XiaoMi-AI文件搜索系统
World File Search SystemWieland
FRBSF经济信
COVID-19大流行带来了房地产市场前所未有的转变。从2020年末到2022年初，历史上低抵押贷款利率和对内政部空间的需求不断增长，这促使住房需求激增（Mondragon and Wieland 2022）。在此期间，供应链干扰和劳动力短缺加剧了住房短缺，这限制了新房屋的建设（Palin和Zimmerman 2023）。这个紧张的住房市场（以高需求和有限的供应方式都表现出来）反映在房价的快速增长和库存下降。此后，大流行期间，住房清单已从历史低谷中增加。在这封经济信件中，我们评估了供求因素在加油这些住房市场动态方面的相对重要性。我们的分析遵循Anenberg和Ringo（2024），他们证明了流动在住房市场中对衡量需求和供应冲击的相对影响的重要性。具体来说，我们专注于住房清单的净变化，这些变化是由新清单转移到住房股票中的销售额减去股票的销售。净流量的数据表明，新列表与2020年末至2022年初的流行前水平是一致的，而销售额则显着增长。这减少了住房的净流入，将房屋流动到可用的住房清单中。我们还表明，在美国县，库存变化与销售变化有很强的负相关性，而新列表的变化与库存变化几乎没有相关性。由于销售而导致的高流出现象持续存在，直到抵押贷款利率在2022年初提高，此时销售的下降幅度明显高于新上市。从那以后，新清单和销售之间的差距恢复到大流行前水平，有助于将住房清单恢复到其大流行前趋势。总体上，我们的分析表明，强劲的需求是大流行期间库存低的主要驱动力，自那以后，抵押贷款率上升已经缓解了净住房需求以恢复到更典型的水平。
GFF 2021–2025策略
GFF在整个过程中的战略指导和建议中感谢战略刷新核心团队：H.E。卫生部长Pierre Somse博士和联络官（中非共和国）的Oscar Bekaka-Youle Dobinet；全球卫生基金和合作伙伴关系高级顾问Shun Mabuchi（Bill and Melinda Gates Foundation）；人类发展部联合负责人Jo Moir/Claire Moran和外国，英联邦和发展办公室的健康顾问Meena Gandhi（英国）； Pauline Irungu，Path Kenya（民间社会）的倡导和政策经理； Devco局长B-人与和平局长Henriette Geiger以及国际援助 /合作官（欧盟委员会）的Manuel Couffignal； Anuradha Gupta，副首席执行官（Gavi）；乔什·塔巴（Josh Tabah），卫生与营养局总监，加拿大全球事务高级分析师Tracy Bender； NORAD（挪威）卫生，教育和人权部门政策部政策总监Ingvar Olsen； Helga Fogstad，执行董事和技术官员Kadi Toure（孕产妇新生儿和儿童健康的合作伙伴-PMNCH）；计划与紧急情况副执行董事Omar Abdi（联合国儿童基金会）。该过程还得到了由Kelechi Ohiri，Dara Daniel，Uchechukukwu Nwokediuko，Mariam Ibrahim和Julie Wieland代表的咨询公司Health Strategy and Travely Foundation（HSDF）的支持。HSDF根据对100多名全球和国家利益相关者的访谈以及对300多个文档的访谈进行了初步诊断报告，包括对GFF的先前评估。HSDF还参加了共同创建技术会议，并就咨询反馈制定了全面的报告。GFF团队感谢所有利益相关者，包括国民政府官员，私营部门合作伙伴，实施合作伙伴，双边和多边合作伙伴，民间社会和青年组织以及世界银行的工作人员，他们参加了这些访谈并分享了其宝贵的见解。特别感谢团队成员，他们促进了对刚果民主共和国，加纳和莫桑比克的访问，以实现国家案例研究的发展。
社论：对话式人工智能
2023 年初，对话式人工智能出现了颠覆性的发展：ChatGPT。大型语言模型技术突然可供数百万用户使用。底层 GPT-3.5 语言模型拥有 1750 亿个参数，经过 3000 亿个单词的训练，并根据人类反馈进行了微调，显示出流畅性、风格迁移和思维链推理等突发行为。此外，其数千个标记的上下文窗口支持一种对话训练形式：通过提示进行实时监督（尽管不稳定）训练。从对话的角度来看，ChatGPT 具有跨会话的对话记忆，使其能够从对话中获取先前的交互。2023 年 3 月，GPT-4 取代了 GPT-3.5，具有更大的上下文窗口，据报道在处理事实问题方面具有更高的准确性，并将图像分析与基于语言模型的交流互动联系起来。鉴于这些重大进展，人们可能倾向于认为对话式人工智能已经成熟。然而，仍存在大量未解决的问题和研究问题。关键的争论围绕着大型语言模型的社会影响和 NLP 的未来、训练机制的环境影响以及大规模采用、偏见的影响和预防以及训练数据可能存在的版权侵权。对话式人工智能领域的核心研究主题在很大程度上与底层技术（包括大型语言模型）正交。本前沿研究主题涉及许多这样的主题：人类对对话代理的感知以及对话代理表现出的社交线索对人类的影响、信息呈现在混合对话系统中的作用、除了原始文本观察数据之外使用精心注释的数据，以及人机之间交流模式的出现。Blomsma 等人的论文。解决了人类对话者对具身对话代理所表现出的性格特征的感知。这些作者通过比较人与人之间和人与人工智能之间的互动，表明动态社交反馈线索（尤其是点头）与人类感知的性格特征相关。随着对话式人工智能变得越来越多模式化和嵌入式，这些发现将对行业具有实际意义，并可能有助于人类与人工智能之间更自然的互动模式。Wieland 等人的论文与这些结果相关——这些作者研究了聊天机器人通过头脑风暴产生想法的适用性，同时考虑到聊天机器人呈现的静态社交线索（姓名、身份、图片）。他们发现，与聊天机器人进行头脑风暴可以让参与者产生越来越多样化的想法