问为什么以及如何产生炒作？被炒作的企业是如何估值的？哪些因素影响这种估值？
在课堂上应对人工智能炒作：ChatGPT 和公平优先的语言学教学法
LLM 的发展与语言学有关，但通常仅涉及极少的语言学知识（Bender 等人，2021 年）。尽管在人工智能发展的新阶段取得了许多飞跃，但 NLP 和 NLU 对我们通过人类语言命令与计算机通信的能力的提高最为重要。通过向学生展示生成式人工智能工具背后的计算语言学过程及其局限性，我们打破了人们的幻想，即这些技术确实是独立学习的智能或可靠替代品。
人工智能在检测、诊断和流行病学领域对抗击 COVID-19 的前景：超越炒作
COVID-19 造成了巨大的痛苦，影响了人们的生活，甚至导致死亡。这种冠状病毒传播的容易程度暴露了世界各地许多医疗保健系统的弱点。自疫情出现以来，世界各地的许多政府、研究团体、商业企业和其他机构和利益相关者一直在以各种方式努力遏制疾病的传播。科学技术帮助许多政府实施了旨在减轻疫情影响以及诊断和治疗疾病的政策。最近的技术工具，尤其是人工智能 (AI) 工具，也被用于追踪冠状病毒的传播、识别高死亡风险的患者和诊断患者是否患有该疾病。本文讨论了人工智能技术在检测、诊断和流行病学预测、预报和社会控制中用于对抗 COVID-19 的领域，重点介绍了成功应用的领域，并强调了在抗击 COVID-19 和未来疫情方面取得重大进展需要解决的问题。目前已开发出多种使用医学成像方式（例如胸部 CT 和 X 射线图像）诊断 COVID-19 的 AI 系统。这些 AI 系统主要在图像分割、分类和疾病诊断算法的选择上有所不同。其他基于 AI 的系统则专注于预测 COVID-19 的死亡率、患者的长期住院率和患者预后。AI 在抗击 COVID-19 大流行方面具有巨大潜力，但迄今为止这些基于 AI 的工具在实际应用中的成功部署受到限制，原因是数据可访问性有限、需要对 AI 模型进行外部评估、AI 专家对医疗领域 AI 工具部署的监管环境缺乏认识、临床医生和其他专家需要在多学科背景下与 AI 专家合作，以及需要解决公众对数据收集、隐私和保护的担忧。拥有一支在医疗数据收集、隐私、访问和共享方面具有专业知识的专业团队，使用联邦学习，即人工智能科学家将训练算法交给医疗机构在本地训练模型，并充分利用存储在生物库中的生物医学数据，可以缓解这些挑战带来的一些问题。应对这些挑战
超越炒作：在科技、媒体和电信领域挖掘 AI 和 gen AI 的潜力
生成式人工智能 (gen AI) 的出现，对于希望引领组织走向未来的领导者来说，既是挑战，也是重大机遇。机会有多大？麦肯锡研究估计，gen AI 每年可为经济增加 2.6 万亿至 4.4 万亿美元，同时将所有人工智能的影响提高 15% 至 40%。在技术、媒体和电信 (TMT) 领域，新一代 AI 用例预计将产生 3800 亿至 6900 亿美元的影响——电信领域为 600 亿至 1000 亿美元，媒体领域为 800 亿至 1300 亿美元，高科技领域为约 2400 亿至 4600 亿美元。事实上，在未来三年内，任何与 AI 无关的东西似乎都可能被视为过时或无效的。
非小细胞肺癌中的组蛋白脱乙酰基酶抑制：炒作还是希望？
表观遗传调节，包括乙酰化，甲基化，磷酸化和泛素化，在基因表达的调节中起关键作用。组蛋白乙酰化 - 组蛋白乙酰转移酶（HATS）和组蛋白脱乙酰基酶（HDAC）的活性之间的平衡 - 是关键的表观遗传事件之一。我们对HDAC在癌症中的作用的理解正在发展。许多HDAC同工酶在多种恶性肿瘤中过表达。异常组蛋白乙酰化与肿瘤抑制基因失调有关，导致几种实体瘤和血液学恶性肿瘤的发展。临床前研究表明，HDAC-1基因表达与肺癌进展有关。组蛋白低乙酰化与肺腺癌中更具侵略性的表型有关。HDAC抑制剂（HDACI）具有多效细胞作用，并诱导凋亡基因/蛋白质的表达，导致细胞分化和/或细胞周期停滞，抑制血管生成，并抑制过渡到间质表型。 因此，用HDACI治疗在非小细胞肺癌（NSCLC）细胞系中显示出抗增殖活性。 尽管在临床前研究中有希望的结果，但HDACI在肺癌临床试验中仅显示出适度的单药活性。 HDAC激活被认为是引起化学疗法，分子靶向治疗和免疫检查点抑制的机制之一。 因此，将HDACI与这些试剂相结合以增强其效率或反向抵抗力的兴趣越来越大。HDAC抑制剂（HDACI）具有多效细胞作用，并诱导凋亡基因/蛋白质的表达，导致细胞分化和/或细胞周期停滞，抑制血管生成，并抑制过渡到间质表型。因此，用HDACI治疗在非小细胞肺癌（NSCLC）细胞系中显示出抗增殖活性。尽管在临床前研究中有希望的结果，但HDACI在肺癌临床试验中仅显示出适度的单药活性。HDAC激活被认为是引起化学疗法，分子靶向治疗和免疫检查点抑制的机制之一。因此，将HDACI与这些试剂相结合以增强其效率或反向抵抗力的兴趣越来越大。在本文中，我们回顾了在NSCLC中使用HDACI的可用临床前和临床证据。我们还审查了排除HDACI作为癌症疗法和未来方向的广泛临床实用性所面临的挑战。
超越炒作：对生成AI研究，教学实践和工具的当前趋势的全面回顾
生成的AI（Genai）正在迅速发展，计算教育中的文献几乎正在扩大。对Genai工具的初始赞助是在恐慌和乌托邦式的乐观主义之间混合的。许多人迅速指出了Genai的机会和挑战。研究人员报告说，这些新工具能够解决大多数入门编程任务，并在整个课程中造成干扰。这些工具可以编写和解释代码，增强错误消息，为讲师创建资源，甚至为像传统助教这样的学生提供反馈和帮助。2024年，新的研究开始对计算教室中Genai使用的影响产生。这些新数据涉及使用Genai来大规模支持课堂教学，并教学生如何与Genai进行编码。为了支持前者，新的工具正在出现，可以向学生提供个性化的反馈，以完成他们的编程任务，或同时教授编程和提示技能。随着文献的扩展如此迅速，本报告
Gartner的2010年炒作周期特别报告评估了1,800个技术的成熟度（10月10日）
·增强现实，上下文和现实世界网络。Web现象的迁移以及一般的技术 - 超越桌面并进入人们日常生活的背景，为个性化和上下文意识到的信息访问创造了新的机会。增强现实是移动空间中的热门话题，在iPhone和Android平台上具有平台和服务，它代表下一代，因为位置吸引的应用程序朝着高原移动。其他元素，例如4G标准，传感器网络和上下文交付体系结构的发展速度较慢，但将在扩展其在物理世界中的影响方面发挥关键作用。
超越炒作的元宇宙：多学科视角下的新兴挑战、机遇以及研究、实践和政策议程
Yogesh K. Dwivedi a , b , * , Laurie Hughes a , Abdullah M. Baabdullah c , Samuel Ribeiro-Navarrete d , Mihalis Giannakis e , Mutaz M. Al-Debei f , g , Denis Dennehy h , Bhimaraya Metri i , Dimitrios Buhalis j , 1 , 克里斯蒂 M.K.张 k , 1 , Kieran Conboy l , 1 , Ronan Doyle m , 1 , Rameshwar Dubey n , o , 1 , Vincent Dutot p , 1 , Reto Felix q , 1 , D.P. Goyal r , 1 , Anders Gustafsson s , 1 , Chris Hinsch t , 1 , Ikram Jebabli u , 1 , Marijn Janssen v , 1 , Young-Gab Kim w , 1 , Jooyoung Kim x , 1 , Stefan Koos y , 1 , David Kreps z , 1 , Nir Kshetri aa , 1 , Vikram Kumar ab , 1 , Keng-Boon Ooi ac , ad , ae , 1 , Savvas Papagiannidis af , 1 , Ilias O. Pappas ag , ah , 1 , Ariana Polyviou ai , 1 , Sang-Min Park aj , 1 , Neeraj Pandey ak , 1 , Maciel M. Queiroz al , 1 , Ramakrishnan Raman , 1 , Philipp A. Rauschnabel , 1 , Anuragini Shirish ao , 1 , Marianna Sigala ap , aq , 1 , Konstantina Spanaki ar , 1 , Garry Wei-Han Tan , at , 1 , Manoj Kumar Tiwari音频 , 音频 , 1 , Giampaolo Viglia aw , ax , 1 , Samuel Fosso Wamba ay , 1