XiaoMi-AI文件搜索系统
World File Search System黄金时代
肽药物发现的趋势
肽疗法的领域始于1922年，首次从动物胰腺中提取的胰岛素首次医学使用 - 彻底改变了1型糖尿病的治疗（图1）。在合成产生的肽激素（即催产素和加压素）进入诊所之前已过去的四十年。工业团体，例如CIBA的Robert Schwyzer和Sandoz的Charles Huguenin进入了该领域，并增加了对肽作为治疗学的商业兴趣。当时，通过溶液相化学的合成需要数月的工作，并且在1963年发明了固相肽合成（SPP）（参考文献1），结合纯化方法（例如高性能液相色谱法）的开发，以吸引制药行业的大大关注。很快，肽作为关键生物学介体的重要性，以及它们的显着效力，选择性和低毒性。同时确定了它们的局限性，包括低口服生物利用度，低血浆稳定性和较短的循环时间。这些发展发生在批准时的黄金时代（1970年至1980年代）的小分子药物
为平台经济改造劳动法
1. Bijan Stephen，YouTube 称不会与 YouTubers 联盟谈判，V ERGE（2019 年 8 月 26 日，下午 12:55），https://www.theverge.com/2019/8/26 /20833315/youtube-union-youtubers-negotiate-germany-meeting（列出了创作者的诉求，包括“小型频道的盈利；如果要删除频道，有权与真人交谈；透明的审核决定；结束非货币化；终止 Google Preferred，即向创作者提供广告钱的不同系统；并明确内容审核规则”）。 2. Julia Alexander，《YouTube 的黄金时代结束了》，V ERGE（2019 年 4 月 5 日上午 9:31），https://www.theverge.com/2019/4/5/18287318/youtube-logan-paul-pewdiepie-demonetization-adpocalypse-premium-influencers-creators（由于 YouTube 热门频道上发布了一系列不敏感或露骨的帖子，广告商纷纷退出 YouTube，部分原因是担心推广这些内容，这促使 YouTube 创建算法，要求视频满足特定标准，例如播放时间更长，才能通过广告获利）。
CRISPR 基础手册
Cas 酶是细菌免疫系统的一部分，可将短的病毒 DNA 序列整合到细菌基因组中。这是一个复杂的过程，尚未完全了解 [ 3 ]。人们所熟知的是，这些病毒序列在细菌基因组中以规则的间隔排列，彼此相距很短。这些序列之间的细菌 DNA 具有回文重复模式，因此得名，即成簇的规则间隔的短回文重复序列。整合的病毒 DNA 序列可以在需要时翻译成向导 RNA (gRNA)——也就是说，如果同一种病毒试图再次感染细菌，CRISPR 系统可以通过使用 gRNA 和 Cas 酶切割入侵的病毒 DNA。细菌免疫过程的最后一步是将 gRNA 与 Cas 结合并切割目标 DNA，这是实验室中用于基因组编辑的方法。随着 CRISPR 技术触手可及，我们进入了基因组工程的黄金时代。
体育博彩的机器学习：模型选择是否应该基于准确性或校准？
体育博彩最近在美国的联邦合法化与机器学习的黄金时代相吻合。如果投注者可以利用数据来可靠地预测结果的概率，他们可以认识到博彩公司的赔率何时对其有利。作为体育博彩仅是美国一个数十亿美元的行业，因此确定这种机会可能非常有利可图。许多研究人员将机器学习应用于运动结果预测问题，通常使用准确性来评估预测模型的性能。我们假设对于运动博彩问题，模型校准比准确性更重要。为了检验这一假设，我们在几个季节中对NBA数据进行了训练，并在单个季节进行了投注实验，并使用已发表的赔率进行了培训。我们表明，使用校准而不是准确性，作为模型选择的基础会导致更大的回报（投资回报率为 + 34.69％对-35.17％）和最好的情况（ + 36.93％对 + 5.56％）。这些发现表明，对于体育博彩（或任何概率决策问题），校准比准确性更重要。希望增加利润的体育投篮者应基于校准而不是准确性选择其预测模型。
神经科学和生物行为评论
作为一项学术追求，神经科学正处于黄金时代。从临床角度来看，我们的领域正在走向失败。传统的 20 世纪药物和设备与产生异常心理状态和行为的神经回路的异质性、规模和连通性并不匹配。基于实验室的编辑神经基因组和塑造活动模式的方法令人兴奋，但它们对数亿精神健康障碍患者的应用尚不确定。我们认为，调节成人大脑可塑性和重塑病理活动的机制基本上是预先设定的，我们建议采用新的微创策略来利用和指导这些内源性系统。根据神经科学文献中的研究，我们描述了识别与紊乱行为状态的上游原因（而不是下游后果）更密切相关的神经生物标志物的方法。我们强调了逆向工程方法的创新和发现潜力，这些方法可以改进定制的行为“激动剂”，以推动上游神经生物标志物朝着规范方向发展，并减少某些类别的神经精神疾病的临床症状。
耐药结核病的已知分子和靶点
尽管过去 20 年来结核病 (TB) 药物研发工作再度蓬勃开展，但针对耐药性结核病具有明确效用的新药和候选药物相对较少。在同一时期，围绕靶标值的技术进步和学习取得了重大进展。这为重新评估优化之前发现的针对结核分枝杆菌 (M.tb) 的化学物质的潜力以及重新考虑受到耐药性阻碍的临床验证靶标提供了机会。对“抗生素黄金时代”废弃化合物和程序的重新评估产生了针对结核病的新支架和靶标以及之前未被发现的对结核病具有未被重视效用的类别，例如 β-内酰胺类。利用已验证的类别和靶标也取得了成功：增强技术和阻止效用的努力提高了乙硫异烟胺和壮观霉素类药物的潜力。多项旨在挽救高价值靶点并避免交叉耐药性的计划正在取得进展。这些尝试充分利用已知的类别、药物和靶点，补充了针对新靶点发现新化学物质的努力，提高了发现针对耐药性结核病的有效新疗法的成功率。
第二学期英语考试级别：3Ms 时间：01h 30
文本：阿维塞纳，又名伊本西纳，被认为是伊斯兰黄金时代最重要的医生、天文学家、思想家和作家之一，出生于公元 980 年左右，在布哈拉（今乌兹别克斯坦）附近的一个村庄阿夫沙纳。十岁时，他学习并记住了整本《古兰经》。十几岁时，他被亚里士多德的《形而上学》深深困扰，直到他读了法拉比对这部作品的评论后才明白。在接下来的一年半里，他学习了哲学。十六岁时，他转向医学。他不仅学习了医学理论，还发现了新的治疗方法。他很快取得了巨大的进步，成为一名优秀的医生，并开始使用经过批准的疗法治疗患者。他治疗了许多患者，却不收取任何费用。他最著名的作品是《医书》，一部哲学和科学百科全书，以及《医典》，一部医学百科全书，成为许多中世纪大学的标准医学教材，并一直沿用到 1650 年。1973 年，阿维森纳的《医典》在纽约重印。伊本西那于 1037 年 6 月 21 日去世。改编自维基百科，免费百科全书任务一：A/ 我阅读文本，然后完成下表。（02 分）
符号与亚符号 AI 方法：朋友还是敌人？
符号和亚符号代表人工智能 (AI) 的两个主要分支。人工智能领域在 20 世纪 50 年代取得了巨大进步并确立了地位，在此之前，McCulloch 和 Pittes 做出了一些最著名和开创性的工作，他们在 1943 年建立了神经网络 (NN) 的基础，而 Turing 的工作则在 20 世纪 50 年代引入了机器智能测试，即图灵测试。自发明以来，该领域的发展经历了起起伏伏，俗称人工智能季节，其特点是“夏季”和“冬季”。这些起伏的具体时期尚不清楚，但是，我们根据维基百科和 Henry Kautz 在 AAAI 2020 上的演讲 1“第三个 AI 夏天”采用了中间惯例。我们在图 1 中展示了这些发展的时间表。第一个 AI 夏天，也称为黄金时代，始于 AI 诞生几年后，它基于对解决问题和推理的乐观态度。直到 20 世纪 80 年代，主导范式都是符号 AI。这时，亚符号 AI 开始占据主导地位并受到关注，直到最近几年。两种不同方法之间存在长期而未解决的争论。然而，不同人工智能领域之间的这场较量即将结束，因为我们目前正在经历第三次人工智能之夏，其中主导浪潮是
A-10、F-15 和 F-16 将会在库存中服役多年，并且......
明天，在得克萨斯州沃斯堡的一家工厂里，一架服役多年的 F-16 将慢慢受到“折磨”，直至报废。这架 Block 50 战机将被悬挂在一个被工程师们称为“机架”的试验台上，机翼上不停地被金属棒上下推，机身和控制面则被扭曲、弯曲、拉伸和撞击。经过数月的这种虐待之后，某个重要的东西将会损坏，而工程师们应该能回答整个美国空军战斗机部队所依赖的一个问题：F-16 能用多久？这一折磨过程的官方名称是全尺寸耐久性测试，它将检验 F-16 机队是否能服役到 2020 年代。目前，这架战机已经超出原计划的退役日期 5 年。空军认为它可以，并且正在准备一系列升级，旨在让 F-16 直到退役之前都保持可靠性和性能。 F-15C 和后来的 F-15E 也面临同样的命运，它们都将在俄亥俄州的赖特-帕特森空军基地接受全尺寸疲劳测试（名称不同，过程相同）。类似的 A-10 压力测试已经在进行中。这些战斗机的预计使用寿命将在未来几年内极大地影响美国空军的选择。规划空军传统战斗机机队的黄金时代已经
量子人工智能：教程
摘要 人工智能 (AI) 是一门拥有数十年历史的学科，由于取得了惊人的进展，解决了几年前无法想象的问题，例如文本、图像和视频的生成模型，人工智能正迎来黄金时代。人工智能的广泛应用也已进入物理学领域，为瓶颈问题提供解决方案，例如无法解决某些问题或耗时极长的数值方法、量子实验的优化或量子比特控制。此外，量子计算已成为加速人工智能计算的极佳方法，尤其是在数据驱动的人工智能即机器学习 (ML) 的情况下。量子机器学习 (Quantum ML) 一词已经广为人知，涉及量子计算机或量子退火器中的学习、经典机器学习模型的量子版本以及用于量子测量和控制的不同学习方法。量子人工智能 (QAI) 试图向前迈出一步，提出颠覆性的概念，例如人机量子计算机界面、量子计算机中的情感分析或量子计算的可解释性等。本次特别会议包括五篇有关相关主题的高质量论文，例如量子强化学习、量子计算并行化、量子特征选择和量子矢量量化，从而捕捉了 QAI 中方法的丰富性和多样性。