XiaoMi-AI文件搜索系统
World File Search SystemHumans
推荐引用 推荐引用 Perozzo, Haiat；Eisenberg, Julia；和 Ravarini, Aurelio，“人类在循环中：探索生成式人工智能在团队环境中的工作制定中的作用”（2024 年）。ECIS 2024 TREOS。22。https://aisel.aisnet.org/treos_ecis2024/22
生成式人工智能应用程序的易用性和广泛功能为工人提供了一个机会，使他们能够利用它们以多种方式支持他们的工作。特别是，生成式人工智能的一个有前途的领域可能是工作设计，这是一个自下而上的问题解决过程，个人参与其中以重新设计他们的工作，改善他们的工作条件。由于组织主要依靠团队来构建工作，因此重要的是要研究生成式人工智能如何影响工作设计过程，而不仅仅是在个人层面，而且在团队层面。在分析人机协作的最新发展时，我们研究了对工作设计的影响。我们的研究扩展并促进了人机协作的学术研究。关键词：生成式人工智能、工作设计、团队动态。
体内碱基编辑概念验证，用于灭活 PCSK9 基因并降低人类 LDL 胆固醇
本演示文稿包含《1995 年私人证券诉讼改革法案》所定义的“前瞻性陈述”，涉及重大风险和不确定性，包括有关公司正在进行的 Heart-2 临床试验的陈述；对公司 Heart-1 试验的预期；获得监管部门批准和启动 VERVE-201 临床试验的时间；公司 PCSK9 和 ANGPTL3 计划的临床数据的时间和可用性；以及公司的战略计划和前景。本演示文稿中包含的所有陈述（历史事实陈述除外），包括有关公司战略、未来运营、未来财务状况、前景、计划和管理目标的陈述，均为前瞻性陈述。“预期”、“相信”、“继续”、“可能”、“估计”、“期望”、“打算”、“可能”、“计划”、“潜在”、“预测”、“项目”、“应该”、“目标”、“将”、“会”等词语和类似表述旨在识别前瞻性陈述，但并非所有前瞻性陈述都包含这些识别词。任何前瞻性陈述均基于管理层对未来事件的当前预期，并受多种风险和不确定因素的影响，这些风险和不确定因素可能导致实际结果与此类前瞻性陈述中所述或暗示的结果存在重大不利差异。这些风险和不确定性包括但不限于与公司有限的经营历史相关的风险；公司及时提交和获得其候选产品的监管申请批准的能力；推进其候选产品的临床试验；在预期的时间表上或完全启动、招募和完成其正在进行的和未来的临床试验；正确估计公司候选产品的潜在患者人群和/或市场；在临床试验中复制 VERVE-101、VERVE-102 和 VERVE-201 的临床前研究和/或早期临床试验中发现的积极结果；在当前和未来临床试验中按照预期的时间表推进其候选产品的开发；获得、维护或保护与其候选产品相关的知识产权；管理费用；并筹集实现其业务目标所需的大量额外资金。此外，本演示文稿中包含的前瞻性陈述代表公司截至本新闻稿之日的观点，不应被视为代表公司截至本新闻稿之日之后任何日期的观点。有关其他风险和不确定性以及其他重要因素的讨论，其中任何因素都可能导致公司的实际结果与前瞻性陈述中的结果不同，请参阅“风险因素”部分，以及公司最近向美国证券交易委员会提交的文件和公司未来向美国证券交易委员会提交的其他文件中对潜在风险、不确定性和其他重要因素的讨论。公司预计后续事件和发展将导致公司的观点发生变化。但是，虽然公司可以选择在未来某个时间点更新这些前瞻性陈述，但公司明确表示不承担任何义务。
现有的流感B病毒适应以推动人类复制为主要宿主的证据
摘要：插入式B病毒（IBV）是每年循环的两种主要类型流体病毒之一。与流传病毒不同，IBV由于缺乏非人类宿主的历史循环而具有大流行潜力。许多研究和评论强调了宿主确定流体病毒的重要因素。然而，对驱动人类IBV复制的因素知之甚少。我们假设类似的因素影响了IBV的宿主限制。在这里，我们编译和回顾了对IBV病毒复制周期各个阶段至关重要的宿主因素的当前理解。我们发现在IBV的这一领域的研究是有限的，但我们回顾了可能表明IBV可能限制人类的宿主因素。这些因素包括IBV血凝素（HA）蛋白，宿主核因子和病毒免疫逃避蛋白。我们的评论构成了对IBV改编对人类复制的当前理解。但是，该综述受到IBV宿主决定因素的研究量的限制，并且将从该领域的其他未来研究中受益。
建立一个现场建筑飞行员，用于人类与重型机器人之间的合作
摘要 - 本文介绍了Fortis欧盟项目中的开创性飞行员，旨在增强建筑环境中自主重型机器人的整合。已经建立了飞行员，以评估这些机器人对革命行业标准的潜力，特别是在涉及运输和集会的任务中。本文提供了有关在动态结构设置中与人类机器人相互作用（HRI）相关的富挑战的洞察力，在安全性，安全性，效率和适应性至关重要的情况下。通过考虑使用自主装载机和伸缩式手机的应用，本研究为未来的建筑机器人技术研究和开发奠定了基础。我们通过开发特定用例的开发以及现有的HRI分类法以对人类与机器人之间的相互作用进行分类来强调该研究对该领域的贡献。该立场论文旨在告知听众正在进行的重要飞行员，而不是提出结论性的结果，为正在进行的科学探索和行业中的实际应用奠定了基础。
人工智能如何向法律学习：仅在上诉时让人类参与
尽管关于在人工智能 (AI) 和机器学习 (ML) 中将“人类纳入其中”的文献已显著增加，但对于如何将人类专业知识与 AI/ML 判断相结合的关注却很少。这一设计问题的出现是因为，在公众普遍不愿放弃人类专家判断的情况下，算法决策无处不在且数量众多。为了解决这一冲突，我们建议通过上诉程序纳入人类专家法官来审查算法决策。因此，人类只会在有限数量的案件中干预，并且只会在做出初步的 AI/ML 判断之后进行干预。基于与司法决策中上诉程序的类比，我们认为，在许多方面，这是在人与机器之间分工的更有效方式。人类审阅者可以添加更细致的临床、道德或法律推理，他们可以考虑难以量化的案例特定信息，因此，在初始阶段，AI/ML 无法获得这些信息。通过这样做，人类可以作为 AI/ML 的关键错误校正检查，同时保留 AI/ML 在决策过程中使用的大部分效率。在本文中，我们开发了这些广泛适用的论点，同时主要关注 AI/ML 在医学领域的应用示例，包括器官分配、生育护理和医院再入院。
人工智能将放大所有人类的潜力
在 Infosys，我们开发了三层能力结构，将个人培养为 AI 感知者、AI 构建者和 AI 大师。AI 感知小组拥有 AI 工具知识，可实现有效的协作和共同创造。AI 构建者利用 AI 技能（例如实用程序、产品服务或 API）来创建 AI 嵌入式或 AI 重新构想的解决方案，而 AI 大师则设计模型和创新方法，以大规模工作、降低成本并为业务增加价值。在 Infosys，我们的工程师可以使用一流的工具来提供最佳服务并进行创新。这些工具集随着 AI 技术的最新发展而不断增强，作为我们负责任的设计方法的一部分，带来了速度、规模、安全性和保障性的好处。我们采取平衡的方法，利用最先进的技术框架、来自我们合作伙伴生态系统的工具和开源，同时还针对特定场景和独特的客户需求创建定制框架。
人类的视觉皮层流
本文描述的追踪通路的方法包括对来自同一组 171 名人类连接组计划参与者的 7T 结构和功能 MRI 数据执行的扩散纤维束成像 (Huang et al., 2021)、功能连接和有效连接 (Ma et al., 2022; Rolls et al., 2022a; Rolls et al., 2022b; Rolls et al., 2023a; Rolls et al., 2023b; Rolls et al., 2023d)，以及对 88 名人类连接组计划 (Larson-Prior et al., 2013) 参与者执行的脑磁图 (Rolls et al., 2023c)。扩散拓扑图测量的是大脑区域之间的直接解剖通路，而不是方向，不提供有关连接方向的证据，并且在上述研究中，功能和有效连接可以作为有益的补充，因为扩散纤维束成像有时可能会在通路交叉的地方产生假阳性，并且可能会错过一些特别长的通路。功能连接是通过一对皮质区域中的 BOLD 信号之间的 Pearson 相关性来衡量的，可能反映间接相互作用和共同输入，并且不提供有关任何影响方向的证据。然而，高功能连接确实反映了一对大脑区域的相互作用程度，并且确实反映了功能，因为它在静息状态和任务执行之间是不同的。本文描述的调查中使用了静息状态连接，因为它可以提供一个基本的连接矩阵，即使参与者可能无法执行特定任务（如某些精神障碍），也可以对其进行调查。有效连接旨在衡量两个大脑区域在每个方向上相互影响的程度，并利用时间延迟来估计有时被描述为因果关系的东西。有效的连接对于测量皮质区域之间尤其重要，因为至少在皮质层次结构中，解剖结构是不对称的，通常皮质层 2 和 3 向前投射到下一个皮质区域的层 2 和 3，而反向投影往往起源于更深的皮质层，并投射回前一个皮质区域的层 1，终止于皮质锥体细胞的顶端树突，因此可能具有较弱的影响，可以通过自下而上的前向输入分流（Markov et al., 2013; Markov and Kennedy, 2013; Markov et al., 2014; Rolls, 2016, 2023）。我们测量的有效连接被描述为全脑生成有效连接，因为它是可以生成所有 360 个皮质区域之间的功能连接和延迟功能连接（fMRI 为 2 秒，MEG 为 20 毫秒）的有效连接矩阵，并使用基于相互作用的 Stuart-Landau 振荡器的皮质连接模型的 Hopf 算法（Deco 等人，2019 年；Rolls 等人，2022b 年；Deco 等人，2023 年；Rolls 等人，2023c 年）。
人工智能、算法和可怕的人类 - 福特汉姆法学院
* 乔治华盛顿大学法学院知识产权和技术法 Eugene L. 和 Barbara A. Bernard 教授。感谢 JP Schnabel 和 Alexa Adalian 提供的出色研究协助。我们还要感谢以下人员对本文早期草稿的出色反馈：Rebecca Crootof、Ben Green、Aziz Huq、Margot Kaminski、James Lau、Michael Risch 和 Alicia Solow-Niederman。** Hideyuki Matsumi 或 Yuki 是布鲁塞尔自由大学 (VUB) 法律、科学、技术和社会研究小组 (LSTS) 以及健康和老龄化法律实验室 (HALL) 的博士候选人/研究员。纽约律师协会成员。本论文是为题为“新人工智能：ChatGPT 和其他新兴技术的法律和伦理影响”的研讨会准备的，该研讨会由《福特汉姆法律评论》主办，并由福特汉姆大学法学院神经科学与法律中心共同赞助，于 2023 年 11 月 3 日在福特汉姆大学法学院举行。
语言的轻推和与机器人，智能扬声器和人类的言语互动
摘要本文介绍了人类，胡椒机器人，Google Home Smart-Sparter或其他人之间二元相互作用的数据收集方法和情感注释。收集的16个小时的录音被用来分析改变某人关于对会话代理类型的生态行为的看法，那种轻度和说话者的情绪状态的倾向。我们描述了数据收集和注释的统计数据。我们还报告了第一个结果，该结果表明，人类对人类的意见改变了与人类更多的问题，甚至是对主流思想的看法。我们观察到某种情绪状态与对话者与人类受到影响的倾向之间的相关性。我们还报道了研究研究人类相似性对语音使用我们数据的影响的结果。关键字：语言推销，人类计算机互动，语料库创建
人工选择：人类如何塑造进化
有时，这种塑造过程是经过深思熟虑的，这在我们赖以生存的物种中尤为明显。人类成为农民的 10,000 年左右时间里，我们驯化了农作物，这在农作物中体现得最为明显。在农业革命之前，人类可能已经收集并食用了各种植物的种子。但随着我们过渡到久坐不动的生活方式，我们无意中选择了我们驯化作物的特定特性。例如，如果我们观察小麦的祖先亲属，我们可以看到在农业起源后的时期内，谷物大小迅速增加。这样的过程很容易解释。人类很可能尽可能地从野外收集更大的种子，因此，当这些种子被有意或无意地散播到村庄时，在这些定居点周围生长的小麦更有可能携带导致谷粒变大的遗传变异，从而推动这些早期驯化谱系中谷粒越来越大的进化。