XiaoMi-AI文件搜索系统
World File Search SystemRobots
利用 AI、区块链和机器人突破前沿
在本报告涵盖的三个技术领域中，区块链是最成熟的，但目前尚未应用于教学和学习领域。区块链看起来很有前途，可以作为一种可靠、用户友好的认证系统，可以取代高昂的学位，并帮助解除经常伴随学位而来的机构垄断。来自传统学术机构以外的教育和培训计划的认证结业证书——例如在职培训和大规模开放在线课程 (MOOC)——是让我们更接近终身学习的重要一环。如果每个人无论工作与否，都能提升技能并重新学习，并拥有区块链认证的资格，那么换工作将更快、更顺畅，焦虑感也会大大减少。
自主机器人协作搜索和救援
B.1 第 3 章和第 4 章的 C# 框架 . . . . . . . . . . . . . . . . . . . . . . . . 125 B.1.1 第 3 章中介绍的规划器 . . . . . . . . . . . . . . . . . . . . . . 125
用于飞机制造的人形机器人——Irisa
摘要 — 我们报告了一项合作项目的结果，该项目研究了在飞机制造中部署人形机器人解决方案，用于轮式或轨道式机器人平台无法进入的一些装配操作。多接触规划和控制、双足行走、嵌入式 SLAM、全身多感官任务空间优化控制以及接触检测和安全方面的最新发展表明，考虑到这种大规模制造现场的特定要求，人形机器人可能是自动化的可行解决方案。主要挑战是将这些科学和技术进步集成到两个现有的人形平台中：位置控制的 HRP-4 和扭矩控制的 TORO。在空客圣纳泽尔工厂的 1:1 比例的 A350 机身前部模型内的支架组装操作中展示了这种集成工作。我们介绍并讨论了该项目取得的主要成果，并为未来的工作提供了建议。
太空探索机器人的革命 - awsstatic.com
“这些关键方面的结合使得它适合在任意数量的 NASA 飞行项目和/或嵌入式软件系统上重复使用，并且显著节省成本。” – NASA.gov
在人类环境中建造智能机器人
安德鲁·米勒（Andrew Miller）和彼得·K·艾伦（Peter K. Allen）。“ graspit！：用于机器人抓握的多功能模拟器”。IEEE机器人技术和自动化杂志，第11期，第4号，2004年12月，第4页，第4页，110-122。110-122。
开放世界机器人的基础模型路径
数据驱动的机器人技术在过去十年中一直是非常有效的范式。今天，我们可以自主执行灵巧的任务，例如折叠布，在避免碰撞的同时导航走廊，并控制复杂的动态系统，例如使用板载观测的四足动物机器人在挑战性的地形上行走。但它们经常构成基本的限制，以阻止它们在开放世界环境中部署，要么是因为他们对环境的结构做出了强烈的假设，需要大量的机器人数据收集，或者无法说明对周围环境的语义理解。由于这些局限性，数据驱动的机器人技术方法仍然仅限于简单的限制设置，而大多数从业者和潜在的应用程序都无法访问。在特定环境中，他们仍然需要为每个单独的机器人进行手工设计，以解决特定的任务。本论文提出了对未来智能机器人的替代愿景，在那里我们可以拥有一般的机器学习模型，可以控制任何机器人，以便在挑战性的开放世界环境中执行合理的行为。受到语言和视觉基础模型的启发，我们从大量数据中提出了培训机器人基础模型（RFM）的食谱，这些数据仅依靠以Egipentric的视力来控制各种不同的移动机器人。这使机器人系统能够利用互联网基础模型的实力，同时也以现实世界的负担并在现实世界中采取行动。我们还展示了这样的RFM如何用作构建功能强大的机器人系统的骨干，从而可以探索茂密的森林，或在其环境中与人类互动，或者利用卫星图像或自然语言等侧面信息来源。最后，我们提出了一种结合RFM，他们对物理世界的知识，语言和愿景的互联网基础模型，以及使用新颖的计划框架，将RFMS及其对物理世界的知识以及其图像水平的语义理解和基于文本的推理结合在一起。我们希望这是迈向这种通用机器人系统的一步，可以在广泛的机器人上部署，利用预先训练的模型来利用互联网规模的知识，并为多样化的移动机器人应用提供基础。
病理学家很快就会被机器人取代吗？
技术的不断进步对工人产生了令人担忧的影响，无论从事何种职业。在某些工厂中，机器人数量是工人数量的 14 倍 (1) ，机器人自动化机器作为更优越的替代品进入工作领域已不再是科幻小说中的命题。这是一个显而易见的现实，而且发展如此迅速，以至于英国国家统计局 (ONS) 提供了一种工具，允许工人计算他们被取代的个人风险 (2) 。某些工作似乎不可避免地会因技术创新而消失，这让病理学家的处境岌岌可危；根据 ONS 的数据，医生被取代的风险最低，这是否能为抵御技术浪潮提供必要的保护？病理学决策的细微差别是否是机器无法实现的？或者，所涉及的过程是否有助于自动化，也许是为了改善患者护理？病理学在历史上的可塑性往往反映出人们愿意接受医学创新 (3)(4) 。自从组织病理学家因显微镜而出现以来，随着人类的进步，亚专科和新方法也应运而生 (4)。最近，数字病理学技术的采用大大简化了工作流程 (5)。不断提高临床准确性和效率的愿望推动了这种现代化。正如外科医生得到了机器人助手的帮助而不是被取代一样 (6)(7)，无能为力的良性机器人“工具”的发展在逻辑上不会对病理学家的未来构成威胁。病理学家的角色将在技术的操作和解释中受到保护。如果人工智能 (AI)（约翰·麦卡锡博士将其定义为“制造智能机器的科学和工程”） (8) 为机器提供决策权，病理学家的角色将变得不那么明确。人工智能取代病理学家可能具有成本效益，通过节省病理学家的培训和工资来抵消设计和生产成本。多任务处理能力也具有明显的节省时间的能力。从历史上看，人工智能技术在自我完善和重新解释世界观方面根本无法与人类大脑相匹敌 (9) 。最近的技术发展弥补了这一差距，预示着人工智能改进诊断决策的额外考虑。人工神经网络受到大脑神经元互连的影响，已被证明对于能够学习和匹配临床专业知识的人工智能系统的发展至关重要 (10) 。Yamamoto 等人在解释未注释的组织病理学图像时试用现代人工智能技术的研究揭示了它的前景，同时也为病理学家指明了不确定的未来 (11) 。深度学习算法使机器学习成为可能，准确识别关键图像特征，获得与人类相同精度的可解释知识。值得注意的是，人工智能破译了以前未被识别的特征，提供比人类建立的格里森评分更准确的预后指征。由于该算法不需要持续的人为输入，并能识别病理学家无法识别的特征，其作为可行替代方案的潜力显而易见。然而，正如 Misbah 等人简洁地描述的那样，病理学家不仅限于诊断评估 (3) 。实验室的方向、提供临床见解、确保高标准和直接协调患者护理只是日常考虑的一小部分。这些流程对于提供实验室主导的服务至关重要，似乎与自动化不太兼容。
机器人、电脑和性别工资差距
自动化技术进步将改变劳动力市场的未来。自 20 世纪 90 年代以来，工业机器人和计算设备这两项领先的自动化技术发展迅速。1 如图 1 所示，1995 年至 2015 年间，美国的机器人存量增长了 4 倍多，计算设备的资本存量增长了 14 倍多。2 最近的研究表明，机器人（Graetz 和 Michaels，2018 年；Acemoglu 和 Restrepo，2019 年）和计算机（Krueger，1993 年；DiNardo 和 Pischke，1997 年；Autor 等，1998 年；2003 年）的增长对就业和工资产生了显著影响。文献还提出了一种更细致入微的观点来看待技术进步对
嵌入软体机器人的可伸缩 Arduino
为了实现现实世界的功能，机器人必须具备执行决策计算的能力。然而，软机器人可以伸展，因此需要刚性计算机以外的解决方案。目前，将计算能力嵌入软机器人的例子包括在机器人上附加刚性印刷电路板、集成软逻辑门以及利用材料响应进行材料嵌入式计算。这些方法虽然很有前景，但也引入了刚性、系绳或低逻辑门密度等限制。可伸缩电子领域一直致力于解决这些挑战，但将单板计算机、微控制器和其他复杂电路直接集成到软机器人中的完整管道仍然难以捉摸。我们提出了一种通用方法，将任何复杂的双层电路转换成柔软的可伸缩形式。这使得无需简化设计即可创建可伸缩的单板微控制器（包括 Arduino）和其他商用电路（包括 Spark-Fun 电路）。为了证明该方法的实用性，我们将高度可拉伸（应变 > 300%）的 Arduino Pro Minis 嵌入到多个软机器人体内。这利用了原本惰性的结构材料，实现了可拉伸电子场的承诺，即在主动使用过程中将最先进的计算能力集成到坚固的可拉伸系统中。