XiaoMi-AI文件搜索系统
World File Search SystemLike
氧化铝精炼 4.0：数字化转型是什么样子
生产过程任务 许多工厂正在逐渐取消在剪贴板和纸质表格上手动收集操作数据的常规做法。取而代之的是自动收集数据并以数字方式传输到历史记录和操作员软件等。任何剩余的手动操作都将通过带有软件的平板电脑完成。不再需要用纸质笔记本记录未遂事故、事故、危险和维护需求等。取而代之的是，事故、危险、泄漏和损坏设备的笔记和数码照片通过软件以数字方式记录在平板电脑上，并与相关方共享。跟随经验丰富的员工并不是新手学习如何执行手动任务的唯一方式。现在，现场操作员还可以借助虚拟现实 (VR) 技术，在非常身临其境的 3D 虚拟工厂环境中学习新任务。
像中国一样实施封锁的经济成本： - 香港中文大学经济学
在持续的 COVID-19 大流行中，许多国家实施了非药物干预措施，例如居家隔离 (封锁)。各国干预措施的严格性和有效性各不相同。一方面，有令人信服的经验证据表明，封锁对欧洲和北美冠状病毒传播或死亡的影响有限。1 另一方面，封锁似乎在拉平亚太地区的 COVID-19 曲线方面更为有效，在 Omicron 出现之前，该地区的大流行导致了更积极的政策应对。2 中国的零 COVID 政策尤其有效。例如，Hale 等人 (2022a) 记录到，在中国，第一次居家隔离令之后，确诊的新病例数量下降了 90% 以上。其他亚太国家的情况没有那么明显，美国、加拿大和大多数欧洲国家的情况甚至出现了逆转。一种传染病能够通过足够严格的非药物干预措施得到控制，这并不奇怪。问题是一个国家像中国一样实施封锁要付出多大代价。封锁会造成商品和服务的短期损失，以及各种更持久的社会成本。然而，即使是狭义的封锁的经济成本，对科学界和政策制定者来说，仍然很大程度上是模糊的。主要挑战有两个方面。首先，很难在疫情中分离出政策干预的影响，因为其他因素（例如受恐惧驱动的个人选择）也会造成经济损失（例如见 Goolsbee 和 Syverson，2021 年）。此外，由于政策是对疫情严重程度的反应，内生性阻碍了因果推断。其次，政策干预的影响，即使局限于一个地方，也会通过经济联系蔓延到所有其他相关地区（例如见 Baqaee 和 Farhi，2020 年；Bonadio 等人，2020 年）。传统的针对特定地区的经济统计数据很难发现这种政策溢出效应。有趣的是，中国严厉的封锁本身为解决识别问题提供了绝佳的机会。自疫情在武汉爆发以来，中国当局制定了一揽子政策，旨在实现 COVID 病例的零本地传播。封锁起着核心作用。新的 COVID 病例会立即启动当地封锁，并可能在几天内升级为全市封锁。大多数封锁措施都是针对哪怕是最小的疫情迅速实施的，这一事实最大限度地降低了政策反应的内生性。此外，迅速而严格的封锁是有效的。在 Omicron 出现之前，当地疫情规模都很小。这限制了自我预防措施的效果，因为人们害怕感染。中国式封锁的威力尚未接受 Omicron 的测试。3 但
通过强化学习学习像人类专家一样的平面图
摘要 - 深处增强学习（RL）已经获得了自动在现代芯片设计中生成位置的人口。但是，这些RL模型产生的平面图的视觉样式与手动布局的样式大不相同，因为RL垫片通常只采用诸如Wirelength和Routing Expestion之类的指标作为增强学习的奖励，而忽略了人类专家的复杂且细腻的布局经验。在本文中，我们提出了一个安置得分手，以评估布局的质量，并将异常检测应用于地板计划。此外，我们将该得分手的输出添加为加强安置过程的奖励的一部分。ISPD 2005基准的实验结果表明，我们提出的放置质量得分手可以根据人类工艺风格有效地评估布局，并且将此得分手添加到增强式学习奖励中，有助于与以前的电路设计相比，用更短的线长度生成较短的线长度。索引术语 - 地板，加固倾斜，异常检测，放置得分手
理论轮盘：选择气候变化不是...
尽管反对它（例如Whitby 2003），但始终将人类级别（或类似人类的）智力的复制得到明确陈述并高度公开为人工智能研究的主要目标。Alan Turing（1950）的模仿游戏是关于模仿人类的。Allan Newell和Herbert A. Simon关于一般问题求解器的报告（1961）的标题为“ GPS，一个模拟人类思想的程序。”爱德华·费根鲍姆（Edward Feigenbaum）和詹姆斯·费尔德曼（James Feldman，1963年）选择了标题计算机和思想，在唯一合法的思想典范（至少在学术界）是人类的时候。在其图灵奖演讲中，纽厄尔和西蒙（Newell and Simon，1976）将AI的“实证研究”描述为通过复制理解人类智能的“实证研究”。CYC项目（Lenat，Prakash和Shepherd 1986）的目标是复制人类常识性推理。nils J. Nilsson（2006）也许是最明确的，将人工智能的目标描述为可以付费人工工作的建筑机器。包括ACT-R模型（Anderson 1993），SNEP（Shapiro 2000）和Soar认知建筑（Laird 2012）在内的著名项目不仅旨在使我们走上更多的构建人类水平的智能，而且实际上是重复了至少重复人类水平情报的某些方面的表征。这些是AI史上一些最重要，最可见，资金充足的项目。因此，从历史记录中，建立人类智能从一开始就成为了AI的严肃而明确的目标。1，尽管Blay Whitby等批评者的争论以及一些著名的AI研究人员的努力，例如Rodney A. Brooks（1991），这也是一个目前的目标。
脱碳的未来是什么样的：最后的 10%
尽可能多地使用电池存储，同时尽可能多地淘汰煤炭发电。电气化并利用这些新负载的灵活性以及现有的天然气系统来帮助平衡系统。这将使我们达到 90%。到那时，我们希望开发出一种具有成本效益的清洁、稳定的资源，使我们达到 100%。
真正的可再生能源过渡会是什么样？
过渡的核心是在大多数关于能源过渡的讨论的核心中使用较少的能源，这两个巨大的假设将使我们拥有与当今的规模和服务相似的全球工业经济，而这种未来可再生能源经济将继续增长，因为最近的几十年中，化石燃料经济都将继续增长。，但是这两个假设都是不现实的。他们源于非理性期望：我们希望能量过渡完全无痛，而没有牺牲利润或便利性。这个目标是可以理解的，因为如果不产生额外的成本，则在巨大的新任务中招募公众，政府和企业会更容易（尽管战时压倒性的社会努力和牺牲的历史可能会导致我们质疑推定的推定）。
视觉变换器看起来是否像卷积神经网络？
到目前为止，卷积神经网络 (CNN) 一直是视觉数据的实际模型。最近的研究表明，(Vision) Transformer 模型 (ViT) 可以在图像分类任务上实现相当甚至更优异的性能。这就提出了一个核心问题：Vision Transformer 如何解决这些任务？它们是像卷积网络一样工作，还是学习完全不同的视觉表示？通过分析图像分类基准测试中 ViT 和 CNN 的内部表示结构，我们发现这两种架构之间存在显著差异，例如 ViT 在所有层上都有更统一的表示。我们探索了这些差异是如何产生的，发现了自注意力机制发挥的关键作用，它可以实现全局信息的早期聚合，而 ViT 残差连接则可以将特征从较低层强烈传播到较高层。我们研究了对空间定位的影响，证明 ViT 成功地保留了输入的空间信息，并且不同分类方法的效果显著。最后，我们研究（预训练）数据集规模对中间特征和迁移学习的影响，并最后讨论与 MLP-Mixer 等新架构的连接。
你看起来像一件东西，我爱你pdf
在“你看起来像是一件事情，我爱你”。通过幽默且意外的AI实验（例如制作令人发指的拾音器线，产生古怪的油漆名称，甚至试图创建最终的三明治），Shane揭示了渗透到我们日常生活的技术。当她深入研究AI的能力和局限性时，她就其在我们的世界中的作用，从平凡的任务到批判性决定提出了相关问题。融合了机智和清晰度，Shane邀请读者发现AI的引人入胜的内部运作及其既反映人类的才华和荒谬的方式。这种引人入胜的阅读是对越来越多地影响我们生存的机器人感兴趣的任何人的必要条件。
关于使用基于人工智能的工具（如 ChatGPT）支持管理研究
摘要目的——本文讨论了人工智能 (AI) 在研究中的当前相关性以及 AI 如何改进各种研究方法。本文重点介绍系统文献综述 (SLR) 的实际案例研究，为在此过程中使用 AI 提供指南。设计/方法/方法——研究人员不再需要技术技能即可在研究中使用 AI。最近关于使用 OpenAI 的聊天机器人 Chat Generative Pre-trained Transformer (GPT) 的讨论已经进入学术界，并引发了关于学术研究未来的激烈争论。然而，俗话说，人工智能不会取代我们的工作；使用人工智能的人会。本社论旨在概述人工智能在研究中的当前状态，重点介绍该领域的最新趋势和发展。研究结果——主要结果是在科学研究过程中使用人工智能的指南。该指南是为文献综述案例制定的，但作者认为所提供的说明可以调整到许多研究领域，包括但不限于定量研究、数据鉴定、非结构化数据研究、定性数据甚至许多支持功能和重复性任务。原创性/价值——人工智能已经有可能使研究人员的工作更快、更可靠、更方便。作者强调了当前人工智能的优势和局限性，这些优势和局限性应该存在于任何利用人工智能的研究中。优势包括目前容易受到人为错误影响的研究过程中的客观性和可重复性。最实质性的缺点在于当前通用模型的架构，了解这些架构对于在研究中使用它们至关重要。作者将描述