XiaoMi-AI文件搜索系统
World File Search SystemMinsky
气候明斯基时刻和内源性金融危机
我们开发了一种定量宏观经济模型，并使用碳税和内源性金融危机来研究这种“气候明斯基时刻”。该模型经过校准以匹配金融危机和气候政策的显着特征。我们使用全球方法来解决该模型，以研究向雄心勃勃的气候政策转变的非线性过渡动力学。我们提出了“过剩的危机概率”，该概率定义为给定的碳税路径引起的平均危机概率，减去了业务与普遍的道路上的危机概率，而没有雄心勃勃的气候政策行动。使用这种沿不同过渡路径的财务稳定性量度，我们然后比较碳税路径的财务稳定性含义，例如以不同的过渡速度或气候政策行动的前后加载。
气候明斯基时刻和内源性金融危机
∗ matthias.kaldorf@bundesbank.de，matthias.rottner@bundesbank.de。We thank Markus Brunnermeier, Emanuele Campiglio, Francesca Diluiso, Sampreet Goraya, Niko Jaakkola, Jochen Mankart, Benoit Mojon, Simon Scheidegger, Hernan Seoane, Thomas Stoerk, our dis- cussants Jorge Abad, Barbara Annicchiarico, Volha Audzei, Daniel Monteiro, Maria Sole Pagliari, and Anna Straubinger, and participants in the Annual Research Conference 2024 by the European Commis- sion, Mannheim Quantitative Macro Workshop, NAS Macroeconomic Implications of Decarbonization Workshop, 7th annual meeting of CEBRA's IFM program, ESCB Research Clusters Climate Change and Financial Stability, Green Finance Research Advances 2024, Czech National Bank关于金融稳定和宏观审慎政策的研讨会，以及NGFS的研究研讨会，国际住区银行，英格兰银行，德意志政府银行和博洛尼亚大学的评论和建议。这里表达的观点是我们自己的观点，不一定反映银行的国际定居点，德意志政府银行或欧洲系统的观点。
气候明斯基时刻和内源性金融危机
∗ matthias.kaldorf@bundesbank.de，matthias.rottner@bundesbank.de。We thank Markus Brunnermeier, Emanuele Campiglio, Francesca Diluiso, Sampreet Goraya, Niko Jaakkola, Jochen Mankart, Benoit Mojon, Simon Scheidegger, Hernan Seoane, Thomas Stoerk, our dis- cussants Jorge Abad, Barbara Annicchiarico, Volha Audzei, Daniel Monteiro, Maria Sole Pagliari, and Anna Straubinger, and participants in the Annual Research Conference 2024 by the European Commis- sion, Mannheim Quantitative Macro Workshop, NAS Macroeconomic Implications of Decarbonization Workshop, 7th annual meeting of CEBRA's IFM program, ESCB Research Clusters Climate Change and Financial Stability, Green Finance Research Advances 2024, Czech National Bank关于金融稳定和宏观审慎政策的研讨会，以及国际定居银行银行的研究研讨会，英格兰银行，德意志德国银行，欧洲中央银行，NGFS，博洛尼亚大学和圣加伦大学的评论和建议。这里表达的观点是我们自己的观点，不一定反映银行的国际定居点，德意志政府银行或欧洲系统的观点。
迈克尔·保罗·兰德里简介
研究文章 12. 与 Y. Minsky 和 S. Taylor 一起研究同步通用圆 25 页。arXiv:2412.06986。 11. 与 Y. Minsky 和 S. Taylor 一起研究横向曲面和伪 Anosov 流，已提交 2024 年。48 页。arXiv:2406.17717。 10. 与 CC Tsang 一起研究端周期映射、分裂序列和分支曲面，几何与拓扑，即将出版。144 页。arXiv:2304.14481 9. 与 Y. Minsky 和 S. Taylor 一起研究通过伪 Anosov 流实现的端周期映射，已提交 2023 年。50 页。arXiv:2304.10620。 8. 与 Y. Minsky 和 S. Taylor 一起研究流动、增长率和转向多项式，遍历理论和动力系统，第 43 卷，号。 9，第 3026-3107 页。2023. 7. 与 Y. Minsky 和 S. Taylor 合作的用于转向三角剖分的多项式不变量欧洲数学学会杂志第 6 卷，第 2 期，第 731-788 页。2024. 6. 转向三角剖分和 Thurston 范数：与同位素的同源性数学进展，第 396 卷，论文 108102，2022 年，53 页。5. 稳定环和几乎横向曲面群、几何和动力学第 17 卷，第 1 期，第 35-75 页。2023. 4. 来自转向三角剖分的绷紧分支曲面代数和几何拓扑18 1089-1114，2018。3. On symplectic capacities of toric domains with M. McMillan and E. Tsukerman Involve Vol. 8, pp. 665-676, 2015。2. Knotprojections with a single multi-crossing with Adams, Crawford, DeMeo, Lin, Montee, Park, Venkatesh, and Yhee Journal of Knot Theory and its Ramifications Vol. 24 (3), 2015。
Leela AI | CSAIL 联盟
这就是为什么麻省理工学院的衍生公司和 CSAIL Alliances Startup Connect 成员 Leela AI 基于婴儿学习方式建模的现实世界常识、推理和演绎建立他们的视频智能平台，将这些创新汇编成一个制造支持系统，可以优化生产流程并改变 AI 技术的未来。 起步 20 世纪 90 年代，Leela AI 的三位联合创始人还是麻省理工学院的学生，他们一起研究计算机架构（米兰明斯基博士）、认知科学（赛勒斯绍尔博士）和人工智能（亨利明斯基）。在此期间，亨利明斯基接触到了研究生加里德雷舍在当时的麻省理工学院教授马文明斯基和西摩佩普特的指导下所做的令人兴奋的研究。德雷舍将儿童心理学家让皮亚杰的开创性工作带到了计算机科学领域，将婴儿学习图式应用于人工智能，努力设计出像婴儿一样学习世界的人工智能。
将思维视为差分机
许多人都同意，当一套负责产生人类智能的原理（即计算理论：Marr，1982）被发现时，心理科学就达到了它的目标。传统上，对此类原理的追求植根于对“理性”主体通常应如何表现的牢固先入之见（McCarthy，2007；Millroth 等人，2021；Minsky，2007）。虽然这种方法无疑是卓有成效的（例如，Anderson，2013 年；Chase 等人，1998 年；Marr，1982 年；Chater 和 Oaksford，1999 年），但人们一再争论说，对人类行为的理解仍然很少，因为没有投入足够的精力来研究个人的实际问题和目标，导致对可用于指导计算分析层面研究的规范理论做出过早的假设（Millroth 等人，2021 年；Minsky，1974 年；2007 年）。
A. Newell GS654：复杂信息处理春季Semestert 1967
对该领域的大部分地区进行了一项出色而重要的调查。尽管在某些主题上有些过时，但分类明斯基报价仍然有效，他描述的主要方法仍然活跃。
利用机器学习成果拥抱人工智能
图 2：人工智能和机器学习作为认知的双重性质。这种装置及其背后的想法激发了少数科学家开始认真讨论构建电子大脑的可能性。约翰·麦卡锡被认为是人工智能之父。约翰·麦卡锡是一位美国计算机科学家。“人工智能”一词由他创造。他是人工智能的创始人之一，与艾伦·图灵、马文·明斯基、艾伦·纽厄尔和赫伯特·A 齐名。“AI”一词可以归因于麻省理工学院 (MIT) 的约翰·麦卡锡，马文·明斯基 (卡内基梅隆大学) 将其定义为“构建计算机程序，从事目前更令人满意地由人类完成的任务，因为它们需要高水平。约翰
论认知过程所解决的问题
正在《认知科学》上发表。这是对“认知科学的进展与难题”征集信函的回应。直到 20 世纪 50 年代，几乎没有科学词汇来描述由大量简单程序组合而成的复杂过程（Minsky，2011 年）。随着计算机科学、复杂系统的基础工作（Simon 1962 年、Anderson 1972 年；Wimsatt 1974 年）以及认知科学（Marr，1982 年；Minsky，1961 年；1974 年；Gardner，1985 年）的出现，这种情况发生了变化。现在，21 世纪已经过去了近四分之一，认知科学非常严谨和形式化，与人工智能和计算机科学的概念进步相结合，获得了理论和技术上的进步。例如，预测编码、贝叶斯推理和各种机器学习都代表了对 20 世纪中期思想家（如明斯基和维纳）提出的分层预测误差原理的重新审视（Clark，2013；Minsky，1961；1974；Tennenbaum 等人，2011；Wiener，1948）。这些和其他信息处理原理为信息处理问题提供了算法解决方案，从而确定了我们可能在自然智能中发现或在人工智能中构建的功能（Lake 等人，2015）。它们还为我们提供了工具来描述实验研究中观察到的因变量和自变量之间的关系，如决策的漂移扩散模型（Pleskac & Busemeyer，2010）。然而，在急于建立一门严谨的科学时，我们担心目前正在犯一个错误：过于强调描述性或预测性研究，而没有足够重视认知过程的目的——这些过程在遗传和文化上进化是为了解决的问题。想象一下，一位外星科学家面前摆着一辆现代地球汽车。这辆车有各种复杂的机械装置，从发动机里的活塞到电脑里的电路。外星人的任务是弄清楚它是如何工作的。当然，如果他们不知道它的功能是运输，这个任务几乎是不可能完成的，但我们的外星人并不傻。他们知道汽车的作用是把人类从一个地方运送到另一个地方，而汽车的