总的来说,我们的估计表明,很大一部分就业和工作至少部分地受到人工智能自动化的影响,从而有望大幅节省劳动力。为了评估我们估计的稳健性,我们将美国基线估计与更广泛的情景进行了比较,包括人工智能可以执行比我们在基线中假设的更难或更容易的任务的情景,以及我们放宽人工智能无法协助主要在户外或体力上的工作的假设(即人工智能与机器人和现有机械互补的情景)。我们的情景分析表明,最终受到自动化影响的工作份额可能在 15-35% 之间(图表 7,左图),该范围与文献中现有的估计一致(但偏保守)(图表 7,右图)。我们相对保守的基线主要反映了我们对生成式人工智能影响的较窄关注,而其他研究有时会考虑更广泛的相关技术(包括机器人技术),从而增加自动化的范围。
通用人工智能是指,某一天,人工智能 (AI) 的发展将产生一个假想的智能体,它将远远超越人类最聪明、最有天赋的头脑。这个想法自人工智能早期发展以来就一直存在。从那时起,关于这种人工智能如何对待人类的情景就成为了许多虚构和研究作品的主题。本文分析了人工智能发展的现状,以及当前的人工智能竞赛如何随着令人印象深刻的新人工智能方法(可以欺骗人类,在我们仅仅十年前认为人工智能不可能解决的任务上超越人类,并颠覆就业市场)的快速发布引发了人们对通用人工智能 (AGI) 可能比我们想象的更快到来的担忧。特别是,我们专注于现代人工智能的 3 个特定家族,以发展这样一种观点:深度神经网络是目前几乎所有人工智能方法的支柱,但由于其存在许多局限性,它不适合任何 AGI 的出现,因此,最近人工智能竞赛带来的任何威胁都不在于 AGI,而在于我们当前模型和算法的局限性、用途和缺乏监管。
简介 本文介绍了澳大利亚一所 K-6 1 学校人工智能项目的前两年情况。该课程是一位执业研究科学家与一所 K-6 学校的教师在“科学家入校”项目的推动下合作的成果。随着合作进入第三年,我们提供了有关课程、教学大纲、参与度和在 K-6 级别教授人工智能的有效性的详细信息和反思。该项目旨在利用人工智能提供一个引人入胜的主题,以培养对科学的更广泛兴趣并介绍一些科学的基本概念。早期迹象表明,针对年龄适宜性量身定制的多年期方法显示出前景,但保持学生的参与度至关重要,并由涵盖学校课程多个领域的多模式教学大纲支持。本课程采用非结构化的方法开发,目前已经历一段反思期,为持续发展提供了行动研究基础(Pine 2008)。
本文原始版本从作者列表中删除了第二和第三作者 Carrie D. Llewellyn 和 Richard O. de Visser。Carrie D. Llewellyn 和 Richard O. de Visser 来自英国布莱顿和苏塞克斯医学院初级保健和公共卫生系。因此,在作者贡献中添加了以下内容:“ CDL,ROdV:监督、撰写(初稿、审阅和编辑)”;和“ LFR,RG,GSC,DM,MM,LOR,SCR,MC,CK,CDL,CY,AWC,PK,AB:撰写(审阅和编辑)”。此外,在致谢中还添加了以下内容:“我们要感谢 Michael D. Howell 审阅我们的手稿,并感谢 Viknesh Sounderajah 对本次审阅的投入”。该问题已在本文的 PDF 和 HTML 版本中得到纠正。
摘要 —随着物联网 (IoT) 和 5G/6G 无线通信的发展,移动计算范式近年来得到了显著发展,从集中式移动云计算发展到分布式雾计算和移动边缘计算 (MEC)。MEC 将计算密集型任务推向网络边缘,并将资源尽可能靠近端点,解决了移动设备在存储空间、资源优化、计算性能和效率方面的不足。与云计算相比,作为分布式和更紧密的基础设施,MEC 与其他新兴技术(包括元宇宙、6G 无线通信、人工智能 (AI) 和区块链)的融合也解决了网络资源分配、更多网络负载以及延迟要求的问题。因此,本文研究了用于满足现代应用程序严格要求的计算范式。提供了 MEC 在移动增强现实 (MAR) 中的应用场景。此外,本研究还介绍了基于 MEC 的元宇宙的动机,并介绍了 MEC 在元宇宙中的应用。特别强调了上述一系列技术融合,例如 6G 与 MEC 范式、区块链增强的 MEC 等。关键词 — 移动边缘计算;6G 无线通信;移动增强现实;虚拟现实;元宇宙;区块链。
摘要 - 虽然摩尔的定律推动了指数计算的能力期望,但其接近的最终要求需要新的途径来改善整体系统性能。这些途径之一是探索新的替代脑启发的计算体系结构,这些计算体系结构有望实现生物神经加工系统的灵活性和功能。在这种情况下,神经形态智能代表了基于尖峰神经网络体系结构的实现,在计算中的范式转移,紧密地共同关注处理和内存。在本文中,我们提供了对现有硅实施中存在的粒度不同水平的全面概述,比较了旨在复制自然智力(自下而上)的方法与旨在解决实际人工智力应用程序(自上而下)的方法(自下而上),并评估了不同的电路设计样式。首先,我们介绍模拟,混合信号和数字电路设计样式,通过时间多路复用,内存计算和新型设备来识别处理与内存之间的边界。接下来,我们重点介绍每种自下而上和自上而下的方法的关键交易,调查其硅实现,并进行详细的比较分析以提取设计准则。最后,我们确定了与传统的机器学习加速器相比,在神经形态边缘计算获得竞争优势所需的必要协同作用和缺失的元素,并概述了针对神经形态智能的框架的关键要素。
Near-Infrared Heterojunction Field Modulated Phototransistors with Distinct Photodetection/Photostorage Switching Feature for Artificial Visuals Jiayue Han, 1, † Xiaoyang Du, 1, † Zhenghan Zhang, 2,3, † Zeyu He, 1 Runzhang Xie, 3 Chongxin Shan, 4 Silu Tao, 1, * Weida Hu, 3, * Ming Yang,1 Jun Gou,1,5 Zhiming Wu,1,5 Yadong Jiang 1,5和Jun Wang 1,5, * 1.光电科学与工程学院,中国电子科学与技术,成都610054,Chengdu 610054,中国中国2. Satate of Microeleelelecroelecroelecroelectronic,Farhans,Shanghanghanghans,Shanghanghand Shadhanghandshaghan。3.上海技术物理研究所的省关键实验室,中国科学院,Yutian Road 500,上海,200083年,Yutian Road,200083,4.Henan钻石光电材料和设备的Henan Key实验室,物理与工程学院,Zhengzhou University,Zhengzhou University,Zhengzhou University,Zhengzhou 450001 Y50001,PROF.G.G.G.G.G.G.G.G.G.G. GR.G. GR.G. GR.I. GR.I. g. g。 Jiang,J。Wang教授5.国家电子薄膜和集成设备的主要实验室,中国电子科学与技术大学,成都610054,中国†这些作者为这项工作做出了同样的贡献。*Silu Tao:电子邮件:silutao@uestc.edu.cn *Weida Hu:电子邮件:wdhu@mail@mail.sitp.ac.cn *jun wang:jun wang:wjun@uestc.edu.cn
摘要。本文描述并介绍了一种自动计数矿物中蚀刻裂变径迹的新方法。训练了深度神经网络和计算机视觉等人工智能技术来检测图像上的裂变表面半径迹。深度神经网络可用于名为“AI-Track-tive”的半自动裂变径迹测年的开源计算机程序。我们定制训练的深度神经网络使用 YOLOv3 对象检测算法,该算法是目前最强大、最快的对象识别算法之一。开发的程序成功地在显微镜图像中找到了大多数裂变径迹;然而,用户仍然需要监督自动计数。所提出的深度神经网络对磷灰石(97%)和云母(98%)具有很高的精确度。磷灰石(86%)的召回率低于云母(91%)。该应用程序可以在 https://ai-track-tive.ugent.be 在线使用(最后访问时间:2021 年 6 月 29 日),也可以作为 Windows 的离线应用程序下载。
摘要:近年来,技术已发展到第四次工业革命(工业4.0),物联网(IoT)、雾计算、计算机安全和网络攻击呈指数级大规模发展。各种形式的物联网设备和网络的快速发展产生了大量数据,进而需要仔细的身份验证和安全保护。人工智能(AI)被认为是解决网络安全威胁和提供安全性最有前途的方法之一。在本研究中,我们提出了一个系统的文献综述(SLR),对现有的用于检测物联网环境中的网络安全攻击的人工智能方法的文献进行分类、绘制和调查。本SLR的范围包括对网络安全中大多数人工智能趋势技术和最新解决方案的深入研究。在各种电子数据库(SCOPUS、Science Direct、IEEE Xplore、Web of Science、ACM 和 MDPI)上进行了系统搜索。在已确定的记录中,选择了 2016 年至 2021 年期间发表的 80 项研究,进行了调查和仔细评估。本评论探讨了物联网安全中使用的深度学习 (DL) 和机器学习 (ML) 技术及其在检测攻击方面的有效性。然而,一些研究提出了智能入侵检测系统 (IDS),该系统使用人工智能的智能架构框架来克服现有的安全和隐私挑战。研究发现,支持向量机 (SVM) 和随机森林 (RF) 是最常用的方法之一,因为检测准确率高,另一个原因可能是高效的内存。此外,其他方法也提供了更好的性能,例如极端梯度增强 (XGBoost)、神经网络 (NN) 和循环神经网络 (RNN)。该分析还提供了对 AI 路线图的洞察,以根据攻击类别检测威胁。最后,我们提出了未来潜在调查的建议。
本简报扩展了作者先前的研究,研究了人类或人工智能 (AI) 流程管理器提供的干预措施对团队行为的影响。我们之前的研究发现,创建的 AI 流程管理器与人类流程管理的能力相匹配。在这里,进一步研究这些数据,以确定不同类型的干预措施对团队行为和结果的影响。这种更深入的研究是通过两个独特的视角进行的:比较干预措施前后团队的解决问题的过程,并通过干预措施计数和绩效之间的回归分析。结果显示,对所提供的干预措施的总体依从性参差不齐,而且这种依从性还取决于干预类型。对团队流程最显着的影响来自沟通频率干预。此外,回归分析确定了与团队绩效相关性最高的干预措施,表明 AI 流程管理器的干预措施选择更好。综合起来,结果表明通过 AI 实现自动化流程管理的可行性,并为有效实施干预策略以供未来开发和部署提供了启示。[DOI:10.1115/1.4054723]