XiaoMi-AI文件搜索系统
World File Search System第一人称
关于人工智能生成的文章以及其潜在风险和好处的一些注释。
从下面的内容中选取任意一段文本，这可能是一个有趣的实验 - 尤其是您怀疑的文本是否由没有明确语法理解、没有定义词典或同义词库类型的表格来查找要解释的单词的语言模型生成 - 选取任何这样的文本并将其粘贴到搜索引擎中。您会发现，AI 不仅仅是重复它在互联网上找到的文本片段；相反，它根据对前一个标记之后最有可能出现的标记的预测来生成“标记”（字符、字符串、“单词”），并按照指示尽可能长时间地重复。我所认识的最接近回收材料的东西是它对威廉·吉布森的“未来已经到来”的（错误）引用。它只是还没有均匀分布”，它也错误地归因于此（对 John Cusak 来说，真搞笑）。此外，在阅读时，重要的是要记住，虽然人工智能生成的文本大部分是第一人称，但说话的不是我，而是机器。
陆军需要快速适应战术无人机战争
出于本文的目的，我将“战术无人机战争”定义为使用国防部 1-3 组具有动能能力的 sUAS。3 这些系统分为三个不同的类别：改进的商用现货 (COTS) 无人机、第一人称视角 (FPV) 无人机和巡飞弹 (LM)。此外，我将“战术编队”描述为旅/团级及以下组织，专门为进攻和防御性大规模作战行动而组织。俄乌战争和第二次纳戈尔诺-卡拉巴赫战争中的战术编队已经证明了 sUAS 在消耗机械化和机动化编队、摧毁指挥所和压制火力支援系统方面的有效性。4 在战术层面的作战行动中使用致命的 sUAS 已显著影响机械化和机动化编队的战术、技术和程序，并正在改变军队的作战方式。5 世界各地的军队都在进行调整和重组，以将 sUAS 无缝纳入其战术编队。6-7
利用虚拟工作环境减少隐性性别偏见
摘要 隐性性别偏见会给职场女性带来代价高昂且复杂的后果，许多女性报告称自己遭受了性别微侵犯，这导致她们被忽视或不尊重。我们呈现了一个在线桌面虚拟环境，从第一人称视角讲述了男性或女性自我形象的故事，他们要么经历积极要么消极的工作场景。消极场景包括许多来自性别微侵犯分类的例子。与拥有男性自我形象的参与者相比，与女性自我形象有过消极职场体验的参与者的隐性性别偏见水平显著降低。有证据表明，在消极条件下，女性自我形象表现出同理心和观点采择。无论自我形象的性别如何，积极的职场场景体验都没有表明隐性性别偏见显著减少。我们讨论了这些发现的含义，并就减少隐性偏见提出了虚拟环境技术和场景的建议。
人工智能系统、责任和代理......
摘要 本文探讨了这样一种说法：人工智能系统不能承担道德责任，因为它们不具备主体自我意识的能力，即它们无法意识到自己是某一行为的主体。主要观点是，如果主体自我意识和相关的第一人称表征以自我意识为前提，那么负责任的人工智能系统的可能性就不能独立于对自我本质的研究来评估。本文着眼于现象学传统中对自我的一个具体论述，提出人工智能系统要具备自我意识必须满足的一个最低必要条件是拥有一种最低限度的自我，即“所有权意识”。由于这种所有权意识通常与拥有生命体有关，因此有人认为人工智能系统必须拥有类似的生命体，这样才能拥有自我意识。通过讨论机器动物作为人工智能系统具有自我意识的可能性的例子，该论文得出结论：人工智能系统具有“所有权意识”或自我意识的可能性可能是承担责任的必要条件。
工作活动的内省式访谈：在核工业案例研究中应用主观数字民族志
摘要 主观证据民族志（SEBE）是数字民族志中发展起来的一系列方法，用于社会科学调查，基于第一人称视角的主观音频和视频记录。记录用于自我对质（收集主观经验、讨论发现和最终解释）。一些应用 SEBE 方法的研究提到“内省”是自我对质过程中发生的一个过程，并在没有提供其发生的证据的情况下对其进行了讨论。本文旨在阐明内省及其在 SEBE 中的发生。在回顾了有关内省的文献之后，通过案例研究分析、描述和说明了 SEBE 中的内省过程。提出了 SEBE 中发生内省的条件和相关机制：研究发现，间接内省实际上可能发生，但并不频繁，并且可以被忽视而不会降低分析的质量。在访谈期间或访谈后对内省的精细分析并未被认定为活动分析的附加值。
游戏玩家和非游戏玩家的反应时间和认知能力......
研究表明，第一人称射击游戏 (FPS) 有助于提高人的认知能力 (2)。在一项特定研究中，研究人员调查了玩电子游戏如何影响手眼协调能力以及多任务处理能力。实验对 50 人进行了研究，这些人被分成两组：25 名经常玩游戏的人和 25 名不玩游戏的人。第 1 组（游戏玩家组）在每次测试之前和测试之间玩游戏，而第 2 组（所有不玩游戏的人）只是在测试之间短暂休息。该测试模拟了计算机上的工作以测量多任务处理能力。研究人员的假设得到了证据的支持，测试分数存在显著差异，这表明电子游戏与人的认知技能和能力有直接关系 (2)。虽然两组的分数都随着时间的推移而增加，但游戏组的整体表现要好得多。这项研究的一个挑战是确定电子游戏是否真的有助于提高这些技能，或者多任务处理能力较强的人是否也对游戏感兴趣。
拟人化和AI炒作-UCL Discovery
人类对拟人化的天生倾向。我们不禁以独特的人类方式思考非人类，在非人类中“看到”类似人类的特征，并做出相应的反应[1]。，但是这些推论可能会产生误导。推断我们回家时很高兴见到我们是很安慰的，也许很自然。这样的推论对于我们的宠物狗来说似乎是合理的。，但对我们的宠物岩石来说却不太如此。随着复杂的AI的出现，技术人工制品的拟人化已经变得广泛[2，3]。这不是最不重要的，因为这种技术通常被设计为像人类一样。的确，在许多情况下，这就是推动他们成功的原因。流行的基于LLM的Convertion App replika获得了知名度，因为它对用户感到与人交谈的感觉。replika用户认为他们的replika具有某些人类属性，例如情感的能力（例如，爱情，欲望，狂热，善良和悲伤）。这部分是因为聊天机器人伴随着类似人类的头像。，这也是因为它有能力维持人级对话并使用第一人称代词，Ben Schneiderman和Micheal Muller对[4]批评了GPT-4。
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。
智力作为意识的度量
最近，许多主张意识作为基本底物的方法已经引起了人们的关注，包括综合信息理论和有意识的现实主义。实际上，Chalmers（Chalmers，1996）提出了一个泛心理学家的案例，即意识是现实的一个基本方面，与以下论点保持一致：所有形式的物理主义（Kim，2005年）（Kim，2005）都需要一种泛心理主义的形式（Strawson，2006年），其所有事物都必须是现实的。其他形式的唯心主义一直在出现，包括量子唯心主义（Stapp，1993）（Stapp，2009年），它为第一人称视角，有意识的现实，客观的唯心主义提出了量子机械基础（Goff，2019），揭示了宇宙的意识，并且具有个人意识的实例，并且是个人意识的实例。Additionally, based on a broad overview of existing consciousness literature, it is possible to make an argument that a complex interplay of language vagueness and epistemic uncertainty precludes the imminent panpsychist conclusion by which the fundamental building blocks of the universe—the coupled information which comprises it, be they represented as particles, waves or states—are quanta of consciousness (Ševo, 2023).
4DIFF：第三到第一个观点的3D引用扩散模型...
摘要。我们提出了4DIFF，这是一个解决Exo-to-ego视图转换任务的3D引起的扩散模型 - 从相应的第三人称（Exentric）图像中生成第一人称（Ego-go-Imentric）查看图像。建立扩散模型生成光地式图像的能力，我们提出了一个基于变压器的扩散模型，该模型通过两种机制对几何学进行了评分：（i）Egocentric Point Cloud Rasterization和（II）3D意识到的旋转旋转交叉注意。以中心的点云栅格化将输入外向图像转换为以自我为中心的布局，后者随后被扩散图像变压器使用。作为扩散变压器的DeNoiser块的组成部分，3D感知的旋转跨注意事件进一步结合了从源exentric视图中的3D信息和半出现特征。我们的4DIFF在挑战性和多样化的自我exo4d多视图数据集上实现了状态的结果，并展示了对训练期间未遇到的新型环境的强大概括。我们的代码，处理过的数据和预处理的模型可在https://klauscc.github.io/4diff上公开获取。