XiaoMi-AI文件搜索系统
World File Search System非人工
将技术接受模型应用于瑞典电信行业的人工智能决策
目的人工智能是研究的趋势领域之一。它已成功应用于包括电信行业在内的许多不同领域。本研究的目的是复制人工智能在医疗领域的应用研究，以了解人工智能在电信领域使用的类似挑战。 设计/方法/方法采用基于在线问卷的实证研究，收集了 190 份回复。第一作者比较了医疗领域使用的一般技术接受模型框架，并将其与非人工智能用户进行比较。之后，本研究提出了最适合电信行业的改进 TAM 模型。随后，本研究使用提出的改进模型比较人工智能和非人工智能用户，以了解电信领域对人工智能技术工具应用的接受度。 结果验证性因素分析表明，一般 TAM 模型拟合度足够，适用于医疗领域和电信领域。此外，使用 SEM 进行的假设检验得出结论：医疗行业中与 PU、PEU、SN、ATU 和 BI 相关的结构和变量之间的一般支持路径与电信行业不同。 研究局限性 结果基于电信行业一家较大公司的有限数据集，这可能会导致固有偏见。作者不确定问题中的“AI 技术工具”是否在所有受访者中都有共同的理解。 结果 TAM 模型不能在各个行业中推广。改进的模型已经用于电信行业，以分析用户的行为和对 AI 技术的接受度。已经提出了扩展模型，可以作为本研究的延续。
如何计算和更新 DRG 费率（OEI-09-00-00200
PPS 的一个关键部分是将医疗和外科服务分类为诊断相关组 (DRG)。DRG 将治疗特定疾病患者所需的服务（人工和非人工资源）“捆绑”在一起。DRG 支付率涵盖了大多数归因于患者护理的常规运营成本，包括常规护理服务、食宿以及诊断和辅助服务。19 CMS 根据向特定疾病患者提供护理（捆绑服务）的“平均”成本来制定支付率。DRG 费率并未明确包括直接医学教育成本、门诊服务或 Medicare B 部分涵盖的服务。20 2002 财政年度，有 499 个 DRG 的预期价格基于特定 DRG 下治疗患者所使用的平均资源。21
哪些技术是人工智能的核心？
本报告概述了一种新方法，并对人工智能最新进展的核心技术和应用进行了首次探索性分析。该研究使用与人工智能相关的关键词和技术类别，确定了 2000-18 年美国受保护的人工智能相关专利。其中，“核心”人工智能专利是根据其与人工智能相关的前向引用次数来选择的。分析发现，与其他（人工智能和非人工智能）专利相比，它们更具原创性和通用性，并且技术范围往往更广。与通用人工智能、机器人技术、计算机/图像视觉和识别/检测相关的技术一直被列为核心人工智能专利，而自动驾驶和深度学习最近变得更加突出。最后，核心人工智能专利往往会刺激人工智能相关领域的创新，尽管一些技术——可能是人工智能应用，如自动驾驶或机器人技术——似乎越来越多地为其自身领域的发展做出贡献。
如何计算和更新 DRG 费率 (OEI-09-00-00200
PPS 的一个关键部分是将医疗和外科服务分类为诊断相关组 (DRG)。DRG 将治疗特定疾病患者所需的服务（人工和非人工资源）“捆绑”在一起。DRG 支付率涵盖了大部分归因于患者护理的常规运营成本，包括常规护理服务、食宿以及诊断和辅助服务。19 CMS 根据向特定疾病患者提供护理（捆绑服务）的“平均”成本来制定支付率。DRG 费率未明确包括直接医学教育成本、门诊服务或 Medicare B 部分涵盖的服务。20 2002 财政年度，有 499 个 DRG 的预期价格基于特定 DRG 下治疗患者所使用的平均资源。21
人工智能算法在非专业用户医疗环境中的应用：CARTIER-IA 平台
机器学习、深度学习和其他相关人工智能方法等高级算法和模型的使用率不断增长，因为它们在不同环境中具有优势。其中一个环境是医学领域，因为这些算法可以支持疾病检测、图像分割和其他多项任务。然而，有必要组织和安排这些场景中涉及的不同数据资源，并解决数据源的异构性问题。这项工作介绍了 CARTIER-IA 平台：一个用于管理医疗数据和成像的平台。该项目的目标侧重于提供一个友好且可用的界面来组织结构化数据、可视化和编辑医学图像，并在存储的资源上应用人工智能算法。平台设计的挑战之一是简化这些复杂的任务，使非人工智能专业的用户无需进一步培训即可从人工智能算法的应用中受益。提供了平台内人工智能应用的两个用例，以及一个启发式评估来评估 CARTIER-IA 第一版的可用性。
利用深度复发神经网络的新型基于FPGA的意图识别系统
摘要：近年来，已经引入了基于非声音和非人工界面的监视和控制家庭环境的系统，以改善流动性困难的人的生活质量。在这项工作中，我们介绍了利用经常性神经网络（RNN）的这种新型系统的可重新实现和优化。在实现现实世界结果中所证明的是，在实施RNN时，FPGA被证明非常有效。尤其是，我们可重新发现的实现比执行参考推理任务的高端Intel Xeon CPU快150×。此外，与服务器CPU相比，所提出的系统在能量效率方面达到了300倍以上的改进，而在所报告的已达到的GFLOPS/W方面，它甚至超过了服务器量的GPU。本研究中讨论的工作的另一个重要贡献是，所证明的实施和优化过程也可以作为对实施RNN的推理任务的任何人的参考；我们的C ++代码是针对高级合成（HLS）工具量身定制的，这进一步促进了这一事实。
人工智能（AI）能否降低......的逻辑容量
您的年龄组是多少？ 您在工作中使用人工智能系统吗？ 您在日常任务中使用人工智能工具（例如虚拟助手、机器学习算法）的频率是多少？ 您主要使用哪种类型的人工智能？ 您是否认为人工智能降低了您在无人帮助的情况下解决问题的能力？ 您认为人工智能系统提高了您的批判性思维能力吗？ 人工智能如何影响了您的解决问题的能力？ 您对人工智能的依赖是否影响了您在非人工智能辅助任务中进行逻辑和批判性思考的能力？ 在教育环境中，您如何看待使用人工智能来辅助学习和决策？ 如果人工智能处理大多数逻辑任务，哪种认知能力可能会随着时间的推移而减弱？ 人工智能如何影响您参与需要深度逻辑思维的任务？ 您认为长期持续依赖人工智能会降低人类的整体逻辑能力吗？
为什么人工智能生成的内容标签规定未能达到要求
深度伪造 给深度伪造添加水印可能有助于识别一些人工智能生成的音频、照片和视频，但它并不能解决这些内容的创作和传播背后的恶意，尤其是在政治背景下。在政治领域，不良行为者可能会部署深度伪造，以虚假的方式展示公众人物说或做他们从未做过的事情，目的是左右舆论或影响选举。即使水印表明视频是人工智能生成的，这些人仍然可以传播它来误导观众，因为他们依赖许多人会忽视或误解水印的可能性。同样，当深度伪造的目的是让某人难堪或骚扰时，即使水印成功地提醒大多数人内容是由人工智能生成的，深度伪造仍可能达到其预期效果。此外，使用 GenAI 并不是制作看似逼真的欺骗性媒体的唯一方法。个人可以手动创建欺骗性媒体，例如录制虚假音频的语音模仿者，或使用非人工智能数字工具，例如照片编辑软件来创建误导性图像。
人工智能与就业：来自网上职位空缺的证据
我们研究了人工智能对劳动力市场的影响，使用了机构层面的空缺职位数据，其中包含了 2010 年以来美国几乎所有的在线空缺职位的详细职业信息。当机构员工从事的任务与当前人工智能能力兼容时，我们将机构归类为“人工智能暴露”。我们记录了 2010 年至 2018 年人工智能相关空缺职位的快速增长，这种增长不仅限于专业和商业服务以及信息技术部门，而且在人工智能暴露的机构中增长更为显著。人工智能暴露的机构正在以不同的方式取消列出一系列先前发布的技能的空缺职位，同时发布之前未列出的技能要求。机构层面的估计表明，人工智能暴露的机构正在减少非人工智能职位的招聘，同时扩大人工智能招聘。然而，我们发现人工智能暴露对职业或行业层面的就业或工资没有明显影响，这意味着人工智能目前正在部分任务中取代人类，但尚未对总体劳动力市场产生可察觉的影响。
支持分析人工智能影响的证据......
我们的分析提供了定量和定性的选择评估。为这项工作开发的定量模型将两个潜在的人工智能监管框架的影响与没有进一步的人工智能特定监管作为基准情景进行了比较。考虑的监管情景是：[1] 由英国中央人工智能特定监管机构监管和 [2] 对当前英国行业监管的变化以考虑人工智能特定风险。我们考虑了以下对人工智能业务的影响：（1）禁止某些人工智能系统；（2）人工智能企业对监管合规成本的反应；（3）消费者信任的变化及其对人工智能购买水平和共享数据意愿的影响；（4）监管对市场不确定性对人工智能投资水平的影响。我们还考虑了英国政府的监管成本以及开发内部人工智能产品的非人工智能公司所产生的成本。我们的定性评估讨论了对贸易的影响以及不同司法管辖区之间的监管差异将在多大程度上产生贸易摩擦。最后，我们讨论了替代形式的人工智能监管对防止有害结果的影响，例如社会操纵和受保护特征的歧视。