XiaoMi-AI文件搜索系统
World File Search System论证
量子概率是认识论证的客观程度
这一学说的本质是将量子概率解释为主观的。也就是说，QBist 概率并不反映相对频率、客观机会或其他物理概率概念；它们更倾向于量化个人主观的信念程度。QBist 概率的主观性可以通过赋予概率 1 语句的含义来说明。如果 QBist 代理以概率 1 预测实验结果，这并不意味着该未来结果的物理状态；特别是，它并不意味着结果必然会实现，也不意味着所讨论的结果已经存在于外部世界中，等待被揭示。唯一的暗示是代理完全相信会找到所讨论的结果。这是关于她或他的期望的事实，而不是关于物理世界的事实。（Dieks 2022，3f。）
论证引出的支持：两份工业报告
生产过程的结果通常伴随着一系列论证，这些论证可能取决于产品、过程相关的质量、可追溯性文档、产品相关的实验、测试或专家报告等。在关键情况下，必须证实产品的开发已经得到适当实施，这会导致论证文档数量的膨胀。如此大量的文档和信息难以管理，也难以评估（就健全性而言）。在本文中，我们报告了在两个工业案例研究中获得的经验，在这些案例研究中，我们应用了基于论证图和论证模式图的论证引出方法，以确定必要且充分的论证文档。
AI 生成的论证有多有说服力？GPT-3 AI 文本生成器生成的论证文本质量分析
摘要。在本文中，我们使用伪算法程序来评估人工智能生成的文本。我们应用自然论证综合评估程序 (CAPNA) 来评估人工智能文本生成器 GPT-3 在《卫报》撰写的一篇评论文章中产生的论点。CAPNA 从三个方面检查论证实例：其过程、推理和表达。使用论证类型识别程序 (ATIP) 进行初步分析，首先确定存在论证，其次根据论证周期表 (PTA) 的论证分类框架确定其具体类型。然后使用程序问题来测试论证在三个方面中的可接受性。分析表明，虽然人工智能文本生成器提出的论证在类型上各不相同，并且遵循人类推理的熟悉模式，但它们存在明显的弱点。由此我们可以得出结论，自动生成有说服力的、合理的论证比生成有意义的语言要困难得多，并且如果要使人工智能系统提出的论证具有说服力，它们就需要一种方法来检查其自身输出的合理性。
高等教育中人工智能素养课程的论证和路线图
在本文中，我提出了在高等教育中实施人工智能素养课程的理由。我探讨了围绕人工智能技术的道德问题和偏见，强调了批判性分析和负责任地使用人工智能的重要性。然后，我提出了一个概念框架，重点关注人工智能的意识、技能发展和实际应用。该框架旨在促进全面理解，并使学生能够充分利用人工智能的潜力，同时降低风险。我还提供了示例课程名称和学习目标。建议的课程形式涵盖人工智能概念、道德考虑、偏见意识和实用的即时工程技能。有必要将人工智能素养课程整合到高等教育课程中，我提供了实施路线图。通过让学生掌握人工智能素养，大学可以让学生为负责任地驾驭人工智能驱动的世界做好准备，同时培养未来成功所需的创新和批判性思维技能。
可解释机器学习的溯因和论证：立场调查 ∗
本文介绍了两种原则性的推理形式：溯因推理和论证推理，并阐述了它们在机器学习中可以发挥的基本作用。本文回顾了过去几十年来关于这两种推理形式与机器学习工作的联系的最新成果，并由此阐述了溯因推理和论证推理的解释生成作用如何使它们成为可解释机器学习和人工智能系统开发的自然机制。溯因推理通过数据的转换、准备和均质化来促进学习，从而为实现这一目标做出了贡献。论证作为传统演绎推理的保守扩展，为学习提供了一种灵活的预测和覆盖机制——一种与所学知识相关的目标语言——它明确承认在学习的背景下，需要处理与任何经典逻辑理论不相容的不确定、不完整和不一致的数据。
美国能源部 2025 财年预算论证第 4 卷
颁布 (1)、(2)、(3) 年度化 CR 总统预算 (4) $ % 能源部拨款预算 能源效率和可再生能源 3,460,000 3,460,000 3,118,000 -342,000 -9.9% 电力 350,000 350,000 293,000 -57,000 -16.3% 网络安全、能源安全和应急响应 (270) 200,000 200,000 200,000 0 0.0% 战略石油储备 207,175 207,175 241,169 +33,994 +16.4% 海军石油和油页岩储备 13,004 13,004 13,010 +6 +0.0% SPR 石油账户 100 100 100 0 0.0% 东北家庭取暖油储备 7,000 7,000 7,150 +150 +2.1% 石油储备办公室 227,279 227,279 261,429 +34,150 +15.0% 核能（270） 1,623,000 1,623,000 1,440,660 -182,340 -11.2% 化石能源和碳管理 890,000 890,000 900,000 +10,000 +1.1% 铀浓缩净化和退役（UED&D） 879,052 879,052 854,182 -24,870 -2.8% 能源信息署 135,000 135,000 141,653 +6,653 +4.9% 非国防环境清理 358,583 358,583 314,636 -43,947 -12.3% 科学 8,100,000 8,100,000 8,583,000 +483,000 +6.0% 技术转型办公室 22,098 22,098 27,098 +5,000 +22.6% 清洁能源示范办公室 89,000 89,000 180,000 +91,000 +102.2% 联邦能源管理计划 0 0 64,000 +64,000 N/A电网部署办公室 0 0 101,870 +101,870 N/A 制造与能源供应链办公室 0 0 113,350 +113,350 N/A 州和社区计划办公室 0 0 574,000 +574,000 N/A 高级研究计划局 - 能源 470,000 470,000 450,000 -20,000 -4.3% 核废料处理基金 10,205 10,205 12,040 +1,835 +18.0% 部门管理 283,000 283,000 334,671 +51,671 +18.3% 印度能源政策与计划 75,000 75,000 95,000 +20,000 +26.7% 监察长 86,000 86,000 149,000 +63,000 +73.3% 第 17 条创新技术贷款担保计划 -136,018 -71,362 -184,558 -48,540 +35.7% 先进技术汽车制造贷款计划 9,800 9,800 27,508 +17,708 +180.7% 部落能源贷款担保计划 4,000 4,000 6,300 +2,300 +57.5% 信贷计划总计 -122,218 -57,562 -150,750 -28,532 +23.3% 能源项目 221,969 221,969 0 -221,969 -100.0%关键和新兴技术 0 0 5,000 +5,000 N/A 能源计划总计 17,357,968 17,422,624 18,061,839 +703,871 +4.1% 武器活动 17,116,119 17,116,119 19,848,644 +2,732,525 +16.0% 国防核不扩散 2,490,000 2,490,000 2,465,108 -24,892 -1.0% 海军反应堆 2,081,445 2,081,445 2,118,773 +37,328 +1.8% 联邦工资和费用 475,000 475,000 564,475 +89,475 +18.8% 国家核安全局总计 22,162,564 22,162,564 24,997,000 +2,834,436 +12.8% 国防环境清理 7,025,000 7,025,000 7,059,695 +34,695 +0.5% 其他国防活动 1,035,000 1,035,000 1,140,023 +105,023 +10.1% 国防铀浓缩 D&D 586,035 586,035 384,957 -201,078 -34.3% 环境和其他国防活动总计 8,646,035 8,646,035 8,584,675 -61,360 -0。7% 核能 (050) 150,000 150,000 150,000 0 0.0% 原子能防御活动总计 30,958,599 30,958,599 33,731,675 +2,773,076 +9.0% 东南电力管理局 0 0 0 0 N/A 西南电力管理局 10,608 10,608 11,440 +832 +7.8% 西部地区电力管理局 98,732 98,732 100,855 +2,123 +2.2% 猎鹰和阿米斯塔德运营和维护基金 228 228 228 0 0.0% 科罗拉多河流域电力营销基金 0 0 0 0 N/A 电力营销管理局总计 109,568 109,568 112,523 +2,955 +2.7% 联邦能源管理委员会 0 0 0 0 N/A 能源和水资源开发及相关机构总计 48,426,135 48,490,791 51,906,037 +3,479,902 +7.2% 天然气储备出售 0 0 -95,000 -95,000 N/A 超额费用和回收，FERC -9,000 -9,000 -9,000 0 0.0% 第十七章贷款担保。计划第 1703 节负信用补贴收入 -14,000 -14,000 -2,051 +11,949 -85.4% UED&D 基金抵消额 -586,035 -586,035 -384,957 +201,078 -34.3% 拨款自由支配资金 47,817,100 47,881,756 51,415,029 +3,597,929 +7.5%
HiTZ@Antidote：基于论证的可解释人工智能，助力数字医疗
摘要 基于机器学习为人工智能预测提供高质量的解释是一项具有挑战性和复杂性的任务。要使它发挥作用，除其他因素外，它还需要：选择适当的解释的普遍性/特异性水平；考虑解释受益者对所考虑的人工智能任务的熟悉程度的假设；参考有助于决策的具体因素；利用可能不属于预测过程的额外知识（例如专家证据）；并提供支持负面假设的证据。最后，系统需要以一种清晰可解释且可能令人信服的方式制定解释。考虑到这些因素，ANTIDOTE 培育了可解释人工智能的综合愿景，其中深度学习过程的低级特征与适合人类论证能力的高级方案相结合。ANTIDOTE 将利用深度学习和论证的跨学科能力来支持更广泛和创新的可解释人工智能观点，其中对临床病例审议的高质量解释至关重要。作为该项目的第一个成果，我们发布了 Antidote CasiMedicos 数据集，以促进可解释人工智能的总体研究，特别是医学领域的论证。
简单性假设和模拟论证对我们文明的一些启示
根据对模拟论证最常见的解释，我们很可能生活在祖先模拟中。有趣的是，在所有模拟空间中，某些模拟家族是否比其他模拟家族更有可能出现。我们认为，计算复杂性给出了一个自然的概率度量：更简单的模拟更有可能运行。值得注意的是，这使我们能够从我们生活在模拟中的事实中提取实验预测。例如，我们表明，人类很可能无法实现星际旅行，人类也不会在宇宙中遇到其他智慧物种，从而解释了费米悖论。另一方面，任何这些预测的实验证伪都将构成反对我们的现实是模拟的证据。
理性行动理论背景下的中文房间论证
大约四十年前（1980 年），美国哲学家约翰·塞尔在他的论文《思想、大脑和程序》（Searle：1980）中发表了他对他所谓的强人工智能（人工智能）论题的著名驳斥，塞尔声称“经过适当编程的计算机确实具有认知状态，程序因此可以解释人类认知”（Searle：1980，417）。正如他所写，塞尔的论文的直接收件人是 R. Shank 和 R. Abelson 的研究（Shank，Abelson：1977，248），他们的作者声称他们设法创建了一个能够理解人类故事含义的计算机程序。例如，关于一个故事：“一个人去一家餐馆点了一个汉堡包；当汉堡包送来时发现它被烧焦了，这个人愤愤不平地离开了餐馆，没有付钱。”问题是：“他吃了汉堡包吗？”“适当”编程的计算机回答很可能没有。在他的文章中，Searle 既没有分析 Shank 和 Abelson 使用的测试计算机的程序，也没有分析他们程序的运行原理。他提出了一个问题，当计算机没有相应的视觉、嗅觉和味觉体验时，是否可能谈论理解，因为计算机无法知道“汉堡包”、“烧焦”等词的含义。正如 Searle 所相信的，Shank 和 Abelson 进行的人工智能研究遵循了 A. Turing 众所周知的测试范式，根据该测试，计算机对“人类答案”的令人满意的模仿与人的合理答案相似。在图灵测试中，扮演专家角色的人以硬拷贝格式提出问题，并以同样的方式从两个他看不见的对话者那里得到答案，其中一个是人，另一个是专门编程的计算机。根据图灵的说法，令人满意地通过测试的标准是，专家在五分钟的调查后，在不超过 70% 的情况下识别出计算机（图灵：1950，441），图灵认为这可以相信计算机具有思考能力。
2020 财年预算论证和绩效信息，秘书处
内政部与数亿人息息相关，在西部社区和国民经济中发挥着积极作用。每年，有 18,000 名牧场主在土地管理局 (BLM) 的牧场上放牧；47,000 名美国原住民儿童在印第安人教育局 (BIE) 的学校接受教育；数十万个工作岗位依赖于 BLM 的陆上能源计划；数百万人参观国家野生动物保护区打猎、钓鱼和观赏野生动物；我们的国家公园接待了超过 3.3 亿游客，支持了估计 358 亿美元的经济产出。该部门管理着美国每 5 英亩土地中的 1 英亩，涉及每个州、部落和阿拉斯加原住民社区和领地，并支持美国经济的几乎每个方面。