XiaoMi-AI文件搜索系统
World File Search SystemTOO
人工智能：花费太多，收益太少？
科技巨头及其他公司将在未来几年投入超过 1 万亿美元的 AI 资本支出，但目前收效甚微。那么，这笔巨额支出会带来回报吗？麻省理工学院的 Daron Acemoglu 和 GS 的 Jim Covello 对此持怀疑态度，Acemoglu 认为未来十年 AI 给美国经济带来的上行空间有限，而 Covello 则认为该技术并非为解决复杂问题而设计的，无法证明其成本合理，而且成本可能不会像许多人预期的那样下降。但 GS 的 Joseph Briggs、Kash Rangan 和 Eric Sheridan 对 AI 的经济潜力及其最终在当前“一锤定音”阶段之后产生回报的能力仍持更为乐观的态度，即使 AI 的“杀手级应用”尚未出现。即使出现了，我们也会探讨当前的芯片短缺（与 GS 的 Toshiya Hari 一起）和迫在眉睫的电力短缺（与 Cloverleaf Infrastructure 的 Brian Janous 一起）是否会限制 AI 的增长。但尽管存在这些担忧和限制，我们仍然看到人工智能主题的运行空间，要么是因为人工智能开始兑现其承诺，要么是因为泡沫需要很长时间才能破灭。”
学术快报可再生能源：太少，太晚，......
世界需要更多的可再生能源 (RE)，因为最终易于获取的化石燃料将会枯竭。可再生能源还可以大大减少与能源相关的二氧化碳排放，但它们是否可以被恰当地称为“零碳”能源则是另一回事。目前，化石燃料 (FF) 仍然主导着世界能源供应：2019 年，可再生能源仅提供了所有商业能源的 11.2%，核能提供了 4.3%，其余 84.5% 由化石燃料提供 [1]。甚至核工业也不认为核电在未来几十年会大幅增加其市场份额。可再生能源的支持者认为，它不仅可以迅速取代化石燃料，还可以促进经济增长。其他人不同意；这篇短文试图解决这个问题。它通过设想一个 100% 的能源由可再生能源提供的未来世界来实现这一点。首先，介绍一下这个论点的背景。显然，任何能源项目要想有意义，其输出的能量必须大于生产所需材料、建造设备、运行和维护设备以及最终在使用寿命结束时拆除设备所消耗的能量之和。输出能量与输入能量之比称为能源投资回报率 (EROI)，必须大于 1，或者对于某些能源分析师来说，大于 5 甚至更大 [2]。正如可再生能源倡导者正确指出的那样，目前，FF 无需为处理燃烧产生的二氧化碳排放而付出能源（或金钱）代价。实现这一目标的一种方法是捕获燃烧产生的二氧化碳废气并将其深埋在地下。问题在于，一些可再生能源来源（例如热带水力发电厂）也会直接排放一些温室气体，所有可再生能源来源都会在开采必要材料和制造风力涡轮机等可再生能源设备时间接排放这些气体。如果可再生能源要真正实现环境可持续，就必须花费额外的能源来处理采矿废物，并且对于 FF 来说，还要消除二氧化碳排放。
太早，太晚：菲律宾儿童疫苗接种的及时性
疫苗接种是过去一个世纪预防传染病最重要的贡献，每年全球通过免疫接种可避免 300 万至 500 万人因疫苗可预防疾病（VPD）死亡（WHO，2019）。
湿地也可以成为基础设施......
生态屋顶激励计划鼓励在现有建筑和总建筑面积小于 2,000 平方米的小型新建筑上安装绿色屋顶和凉爽屋顶（具有反射表面）。该计划也适用于多伦多教育局和非营利组织的所有新建筑项目。该计划为绿色屋顶项目提供 100 美元/平方米的奖励，为凉爽屋顶项目提供 2-5 美元/平方米的奖励。此外，想要在现有建筑上建造绿色屋顶的申请人还可能有资格获得结构评估补助金，该补助金最高可提供 1,000 美元，以帮助抵消确定建筑物是否适合建造绿色屋顶的相关成本（多伦多市，北达科他州）。为了管理绿色屋顶的设计和建造并确保其满足最低要求，多伦多的所有绿色屋顶都必须符合《多伦多绿色屋顶建造标准》（多伦多市）。
腊肠犬也会得糖尿病！
本书的内容由 J. Catharine Scott Moncrieffi（文学硕士、兽医学硕士、理学硕士、DACVIM、DECVIM）；Andrea Goldyn（医学博士、DABP）；Amy Wackerly（理学学士（体育管理）、理学学士（基础教育）；Ann Mennonno（理学硕士）；Alejandro Cuza（博士）；以及 Adrianne Fisch（理学学士（消费者和社区研究））审阅。书籍设计由 Allison Carey（文学学士（美术））完成。照片由 Seth Bossingham、Vincent Walter 和美国国家海洋哺乳动物基金会提供。翻译由 Mauricio de Gortari（兽医学硕士、理学博士）和 Julio Cesar Lopez Otero（文学硕士）完成。我们还要感谢普渡大学出版社社长 Peter Froehlich 和他的团队 Katherine Purple、Bryan Shaffer、Alexandra Hoffi、Kelley Kimm 和 Becki Corbin。
1原位冷冻揭示了抑制剂引起的扰动。
隶属关系1。荷兰尼杰梅根大脑，行为和认知研究所2.语言和遗传学系，荷兰Nijmegen，Max Planck心理语言学研究所。3。鼠标成像中心，生病儿童医院，多伦多，安大略省，M5T 3H7，加拿大4。美国马萨诸塞州波士顿哈佛医学院遗传学系。 5。 美国马萨诸塞州波士顿的杨树和妇女医院病理学系。 6。 美国马萨诸塞州波士顿哈佛医学院遗传学系。 7。 美国马萨诸塞州波士顿的杨树和妇女医院病理学系。 8。 哈佛大学哈佛大学，哈佛大学，美国马萨诸塞州剑桥。 9。 牛津大学，牛津大学牛津大学，牛津郡，牛津郡，牛津大学，奥克斯39du，英国10。 荷兰尼杰梅根拉德布德大学医学中心人类遗传学系。 11。 医学成像系，拉德布德大学医学中心，邮政信箱9101，荷兰尼亚梅根美国马萨诸塞州波士顿哈佛医学院遗传学系。5。美国马萨诸塞州波士顿的杨树和妇女医院病理学系。6。美国马萨诸塞州波士顿哈佛医学院遗传学系。 7。 美国马萨诸塞州波士顿的杨树和妇女医院病理学系。 8。 哈佛大学哈佛大学，哈佛大学，美国马萨诸塞州剑桥。 9。 牛津大学，牛津大学牛津大学，牛津郡，牛津郡，牛津大学，奥克斯39du，英国10。 荷兰尼杰梅根拉德布德大学医学中心人类遗传学系。 11。 医学成像系，拉德布德大学医学中心，邮政信箱9101，荷兰尼亚梅根美国马萨诸塞州波士顿哈佛医学院遗传学系。7。美国马萨诸塞州波士顿的杨树和妇女医院病理学系。8。哈佛大学哈佛大学，哈佛大学，美国马萨诸塞州剑桥。9。牛津大学，牛津大学牛津大学，牛津郡，牛津郡，牛津大学，奥克斯39du，英国10。荷兰尼杰梅根拉德布德大学医学中心人类遗传学系。11。医学成像系，拉德布德大学医学中心，邮政信箱9101，荷兰尼亚梅根
为时已晚，无法使用太早使用？低资源孟加拉语LLMS
我们比较了开放量和封闭式LLM的性能，例如Llama-3和GPT-4与跨孟加拉语下流任务的微调编码器模型，包括翻译，摘要，汇总，释义，问答，提示和自然语言的推流。我们的发现表明，尽管LLM通常在执行任务方面表现出色，但它们在重新制定孟加拉语脚本生成的任务中的表现却是不明智的。关键挑战包括现有LLM对孟加拉脚本的效率低下，从而导致计算成本增加和潜在的性能退化。加法 - 我们重点介绍了通常用于孟加拉NLP任务的机器翻译数据集中的偏差。我们得出的结论是，孟加拉国面向的LLM非常需要，但是该领域通常缺乏为降低一个高效模型所需的高质量预科和指导调整数据集。*
玩耍也适合大人 - 新加坡
新加坡在亚太地区劳累最多的国家中，在良好的文化中，压力很高影响心理健康。在英国商业转型公司（即时组织）的一项研究中，其45小时的工作周比下一个最接近的中国多了三个小时。和新加坡的平均年假仅七天，仅次于泰国和中国。解决我们成人不满和倦怠感的部分解决方案可能是我们多年来留下的东西 - 玩。回想一下您很小的时候，游戏被视为对您的发展至关重要的东西。也许对于许多人来说，童年的比赛并不像学术成就那样重视。的确，许多人认为比赛仅适用于学前班，将类似孩子的嬉戏视为我们都需要超越的东西。但是，科学现在告诉我们我们可能做错了。在各种学科中的研究越来越多，例如进化生物学，神经科学，认知心理学，社会学和人类学，这些研究证实了人类生活和所有年龄段的游戏中心。
人工智能不必太复杂或昂贵
需要AI进行学习。这就需要关注涵盖重要案例且带有一致标签的数据，以便AI可以从这些数据中学习它应该做什么。换句话说，创建这些有价值的AI系统的关键在于我们需要能够使用数据而不是代码编程的团队。 为什么在科技领域之外采用AI如此困难 为什么AI没有在消费互联网公司之外得到广泛应用？ 其他行业采用AI面临的最大挑战包括： 1.数据集小。在拥有大量用户的消费互联网公司中，工程师拥有数百万个数据点，他们的AI可以从中学习。但在其他行业，数据集大小要小得多。例如，你能否构建一个AI系统，在仅查看50个示例后学会检测有缺陷的汽车部件？或者在仅从100个诊断中学习后检测出罕见疾病？当你只有50个数据点时，为5000万个数据点构建的技术不起作用。 2.定制成本。消费互联网公司雇佣数十或数百名技术熟练的工程师来构建和维护创造巨大价值的庞大的人工智能系统——比如，一个每年创造超过 10 亿美元收入的在线广告系统。但在其他行业，有许多价值 100 万至 500 万美元的项目，每个项目都需要一个定制的人工智能系统。例如，每家生产不同类型产品的工厂可能需要一个定制的检查系统，每家医院都有自己的健康记录编码方式，可能需要自己的人工智能来处理患者数据。这些数十万个项目的总价值是巨大的；但单个项目的经济效益可能不支持雇用一个大型的、专门的人工智能团队来构建和维护它。人工智能人才的持续短缺加剧了这个问题，这进一步推高了这些成本。3. 概念验证与生产之间的差距。即使人工智能系统在实验室中工作，也需要大量的工程来部署