XiaoMi-AI文件搜索系统
World File Search SystemBad
空气质量不好？ - 陆军航空杂志
3 月 7 日，五角大楼举行仪式，表彰 40 名陆军文职人员，他们是陆军最优秀的文职人员之一。陆军部长托马斯·E·怀特向 23 名陆军高级官员颁发了总统等级奖，并向另外 17 名员工颁发了陆军部长奖。另外 27 名退休员工也因在过去一年中颁发的杰出文职服务勋章而受到表彰。官员们表示，由于与 9·11 相关事件，2001 年获奖者的仪式与今年的颁奖仪式合并举行。今年的陆军杰出文职服务勋章获得者包括美国陆军航空和导弹司令部航空飞行动力学主任 Andrew W. Kerr、航空电子设备项目办公室项目经理 Steven L. Messervy 博士和 AMCOM 航空工程局主任 Barry J. Baskett。
MMR 疫苗新闻：不平衡会对健康有害吗？
安德鲁·韦克菲尔德 (Andrew Wakefield) 是 1998 年《柳叶刀》杂志上那篇臭名昭著、随后撤回的论文的第一作者，他被除名的悲惨故事几乎无需重复。1 麻疹、腮腺炎和风疹 (MMR) 疫苗有效且安全，2 而英国医学杂志 (BMJ) 已将韦克菲尔德的原始研究斥为“蓄意欺诈”，3 但在过去 15 年中，多家报纸均报道了随后被揭穿的“担忧”。我们能否得出结论，认为此类错误信息与斯旺西当前的麻疹疫情有关？4 5 鉴于疫情的分布，这个问题尤其有趣。从 1997 年起，《南威尔士晚报》发起了一场反对 MMR 疫苗的运动。在三个月内，该报发表了五篇头版头条新闻、三篇评论文章和 18 篇有关 MMR 的文章，其中许多文章质疑其安全性。例如，1997 年 8 月 30 日，第 5 页的标题是“家庭讲述孩子接种疫苗后发生的巨大变化。接种疫苗后，孩子的笑容消失了”，下面是一篇关于一名被诊断为自闭症的男孩的故事。孩子的母亲说：“我认为利亚姆的免疫系统无法同时处理三种活病毒……我非常生气和痛苦。”然而，报纸从未说过父母不应该让孩子接种疫苗。事实上，随文章附有一篇较短的文章，称当地卫生当局“强调父母继续让孩子接种疫苗至关重要”。两名当地公共卫生医生布伦丹·梅森和彼得·唐纳利调查了 MMR 疫苗的接种情况
人工智能革命的好与坏简介 - Gen Digital
生成无限 AI 模型的生成能力几乎可以应用于无限领域——从生成图像、视频、草图和文本文档到音频、语音和音乐，其简单性和质量令人叹为观止。例如，现在购买一部新的莎士比亚戏剧只需要向复杂的语言模型分配一些简明的指令。同样，为你的科幻小说获取插图也同样简单，只需利用你自己的一张照片的构图，该照片的背景是奇幻世界。如果你好奇安东宁·德沃夏克如何将一首当代说唱歌曲改编成交响乐，这很容易理解。只要有一点耐心，这些尝试就能产生令人印象深刻的可信和高质量的结果。生成内容的问题和争论可能最引人注目的是一张看似真实的教皇方济各的照片的病毒式传播，这张照片是由 Midjourney 生成器 (Novak, 2023) 制作的。
化石燃料股又将迎来糟糕的一年和十年
随着该行业传统的价值理论逐渐被侵蚀，以及曾经的股市回报主要驱动力在主要股指中变得越来越边缘化，一种投机性投资理论悄然出现。化石燃料投资现在是一种对地缘政治混乱和短期不稳定的隐性押注。这在俄罗斯入侵乌克兰之后最为明显。入侵之前，在现行大宗商品价格下，化石燃料巨头在分红和回购之后难以产生正的自由现金流。4 随着全球经济从新冠疫情中复苏，价格稳步上涨。随后，普京入侵后的供应冲击导致能源价格飞涨。利润连续几个季度飙升，然后在 2023 年回到新冠疫情之前的水平。5 但对一些投资者来说，这一飙升证明该行业已经回归。
坏消息，好消息：报道和回应不对称
* 本文不应被视为代表挪威银行或联邦储备系统理事会的观点。所表达的观点为作者的观点，并不一定反映挪威银行或联邦储备系统的观点。本文受益于与 Knut Are Aastveit、Guido Ascari、Drago Bergholt、Jeffery Campbell、Fabio Canova、Francesco Furlanetto、Domenico Giannone、Luigi Iovino、Vegard H. Larsen、Elmar Mertens、Michele Piffer、Giorgio Primiceri、Giuseppe Ragusa、Alex Tagliabracci、Christian Wolf 以及会议和研讨会参与者的讨论。“经济和经济史系，B 栋，B3-1130 办公室，巴塞罗那自治大学，08193 巴塞罗那。电话：(+34)935814569。电子邮箱：luca.gambetti@uab.es。Luca Gambetti 感谢西班牙科学和创新部通过塞韦罗奥乔亚研发中心卓越计划 (CEX2019-000915-S) 提供的资金支持，感谢西班牙科学、创新和大学部通过拨款 PGC2018-094364-B-I00 和巴塞罗那经济学院研究网络提供的资金支持，感谢意大利研究和大学部通过 PRIN 2017 拨款 J44I20000180001 提供的资金支持。挪威银行，Bankplassen 2，PO Box 1179 Sentrum，0107 Oslo。电话：(+47)40641754。电子邮件：nicolo- maffiei.faccioli@norges-bank.no § 联邦储备委员会，20th & Constitution Ave. NW，邮寄地址：K-3620，20551 Washington DC。电话：(+1)2024408608。电子邮件：sarah.zoi@frb.gov
航空状况不佳？ - 陆军航空杂志
3 月 7 日，五角大楼举行仪式，表彰 40 名陆军文职人员，他们是陆军最优秀的文职人员之一。陆军部长托马斯·怀特向 23 名陆军高级官员颁发了总统等级奖，并向另外 17 名员工颁发了陆军部长奖。另外 27 名退休员工在仪式上也获得了表彰，因为他们在过去一年中获得了杰出文职服务勋章。官员们表示，由于与 9·11 事件有关的事件，2001 年获奖者的仪式与今年的仪式合并举行。今年陆军杰出文职服务勋章获得者包括美国陆军航空和导弹司令部航空飞行动力学主任 Andrew W. Kerr、航空电子设备项目办公室项目经理 Steven L. Messervy 博士；以及 AMCOM 航空工程局局长 Barry J. Baskett。
好的系统，坏的数据？：对人工智能炒作和失败的解释
人工智能经过几十年的发展，如今已成为一个著名且成熟的学术领域（Stone 等人，2016 年）。专注于领域知识表示和使用的符号人工智能是人工智能研究的早期领域（Ribes 等人，2019 年）。最近的许多创新都发生在统计机器学习领域，包括使用人工神经网络的深度学习方法，包括自然语言处理、计算机视觉和机器人等领域的应用（Stone 等人，2016 年）。现代人工智能特别依赖于处理大型数据集，以一定程度的自主性进行处理和加权，并提供概率性而非确定性的结果。人工智能的伦理、政策和法律问题尚未明确界定。数据的多样性和数量以及算法驱动的分析通常违反直觉的输出使得预测危害变得更加困难。用于支持人工智能的数据来自大量来源，包括可能甚至不知道数据是为此目的而收集的人们。然而，将人工智能应用于这些异构数据得出的结论往往具有知识的分量，而没有对其不确定性进行有意义的说明。这一领域的一个关键挑战是试图理解和主张“黑箱”分析技术（Fleischmann & Wallace，2005，2009）的责任时出现的问题——尤其是当使用这些技术进行的研究结果用于指导政策、指导资源和应对紧急情况时（Lehr & Ohm，2017）。关于人工智能成功和失败的流行描述并非没有话语权。在讨论“坏”人工智能时，往往很难不去想 HAL、天网或其他类似的媒体对人工智能失败的描述（事实上，当我们的采访对象被问及人工智能的潜在负面后果时，他们经常会提到这些流行的描述）。同样，对人工智能的正面评价往往无法解释这些系统的缺陷和局限性，或者无法透明地表示它们的运作或范围。克兰兹伯格（1986）的《技术第一定律》认为，“技术既不是好的也不是坏的，也不是中性的”（第 547 页）。过度夸大人工智能的积极或消极影响的极端例子属于将人工智能视为纯粹的好或坏的阵营。然而，同样重要的是要注意，人工智能并不是中性的，一些人工智能系统对特定社会或整个社会的不同成员有一些好的影响和一些坏的影响。因此，挑战在于确定哪些因素影响了人工智能的“好”或“坏”。坏数据是坏人工智能的一个常见替罪羊。现代人工智能的特点是它与广泛的异构数据收集和分析机制的关系以及对它们的依赖。算法分析提供了处理
人工智能可以预测好鸡蛋和坏鸡蛋吗？
背景：Future Fertility 的 Violet 是一种人工智能图像分析卵子评估工具，适用于寻求选择性卵母细胞保存的患者。该技术用于识别成熟卵子的相对活力，从而为每位患者量身定制个性化治疗计划。该软件检测卵母细胞中的模式，以便更好地了解卵子质量。对于已知存在与卵子质量相关的问题的老年患者，它可能特别有影响，特别是考虑到他们可能没有太多机会进行多个周期。虽然我们目前有评估精子质量和胚胎质量的方法，但确定成功卵母细胞的指导方针非常有限。Violet 是目前唯一用于预测卵子质量的客观评估工具。目前的研究表明，Violet 比训练有素的胚胎学家高出 20% 以上，可重复性为 100%。需要更多数据来评估 Violet 的可行性，以便更好地评估其在改善 IVF 结果方面提供的价值。
深度卷积神经网络模型，用于消除不良代码异味
代码异味是指源代码中任何违反设计原则或实现的症状或异常。及早发现不良代码异味可以提高软件质量。如今，几种人工神经网络 (ANN) 模型已用于软件工程的不同主题：软件缺陷预测、软件漏洞检测和代码克隆检测。使用 ANN 模型时，无需了解数据来源，但需要大量训练集。数据不平衡是人工智能技术在检测代码异味方面面临的主要挑战。为了克服这些挑战，本研究的目标是基于一组 Java 项目，提出具有合成少数过采样技术 (SMOTE) 的深度卷积神经网络 (D-CNN) 模型来检测不良代码异味。我们考虑了四个代码异味数据集，即 God 类、数据类、特征嫉妒和长方法，并根据不同的性能指标对结果进行了比较。实验结果表明，所提出的具有过采样技术的模型可以为代码异味检测提供更好的性能，并且当使用更多数据集训练模型时，预测结果可以进一步改善。此外，更多的时期和隐藏层有助于提高模型的准确性。