XiaoMi-AI文件搜索系统
World File Search SystemFelten
人工智能与服务业主导的增长：来自印度就业市场的证据...
∗ 第一版：2021 年 5 月。对于本项目的支持和评论，我们非常感谢 Abi Adams-Prassl、Richard Baldwin、Stefan Dercon、Paolo Falco、Lukas Freund、Sanjay Jain、Lawrence Katz、Simon Quinn、Ferdinand Rauch 和 Chris Woodruff 以及各种研讨会参与者。我们感谢 Sanjay Jain、Sanjeev Bikhchandani、Pawan Goyal、Abhishek Shyngle 和 Shweta Bajad 对空缺数据的帮助，以及感谢 Rob Seamans 分享 Felten 等人 (2018) 的衡量标准。本文件是研究计划“结构转型与经济增长”(STEG) 的成果，该计划由外交、联邦和发展办公室 (FCDO) 资助。我们还非常感谢牛津非洲经济研究中心 (CSAE) 的资金支持。本文表达的观点为作者本人观点，不代表 FCDO 或作者所属的任何机构的观点。利益声明：无。† 国际货币基金组织，acopestake@imf.org。‡ 通讯作者。牛津大学，max.marczinek@economics.ox.ac.uk。英国牛津，Nuffield 学院，New Road, OX1 1NF。§ 牛津大学，ashley.pople@economics.ox.ac.uk。¶ 世界银行，kstapleton@worldbank.org。
人工智能、技能和生产力：出租车司机案例
人工智能 (AI) 有可能彻底改变就业格局 (Brynjolfs-son 等人，2018 年)。1 然而，人工智能对就业的影响可能与过去的技术（包括 IT 和机器人技术）截然不同，后者被认为可以增强技能并加剧不平等 (Autor 等人，2003 年；Bartel 等人，2007 年；Acemoglue 和 Restrepo，2020 年)。过去的技术取代了手工和常规任务，而人工智能将取代非常规认知任务。事实上，Webb (2020) 记录显示，人工智能技术主要影响高技能职业，因为人工智能取代了需要高技能工人所具备的技能类型的任务。所有研究人工智能影响的研究都考虑到了不同职业受到人工智能影响的程度，并根据每种职业受到人工智能的影响程度对不同职业产生了不同的影响（Felten 等人，2018 年、2019 年；Frank 等人，2019 年；Webb，2020 年；Alekseeva 等人，2020 年）。因此，这些研究隐含地假设该职业中的所有工人都受到人工智能的一致影响。2
人工智能、技能和生产力：出租车司机案例
人工智能 (AI) 有可能彻底改变就业格局 (Brynjolfs-son 等人，2018 年)。1 然而，人工智能对就业的影响可能与过去的技术（包括 IT 和机器人技术）截然不同，后者被认为可以增强技能并加剧不平等 (Autor 等人，2003 年；Bartel 等人，2007 年；Acemoglue 和 Restrepo，2020 年)。过去的技术取代了手工和常规任务，而人工智能将取代非常规认知任务。事实上，Webb (2020) 记录显示，人工智能技术主要影响高技能职业，因为人工智能取代了需要高技能工人所具备的技能类型的任务。所有研究人工智能影响的研究都考虑到了不同职业受到人工智能影响的程度，并根据每种职业受到人工智能的影响程度对不同职业产生了不同的影响（Felten 等人，2018 年、2019 年；Frank 等人，2019 年；Webb，2020 年；Alekseeva 等人，2020 年）。因此，这些研究隐含地假设该职业中的所有工人都受到人工智能的一致影响。2
人工智能、招聘和就业：来自瑞典的招聘信息证据
注：该表显示了十二个机构层面回归的估计值，以基线机构员工人数为权重。自始至终，结果变量是人工智能空缺职位、非人工智能空缺职位和员工人数的反双曲正弦的变化乘以 100。回归量是 Felten 等人（2018）的人工智能暴露指标，即基线机构员工的平均值，以其标准差标准化。估计值是针对两个不同的样本进行的：高于基线员工人数中位数（8）的机构（面板 A）和低于基线员工人数中位数的机构（面板 B）。每个因变量有两个回归。在 Col 的（2）、（4）和（6）中，Webb（2020）的软件暴露指标被用作协变量。包括公司固定效应在内的规范中的观测值数量较少，是由于省略了单一机构。面板 B 中包括公司固定效应在内的规范中的观测值数量较少，这是因为较小的公司往往是单一企业。标准误差集中在公司层面。* p<0.1；** p<0.05；*** p<0.01。
难治性系统性自身免疫性疾病的标签适应症
雅克-埃里克·戈滕贝格、1.2 奥罗尔·肖迪尔、1.2 伊夫·阿伦巴赫、3.4 阿尔塞纳·梅基尼安、5 扎希尔·阿莫拉、6.7 帕特里斯·卡库布、4.8 迪维·科内克、9.10 埃里克·哈楚拉、11.12 皮埃尔·夸蒂尔、13.14 伊莎贝尔·梅尔基、15.16 克里斯托夫·里切斯、17.18 拉斐尔·塞罗尔、19.20 本杰明·特里尔、4.21 瓦莱丽·德沃谢尔-彭塞克、9.10 朱利安·亨利、19.20 Marc Gatfosse、22 Laurence Bouillet、23 Emeline Gaigneux、24 Vincent Andre、24 Gildas Baulier、25 Aurélie Saunier、25 Marie Desmurs、26 Antoine Poulet、27 Mathieu Ete、28 Boris Bienvenu、27 Marie-Elise Truchetet、18、29 Martin Michaud、30 Claire Larroche、31 Azeddine Dellal、32 Amélie Leurs、33 Sebastien Ottaviani、34 Hubert Nielly、35 Guillaume Vial、36 Roland Jaussaud、37 Bénedicte Rouvière、38 Pierre-Yves Jeandel、39 Aurelien Guffroy、2、40 Anne-Sophie Korganow、2、40 Mathieu Jouvray、35 Alain Meyer、1.2 Emmanuel Chatelus、1.2 Christelle Sordet、1.2 Renaud Felten、1.2 Jean Sibilia、1.2 Samira Litim-Ahmed-Yahia、1 Jean-Francois Kleinmann、1.2 Xavier Mariette 19.20
人工智能的采用和系统范围的变革
在过去十年中，人工智能 (AI) 已成为一种潜在的通用技术 (Cockburn 等人 (2019))。在机器学习进步的推动下，各个领域的预测成本开始加速下降 (Agrawal 等人 (2018a))。这引发了一些有趣的问题：人工智能将在哪些领域得到采用，以及它对就业和企业的潜在颠覆性影响 (Gans 和 Leigh (2019)、Frey 和 Osborne (2017)、Brynjolfsson 和 McAfee (2017))。到目前为止，我们对人工智能采用的概念主要在任务或决策层面上运作 (例如，Frank 等人 (2019)；Acemoglu 和 Restrepo (2018))。例如，为了预测人工智能对就业的潜在影响，已经进行了大量练习，旨在识别受人工智能威胁的工作、构成威胁的工作的任务以及自动化对工作场所的更普遍影响（Webb（2020）；Brynjolfsson 和 Mitchell（2017）；Brynjolfsson 等人（2018）；Felten 等人（2018））。尽管如此，一些人质疑这种任务级别的关注是否合适。Bresnahan（2020）认为人工智能是一种信息技术，传统上这种技术需要组织重新设计才能全面采用。这在早期 IT 的采用模式中显而易见（Bresnahan 和 Greenstein（1996）；Bresnahan 等人（2002）；Aral 等人（2012）；Dranove 等人（2014））。 Bresnahan (2020) 质疑了可以在任务层面分析 AI 采用情况的观点，而与任务所在的组织环境无关。Bresnahan 将组织的模块化程度确定为 AI 采用的预测指标。当一个组织是非模块化的时，改变一个部分的决策性质（就像采用 AI 时会出现的情况一样）可能需要改变其他地方的决策和实践。他认为，整个非模块化组织都需要进行调整，这可能会阻碍 AI 的采用。相反，Bresnahan 预测 AI 将主要在现有的模块化组织中采用，并且只有在其他组织被重新设计为模块化时，AI 才可能被采用。我们建立了一个模块化在 AI 采用中的作用模型。我们考虑一家公司，其价值来自两个决策（类似于任务）的结果。模块化是指公司从一个决策中获得收益的程度，即使这两个决策没有正确对齐。在基线模型中，决策者不知道外部状态，因此不知道正确的操作。因此，他们选择最有可能正确的操作。无论模块化程度如何，决策者都没有必要进行沟通。他们总是做同样的事，而且通常是正确的，但并非总是正确的。
N. PHD PHDPHD
[1] Lianglu Pan，Shaanan Cohney，Toby Murray和Van-Thuan Pham。2024。通过变质模糊检测到Web服务器响应中的数据ex-2024姿势。第46 ACM/IEEE国际软件工程会议（ICSE），pp。1-14。[2] Liam Saliba，Eduardo Oliveira，Shaanan Cohney和Qi Jianzhong。2024。以风格学习：通过更好的自动反馈来改善学生代码风格。第55届ACM计算机科学教育技术研讨会（SIGCSE），pp。1-7。[3]传真Wang，Shaanan Cohney，Riad Wahby和Joseph Bonneau。2024a。notry：具有追溯性avowal的可拒绝消息传递。隐私增强技术研讨会（宠物），pp。1-17。[4] Shaanan Cohney和Marc Cheong。2023。covid down下：澳大利亚大流行应用程序在哪里走了2023年错误？2023 IEEE工程，科学和技术道德国际座谈会（伦理）。ieee，pp。1–8。[5] Ben Burgess，Avi Ginsberg，Edward W Felten和Shaanan Cohney。2022。观看观察者：远程Proctoring软件中的偏见和2022漏洞。第31届USENIX安全研讨会（USENIX Security 22）。[6] Shaanan Cohney，Ross Teixeira，Anne Kohlbrenner，Arvind Narayanan，Mihir Kshirsagar，Yan Shvartzsh-2021 Neider和Madelyn Sanfilippo。2021。虚拟教室和真正的危害：美国远程学习大学。关于可用隐私和安全性的第十七座研讨会（汤2021），pp。653–674。[7] Shaanan Cohney，Andrew Kwong，Shahar Paz，Daniel Genkin，Nadia Heninger，Eyal Ronen和Yuval 2020 Yarom。2020。伪黑天鹅：对CTR_DRBG的缓存攻击。2020 IEEE安全与隐私研讨会（SP）。ieee，pp。1241–1258。[8] Shaanan Cohney，Matthew D Green和Nadia Heninger。2018。针对2018年传统RNG实施的实际国家恢复攻击。2018 ACM SIGSAC计算机和通信安全会议的会议记录，pp。265–280。[9] Nimrod Aviram, Sebastian Schinzel, Juraj Somorovsky, Nadia Heninger, Maik Dankel, Jens Steube, Luke 2016 Valenta, David Adrian, J Alex Halderman, Viktor Dukhovni, Emilia Käsper, Shaanan Cohney , Susanne Engels, Christof Paar and Yuval Shavitt.2016。{drown}：使用{sslv2}打破{tls}。第25届USENIX安全研讨会（USENIX Security 16），pp。689–706。[10] Stephen Checkoway，Jacob Maskiewicz，Christina Garman，Joshua Fried，Shaanan Cohney，Matthew Green，Nadia Heninger，Ralf-Philipp Weinmann，Eric Rescorla和Hovav Shacham。2016。对杜松双EC事件的系统分析。2016 ACM Sigsac计算机和通信安全会议的会议记录，pp。468–479。[11] Luke Valenta，Shaanan Cohney，Alex Liao，Joshua Fried，Satya Bodduluri和Nadia Heninger。2016。作为服务。 国际金融密码和数据安全会议。 Springer，pp。 321–338。 2016。 1-15。作为服务。国际金融密码和数据安全会议。Springer，pp。321–338。2016。1-15。[12] Luke Valenta，David Adrian，Antonio Sanso，Shaanan Cohney，Joshua Fried，Marcella Hastings，J Alex Halderman和Nadia Heninger。测量针对Diffie-Hellman的小型亚组攻击。ndss，pp。