XiaoMi-AI文件搜索系统
World File Search SystemReFRAME
超越战略？工业战略与欧洲防务的未来
它终于来了。首个欧盟 (EU) 国防工业战略于 2024 年 3 月发布，旨在概述联盟未来几年对欧洲国防市场的方针 1。欧洲国防工业战略受到欧盟首个国防战略《战略罗盘》和 2022 年《凡尔赛宣言》的启发，评估了当前的地缘政治环境及其对欧洲国防技术和工业基础 (EDTIB) 的影响。尽管篇幅不及美国战略，但欧洲国防工业战略有力地说明了政府应该投资国防部门的原因。在这方面，虽然多年来欧洲国防工业方面有过许多官方通报，但这是第一次试图：1) 评估对乌克兰的战争；2) 重新制定欧盟对欧洲国防市场的方法，强调更多地基于产业政策而不是市场自由化。在这方面，欧洲国防工业战略与许多国家战略相呼应，西班牙早在 2023 年就认识到“当前的地缘政治局势以及由此造成的局势
人工智能的进步与潜在影响之间
我们将系统的任务性能以及系统开发和部署过程中产生的时间和资源成本纳入总体框架，从而重新构建对人工智能进展的分析。这些成本包括：数据、专家知识、人工监督、软件资源、计算周期、硬件和网络设施以及（什么样的）时间。这些成本分布在系统的生命周期中，可能对不同的开发人员和用户提出不同的要求。我们提出的多维性能和成本空间可以缩减为一个效用指标，用于衡量系统对不同利益相关者的价值。即使没有单一的效用函数，也可以通过人工智能是否扩展帕累托曲面来一般性地评估人工智能的进步。我们将这些类型的成本标记为人工智能进步中被忽视的维度，并使用四个案例研究对其进行探索：Alpha*（围棋、国际象棋和其他棋盘游戏）、ALE（Atari 游戏）、ImageNet（图像分类）和虚拟个人助理（Siri、Alexa、Cortana 和 Google Assistant）。这种更广泛的人工智能进步模型将带来评估人工智能系统潜在社会用途和影响的新方法，并为未来的进步设定里程碑。
利用 DNA 纳米结构对生化反应进行空间条形码编码，揭示了邻近标记中的主要接触机制
TurboID 和 APEX2 等邻近标记技术已成为研究蛋白质相互作用的空间组学研究的关键工具。然而，这些反应性物种介导的标记背后的生化机制，尤其是亚微米范围内标记方法的空间模式，仍然知之甚少。在这里，我们利用 DNA 纳米结构平台通过体外测定精确测量 TurboID 和 APEX2 的标记半径。我们的 DNA 纳米标尺设计能够在酶附近以纳米精度部署寡核苷酸条形码标记靶标。通过使用定量 PCR 量化标记产量并将其与目标距离进行映射，我们发现了标记机制的惊人见解。与流行的扩散标记模型相反，我们的结果表明 TurboID 主要通过接触依赖性标记进行操作。同样，APEX2 在其直接接触范围内显示出高标记效率。同时，它对更远的酚表现出低水平的扩散标记。这些发现重新定义了我们对邻近标记酶机制的理解，同时突出了 DNA 纳米技术在空间分析反应物种方面的潜力。
基于敏捷项目的新型努力估算框架
摘要： - 软件估计是项目管理中最重要的活动。全球许多研究人员都致力于软件努力估算问题，并做出了重大贡献。随着技术和软件过程模型的进步，旧的估计方法可能不会为项目经理带来富有成果的结果。有必要在基于敏捷的项目开发中重新构架估计过程。我们提出了一个名为“敏捷者”的新型连续估计框架，以协助参与以软件估计为导向的任务的项目经理。该框架提供了两个新颖的功能。第一个是通过在迭代过程中推论的错误积累和调整的学习增益来自动调整努力。此功能使系统端到端可训练，为连续估算框架奠定了基础。第二个功能是用于Scrum Masters的实时预测。建议的框架将无法替代现有的基于专家的估计；取而代之的是，它将通过参与并为团队提供辅助意见来提供帮助。本文有助于最大程度地减少各种系统利益相关者的估计工作和实际努力。我们已经使用Anfis-Eebat（即自适应神经模糊的推理系统 - 能源有效的BAT算法）提出了敏捷框架。
人工智能、自动化和文化政治
摘要 本文追溯了自动音乐母带制作的基础设施政治，以揭示当代人工智能 (AI) 的迭代如何塑造文化生产。本文探讨了 LANDR 的出现，这是一个提供自动音乐母带制作的在线平台，建立在被称为人工智能的监督机器学习之上。机器学习将日益成为声音和图像信号处理不可或缺的一部分，塑造媒体文化的声音、外观和感觉。虽然 LANDR 是机器学习所谓“大爆炸”的产物，但如果没有特定条件，它就不可能存在：特定类型的可比数据，以及特定的美学和工业条件。反过来，母带制作作为一种基础设施实践，已成为音乐流通中不可或缺但研究不足的一部分。在这里，我们分析了机器学习和母带制作的交叉历史，以及 LANDR 在自动化音频工程其他领域方面的失败。通过这样做，我们批判了人工智能必然性的论述，并展示了机器学习必须以何种方式构建或重新构建文化和审美实践，以实现自动化，以服务于数字分发、识别和推荐基础设施。
人类基因组编辑未来的七个悬而未决的问题
围绕人类基因组编辑 (HGE) 治理的学术讨论认识到，HGE 技术的开发和应用可能会导致意想不到的社会结果。然而，它几乎没有关于如何预测、准备或塑造此类结果的方法模型。本文介绍了由预期治理指导的研究的早期结果，预期治理是专家和公众广泛考虑创新过程和目的的框架。我们介绍并讨论了从一系列面向未来的基因组编辑从业者和专家访谈中得出的关键主题，旨在为有关 HGE 可能未来的广泛审议提供信息。我们将结果表述为七个“开放性问题”，这些问题的答案将成为 HGE 最终形态和结果的重要组成部分。一些主题在科学和社会研究中是永恒的，而另一些主题对 HGE 来说则更为新颖。每个主题都有助于重新定义 HGE，而不仅仅是简单地比较风险和收益。这种重新定义为政策制定者、学者、科学家和公众的讨论开辟了新的、重要的领域。我们建议，围绕这里提出的广泛而反思性的问题进行讨论将有助于治理工作更好地认识和灵活应对 HGE 发展中的不确定性和复杂性。
团队学习作为设计人机共同创造系统的镜头
生成式、机器学习驱动的交互系统有可能改变人们在创造过程中与计算机交互的方式——将工具变成共同创造者。然而，我们仍然不清楚如何在开放式任务领域实现有效的人机协作。在与机器学习驱动系统的交互中，存在一些已知的沟通挑战。在共同创造系统的设计中，一个被忽视的方面是如何更好地支持用户学习与此类系统协作。在这里，我们将人机协作重新定义为一个学习问题：受团队学习研究的启发，我们假设适用于人机团队的类似学习策略也可能提高与共同创造生成系统合作的人类的协作效率和质量。在本立场文件中，我们旨在促进团队学习，将其作为设计更有效的共同创造人机协作的视角，并强调协作过程质量是共同创造系统的目标。此外，我们概述了在共同创造人工智能系统中嵌入团队学习支持的初步示意图框架。最后，我们提出了一项研究议程，并提出了开放性问题，以供进一步研究，以支持人们学习与生成人工智能系统合作。
人工智能“无处不在”：解决公共服务新闻中的人工智能可理解性问题
摘要 算法系统和人工智能在新闻制作中的日益普及引发了人们对记者是否有能力以不违背新闻规范和价值观的方式理解和使用它们的能力的担忧。这种“可理解性”问题对于公共服务媒体来说尤其严重，因为这种复杂而不透明的系统可能会扰乱问责制、决策和专业判断。本文通过文件分析和对 14 名记者的访谈，概述了人工智能在 BBC 新闻制作中的部署，并分析了记者如何理解人工智能和算法。我们发现日益普及的人工智能与 BBC 记者的理解水平之间存在脱节，他们用猜测和想象来代替对这些技术的准确概念。这可能会限制记者有效和负责任地使用人工智能系统的能力，质疑其产出和在新闻制作中的作用，或者适应和塑造它们，也可能妨碍对人工智能如何影响社会进行负责任的报道。我们建议 PSM 在个人、组织和社区三个层面制定促进人工智能可理解性和素养的策略，并且我们从社会文化角度而不是单纯的技术角度重新定义人工智能可理解性问题，以便更好地解决规范性考虑。
迭代学习改善了大愿景中的组成性...
人类视力和自然语言共有的基本特征是它们的组成性质。，尽管大型录音和语言进行了贡献，但最近的调查发现，大多数（如果不是全部）我们最先进的视觉语言模型在构图中挣扎。他们无法分辨“白人面对黑人的女孩”和“黑人面对白人的女孩”的图像。更重要的是，先前的工作表明，构图并非随着规模而产生：较大的模型尺寸或培训数据无济于事。本文开发了一种新的迭代培训算法，该算法将组成性构成。我们借鉴了数十年来确定文化传播（需要教新一代的需求）的认知科学研究，这是必要的归纳性，这激励了人类发展构图的领域。具体来说，我们将视觉语言对比度学习为视觉代理和语言代理之间的刘易斯信号游戏，并通过迭代地重置训练过程中的一个特工的权重来操作文化转移。在每次迭代之后，这种训练范式引起了“更易于学习”的表示形式，即构图语言的属性：例如我们在CC3M和CC12M上训练的模型将标准夹提高了4.7％，在糖筛基准中以4.0％的速度提高了4.0％。
通过势能视角探索模型的可转移性
由于预训练的深度学习模型大量可用，迁移学习在计算机视觉任务中变得至关重要。然而，从多样化的模型池中为特定的下游任务选择最佳的预训练模型仍然是一个挑战。现有的衡量预训练模型可迁移性的方法依赖于编码静态特征和任务标签之间的统计相关性，但它们忽略了微调过程中底层表示动态的影响，导致结果不可靠，尤其是对于自监督模型。在本文中，我们提出了一种名为 PED 的富有洞察力的物理启发方法来应对这些挑战。我们从势能的视角重新定义模型选择的挑战，并直接模拟影响微调动态的相互作用力。通过捕捉动态表示的运动来降低力驱动物理模型中的势能，我们可以获得增强的、更稳定的观察结果来估计可迁移性。在 10 个下游任务和 12 个自监督模型上的实验结果表明，我们的方法可以无缝集成到现有的排名技术中并提高其性能，揭示了其对模型选择任务的有效性以及理解迁移学习机制的潜力。代码可在 https://github.com/lixiaotong97/PED 上找到。