XiaoMi-AI文件搜索系统
World File Search SystemSORA
外泌体包裹mPEG-PLGA的研究...
靶向药物的出现给晚期肝癌患者带来了希望，但由于人体内环境复杂多样，靶向药物的整体反应率并不高，因此如何高效地将靶向药物递送至肿瘤部位是当前研究的一大挑战。本项目拟构建负载Sora的mPEG-PLGA纳米粒并将其与外泌体包裹用于肝细胞癌的靶向治疗。采用透析法制备mPEG-PLGA载药纳米粒，并通过TEM和DLS对其进行表征。将得到的纳米粒与肝癌细胞外泌体共孵育，在脉冲超声条件下得到外泌体包裹的载药纳米粒（Exo-Sora-NPs），并通过Western blot、透射电子显微镜（TEM）和动态光散射（DLS）对其进行表征。 CCK-8实验检测Exo-Sora-NPs对肝癌细胞的毒性作用；用共聚焦显微镜检测肝癌细胞对纳米粒子的摄取效率；建立H22肝癌皮下移植瘤模型后，通过肝癌组织冰冻切片，用共聚焦显微镜观察纳米药物在肝癌组织中的蓄积和浸润深度；给药后测量小鼠肿瘤大小、体质量、病理及血清学分析。外泌体包裹的mPEG-PLGA聚合物载药粒子具有良好的靶向性和生物安全性，在一定程度上能够以较小的全身反应将药物靶向至肿瘤部位，并对肿瘤有高效的杀伤作用，外泌体包裹的纳米载药粒子作为药物载体具有很大的潜力。
生成ki - jenseits von euphorie undeinfachenLösungen
自2022年美国软件公司OpenAAI于2022年出版文本生成器和聊天机器人Chatgpt以来，生成人工智能（AI）席卷了数字世界； AI应用程序现在通常可以访问，并且可以通过多种方式使用。CHATGPT在短短两个月内仅吸引了大约1亿用户。此外，还广泛使用了用于自动创建照片真实图像和视频（例如Midjourney，Dall-E，Gemini或最近Sora）的工具。提到的应用程序可以使用neratative AI在按钮时创建具有惊人高质量的文本，图像或视频。促进了这一凯旋游行，具有通过互联网和简单界面免费访问相应工具的直接可用性；用户几乎不需要以前的知识，只需要几个技术初步陈述即可在几秒钟内维护问题，图像和视频。生成AI的基础和核心是根据来自广泛数据的广泛数据的各种数据创建新的语言或视觉产品的能力。这是基于相关性或概率进行的，但不是基于真实的理解。chatgpt是一种被称为大型语言模型，该模型经过大量文本培训：网站，书籍，书籍，文章，歌词，帖子，帖子，推文，评论或其他意见表达方式 - 也就是说，所有纹理证书都可以在互联网上找到。的创作是基于从该数据中学到的指定句子片段中学到的语音模式来预测下一个单词。ChatGpt首先使用统计程序分析相关句子的上下文，然后发出结果。以这种方式，chatgpt可以问word
检索杰出的生成人工智能的生成rui Yang，MS 1，Yilin Ning，PhD 1，Emilia Keppo 2，Mingxuan Liu，
抽象生成人工智能（AI）在包括医学在内的各个领域都带来了革命性的创新。但是，它也表现出局限性。在响应中，检索增强的生成（RAG）提供了潜在的解决方案，从而使模型通过利用外部知识的检索来生成更准确的内容。随着生成AI的快速发展，RAG可以为将这种变革性技术与医疗应用联系起来铺平道路，并有望将股权，可靠性和个性化的创新带入医疗保健。主要文本生成人工智能（AI）最近在各个领域引起了广泛的关注，包括GPT 1,2和Llama 3-5系列文本生成； DALL-E 6用于图像生成；以及Sora 7的视频生成。在医学上，生成的AI在咨询，诊断，治疗，管理和教育中具有巨大的应用8,9。此外，生成AI的利用可以提高患者的卫生服务质量，同时减轻9-11临床医生的工作量。尽管如此，我们必须考虑生成AI模型的固有局限性，其中包括对训练数据12的偏见的敏感性，缺乏透明度，产生错误的内容，难以维持最新知识的可能性，以及其他8。例如，通过采用过时的基于种族的方程来估计肾功能13，大型语言模型被证明可以产生偏见的响应。在图像产生过程中，已经观察到与性别，肤色和地质文化因素有关的偏见14。同样，对于下游任务，例如回答和文本摘要，生成的内容通常是不一致的，并且缺乏验证的证据15。此外，由于其静态知识和无法访问外部数据，生成的AI模型无法为医生提供最新的临床建议或患者有效的个性化健康管理16。
分布式 AI 任务的即时通信
1 简介 人工智能领域的最新进展由 ChatGPT [ 18 ] 和 SORA [ 19 ] 等大型模型推动，带来了巨大的计算挑战。扩展这些模型通常需要多 GPU 或多节点系统 [ 2 , 14 ]，利用张量并行等并行策略 [ 25 ] 来处理计算负载。例如，Llama 3.1-405B 模型训练使用了 16,000 个 H100 GPU [ 16 ]。然而，分布式计算引入了通信作为主要瓶颈，占执行时间的 80%，如 Llama 2-7B 模型所示 [ 1 ]。如 [ 3 ] 所示，将 Llama 2-13B [ 27 ] 训练从 8 个 GPU 扩展到 1,024 个 GPU 会因通信开销而将模型 FLOP 利用率 (MFU) 从 47% 大幅降低至 4%。这凸显了一个关键问题：尽管硬件功能有所进步，但由于引入了通信开销，硬件（尤其是 GPU）往往未得到充分利用。为了提高 MFU，先前的研究探索了通过通信 [ 20 、 22 、 28 、 30 ] 或数据加载 [ 9 ] 来提高硬件利用率的潜力。然而，这些策略主要侧重于重叠计算运算符和独立通信运算符。如果存在依赖关系（例如在推理阶段），则计算和通信都位于关键路径上，运算符间重叠是不可行的。认识到这一机会，我们引入了 DistFuse，这是一个即使在存在依赖关系的情况下也能促进细粒度重叠的系统。DistFuse 的核心旨在协调计算和通信，这样 GPU 就可以在部分数据准备就绪时立即启动通信，而不是等待整个数据。我们进行了一项概念验证实验，通过在单个节点上将 DistFuse 与 Llama 3-70B 的推理相结合来展示性能提升，该节点可以隐藏高达 44.3% 的通信延迟。我们目前的原型专注于 LLM 任务，但即时通信的核心概念是多功能的，可以应用于其他场景，例如卷积模型。鉴于数据中心中大型模型工作负载的日益普及以及对高效通信的需求不断增长，我们预计通过我们的技术将显着提高性能。此外，我们
超分辨率简化
光片（HILO）激发3，用DNA-Paint 6以下达到5 nm 4,5以下的横向定位精度（S SMLM）。但是，这是以有限的穿透深度为代价的，TIR <250 nm，而Hilo 7,8的视野降低了〜40×10 µm 2。SMLM也可以在共聚焦设置中实现，包括点扫描和旋转磁盘共聚焦（SDC），这使得更深的样品渗透9，使其比较成像组织样品。图像扫描显微镜（ISM）10通过像素重新分配将共聚焦显微镜11,12的空间分辨率增加一倍，并且在与SMLM结合使用时，SMLM最近达到了8 nm的S SMLM，尽管小FOV的小FOV为8×8 µm 2 13。为了提高采集速度和FOV尺寸，SDC在旋转盘上采用数百个螺旋针孔，并与摄像机而不是单点检测器相结合。SDC构型已适用于SMLM，使用DNA-PART 14，使用DNA-Origami样品使用DNA-Origami样品达到8 nm的平面定位精度和基础平面中的细胞22 nm。仍然，由于发射光被光盘阻断，由于兴奋强度降低，可实现的分辨率仍受到限制。在2015年，Azuma及其同事提出了具有光子光子重新分配（SDC-EPR）15的增强的SDC，这是一系列微胶片，以有效降低针孔尺寸并增加光子收集，以改善分辨率。这些微漏物收缩了焦点双重，将发射的光子引导回可能的起源点（图1a）。因此，这提出了一个问题：SDC-opr的表现能否优于当前的光学配置，克服渗透深度，视野和空间分辨率之间的权衡？In this Brief Communication, we show that SMLM on a SDC- OPR fluorescence microscope can achieve sub-2 nm localization precision in the basal plane and sub-10 nm up to 7 µm penetration depth within a FOV of 53 × 53 µm 2 using a commercially available SDC-OPR (CSU-W1 SoRA Nikon system).通过可视化，以前所未有的分辨率来强调SDC-OPR的功能，在果蝇的视觉想象盘的视网膜上皮中的附着力连接。
对低地球轨道中天线radomes的研究
BGS超越重力瑞典。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 PEI聚胺。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 8 atox原子氧。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。8 PEI聚胺。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 atox原子氧。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 UV Ultra Violet辐射。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 ESD电静电放电。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8个狮子座低地轨道。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 EOL生命的终结。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。9次错过7材料国际空间站实验。。。。。。。。。。。。。。。。。。。。。。。10 Meo中等地球轨道。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。10 Meo中等地球轨道。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 GPS全球定位系统。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 SEM扫描电子显微镜。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 ESA欧洲航天局。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11瑞典崛起研究所。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 TTC遥测，跟踪和命令。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13 GNSS全球导航卫星系统。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13 GFRP玻璃纤维增强塑料。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 Sora站立o礼。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。17个电信系统中的Artes高级研究。。。。。。。。。。。。。。。。。。。。。。。18 IPA异丙醇。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18到达化学品的注册，评估，授权和限制。。。。。。。。。。。。18 AIT组装，集成和测试。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 ir infra红色。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 PIAD离子辅助沉积。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 19离子辅助离子辅助电子束。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 19 pdcms 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 19 UVR/反推动器 。 。 。 。 。 。 。 。 。18 PIAD离子辅助沉积。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。19离子辅助离子辅助电子束。。。。。。。。。。。。。。。。。。。。。。。。。。。19 pdcms。。。。。。。。。。。。。。。。。。。。。。。。。19 UVR/反推动器。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>19 NGRC NASA吊机重置中心。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>20 ESH等效的太阳小时。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>21 AVA泡泡糖氧化锌。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。21 ITO依赖锡氧化物。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 RF射频。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。23 CNT碳纳米管。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。23 ESTEC欧洲空间与技术中心。。。。。。。。。。。。。。。。。。。。。。。24尼特斯国家航空技术学院。。。。。。。。。。。。。。。。。。。。。。。。。。。。25 CVCM单击的挥发性有条件编写。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 TML总质量损失。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 ECSS欧洲在空间标准化方面的合作。。。。。。。。。。。。。。。。。。。。。。。。。26 ISO国际标准化组织。。。。。。。。。。。。。。。。。。。。。。。。。。26 ASTM美国测试和材料学会。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 RH相对湿度。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。27 TVC热真空骑行。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。27 TC热循环。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。27 DMA动态机械测试。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29 TMA热机械分析。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 29个热膨胀的CTE系数。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。29 TMA热机械分析。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29个热膨胀的CTE系数。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。29个热膨胀的CTE系数。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29 TG玻璃过渡温度。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 29 e-Modulus弹性模量（Young's-Modulus）。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 29 Onera法国航空航天实验室。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。29 TG玻璃过渡温度。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29 e-Modulus弹性模量（Young's-Modulus）。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29 Onera法国航空航天实验室。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。29 Onera法国航空航天实验室。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>30 div>
全球变暖加速度：原因和后果
Diffusion models [17, 33, 35] have emerged as a promising generative approach to produce high- quality samples, which is observed to outperform generative adversarial nets on image and audio synthesis [9, 23], and underpins the recent success in text-to-image creators such as DALL · E2 [30] and Stable Diffusion [31], and the text-to-video generator Sora [26]。尽管不同的使用模型可以捕获复杂且高维数据分布，但它们可能与偏见或公平关注的来源相比[25]，并且训练过程（尤其是对于上述大型模型）会占据相当大的时间和extert。就产生的样品质量和可控性而言，对改善分解模型的兴趣越来越大。一种直接的方法是使用预验证的（Di usion）模型作为基本模型来定制为特定任务定制的采样器。例如，在图像/视频生成中，我们旨在提高散析模型，以增强美学质量并防止扭曲的内容。随着人类相互交互平台（例如Chatgpt）的出现，有很大的需求将生成模型与用户/人类的偏好或反馈保持一致。最近的工作[2，11，12]提出了通过增强学习（RL）和[44]通过直接偏好优化进行填充模型。在这些工作中，奖励功能是通常学习的统计模型，例如图像生成中的美学奖励是人类评估者真正美学偏好的排名模型。上面的方法允许将扩散模型填充以生成具有较高名义奖励的样品。有限数量的人类评级。）但是，它们可能导致灾难性的遗忘或奖励崩溃[36]，这是一种指的现象，指的是过度付出的奖励（例如，由例如换句话说，就某些可能无法概括的人等级分数而言，分散模型是对某些人评分的细分。专门利用奖励也损害了多样性，这是生成建模的核心。为了减轻奖励崩溃并增强多样性，[41]提议在损失目标中添加相对于预算模型的熵调节器。这产生了熵调查的细胞调整，这是预处理模型产生的倾斜度倾斜，可以看作是“软”的分歧指导[9，18]。开发了一种随机控制方法来效仿
特别系列征文调查......
从 2025 年底开始出版 兴趣表达截止日期：2025 年 1 月 1 日 论文提交截止日期：2025 年 7 月 1 日 2022 年 11 月 30 日，OpenAI 推出了 ChatGPT，这是一个由大型语言模型驱动的类人聊天机器人，可以理解和生成人类语言。ChatGPT 几乎立即走红，引发了全球范围内的爆炸式增长。在发布后的前五天内，超过 100 万人使用了 ChatGPT，仅两个月后就有超过 1 亿用户注册。除了 ChatGPT，还有其他自然语言处理聊天机器人目前可供公众使用，包括 Gemini、Copilot 和 Claude。人工智能图像生成器，例如 Midjourney 和 DALL-E 3，可以创建从超现实主义到超现实主义的图像，并且可以提示模仿特定艺术家的风格。同样，像 Sora 和 Suno 这样的视频和音乐生成器可以创建如此逼真的内容，以至于数百万人相信它是真实的。 Research Rabbit 和 Jenni AI 等 AI 工具可以协助学术研究和写作，生成研究综合、摘要和释义，并提供自动写作反馈等。尽管人工智能几十年来一直是我们日常生活的一部分，但自 2022 年以来，生成人工智能 (GenAI) 应用程序的公开可用已经动摇了整个社会和教育领域的实践、惯例、原则、信念和基本概念。一些 GenAI 应用程序通常是付费的，专门针对教师（例如 SchoolAI teach 和德国平台 To-teach 和 Fobizz）。这些 GenAI 应用程序可用于创建个人（差异化）任务、信息文本、工作表、课程计划和教学单元。因此，它们提出了关于教育工作者对教师职业和角色以及教学本身的理解的重要问题。教育工作者和教育机构以各种方式回应了 GenAI。一些人采取了技术乐观的立场，并提倡将 GenAI 整合为改变教学和学习历史的一种手段。技术乐观主义教育家们讨论了将 GenAI 融入教学实践的方法，例如为书面作业创建大纲、参与聊天机器人与模拟历史人物的对话，或与聊天机器人进行历史辩论。他们认为，GenAI 可以让学生与先进的、具有情境感知能力的人工智能系统互动，增强批判性思维，提供探索复杂问题的工具
视觉内容编辑和创建的生成模型
sdxl [Podell等。2023]，Ediff-i [Balaji等。2022]，dall-e 3 [Betker等。2023];文本到视频基础模型，例如Imagen视频[Ho等。2022]和Make-A-Video [Singer等。2022]，Sora [OpenAI 2024]增强了视觉内容编辑和发电的增长。代表性地，例如Animatediff [Guo等人。2023]，ControlNet [Zhang等。2023]具有不同用户定义条件的视频创建，并已成为用于图形设计和个性化媒体的实用工具。在忠诚度和效率方面，3D资产产生也有一场革命。收获2D扩散模型的强大先验，例如DreamFusion [Poole等。2022]，魔术3D [Lin等。2023]，Zero123 [Liu等。2023]，Wonder3d [Long等。 2023]被启用了高质量的文本和图像到3D对象生成，具有合理的几何形状和物理属性，以支持它们在游戏和仿真任务中的用法。 同时，高质量的大规模3D数据的出现[Deitke等。 2023a，b; Yu等。 2023]还授权了3D空间中的直接生成模型训练[Hong等。 2023; Xu等。 2023]。 受到3D资产产生成功的启发，场景级别的3D合成也引起了人们的兴趣。 诸如genvs之类的工作[Chan等。 2023]，重新灌注[Wu等。 2023]还受益于2D扩散先验，以实现高质量的新型视图综合。 2023]，块平面[Xu等。2023]，Wonder3d [Long等。2023]被启用了高质量的文本和图像到3D对象生成，具有合理的几何形状和物理属性，以支持它们在游戏和仿真任务中的用法。同时，高质量的大规模3D数据的出现[Deitke等。2023a，b; Yu等。2023]还授权了3D空间中的直接生成模型训练[Hong等。2023; Xu等。2023]。受到3D资产产生成功的启发，场景级别的3D合成也引起了人们的兴趣。诸如genvs之类的工作[Chan等。2023]，重新灌注[Wu等。2023]还受益于2D扩散先验，以实现高质量的新型视图综合。2023]，块平面[Xu等。工作的另一个分支，例如Assetfield [Xiangli等。2021]将场景视为由布局引导的3D资产的组成，可以用数据驱动的方式对其进行建模，同时保证用户可控性。本课程涵盖了过去几年的生成模型的进步，略微转向生成模型实现的可控性和创造力任务。我们将首先介绍与生成模型相关的基本机器学习和深度学习技术。接下来，我们将展示可控图像，视频和3D内容生成和组成表示学习中的最新代表性工作。最后，我们将在讨论该技术，社会影响和开放研究问题的未来应用的讨论中结束。课程结束后，与会者将学习有关扩散模型的基本知识，以及如何将这些模型应用于不同的应用程序。P.S. 网站：https：//cveu.github.io/event/sig2024.html; Twitter：https：//twitter.com/cveu_workshopP.S.网站：https：//cveu.github.io/event/sig2024.html; Twitter：https：//twitter.com/cveu_workshop
关于人工智能对政治的影响
关键问题 #36 作者：Gabriel Mott 论人工智能对政治的影响 简介 尽管人工智能 (AI) 在大众文化中盛行，但它常常被公众误解。人工智能模型通常通过互联网上的大量数据进行训练，识别与文字和图像的关联以创建新内容，无论是文本、音频、照片还是视频。人工智能已经开始在政治舞台上扎根，几部针对政客的深度伪造视频正在流传，还有一桩涉及 ChatGPT 生成虚假法律引文的丑闻。一些政客已经表示支持对人工智能进行监管，一些政治先例表明它可能会向前迈进。什么是人工智能，它是如何工作的，它能做什么？也许是由于人工智能在大众文化中的饱和度，它实际上并没有非常严格的定义。旗舰计算机公司 IBM 将其定义为“使计算机和机器能够模拟人类智能和解决问题能力的技术”。一般来说，人工智能使用计算机算法来生成新内容，无论媒介是文本、照片、视频还是死记硬背的数据。所有人工智能模型都是通过输入训练数据并对其进行统计分析以获得模式和关联而创建的。一旦它能够确定这些关联，人工智能模型就会将它们投射到新数据上，从而给出所需的输出。例如，如果您要求对话程序描述一个典型的美国公民，它将根据描述词和美国公民之间现有的语言相关性生成响应，并给予最强关联描述符更大的权重。人工智能模型可以做很多不同的事情。其中一些最受欢迎的模型来自人工智能研究公司 Open AI。与许多主流定义不同，Open AI 的章程将人工智能定义为“在最具经济价值的工作上表现优于人类的高度自主系统”，这主要是结果或功能衍生的，而 IBM 的定义涉及人工智能的内在属性。Open AI 的服务包括提供基于文本的对话交互的 ChatGPT（生成式预训练转换器）、基于文本提示创建图像的 DALL-E 和根据文本提示创建视频的 Sora。人工智能如何用于政治应用？人工智能已经开始在政治领域使用。在更温和的应用中，包括一系列文化上流行的笑话深度伪造——模仿真人的面部或声音。例如，一段乔·拜登、巴拉克·奥巴马和唐纳德·特朗普一起玩电子游戏《我的世界》的视频在 YouTube 上获得了超过 400 万次观看。然而，人工智能也被用于政治，虽然并非开玩笑，但这已经产生了严重的后果。值得注意的是，两名律师最近因在法庭上使用人工智能而被罚款。他们曾要求 ChatGPT 为他们研究判例法，而 ChatGPT（仅基于高级词语关系进行操作，没有识别或分析法律文本的特殊资格）生成了假的