XiaoMi-AI文件搜索系统
World File Search Systemcommonsense
政府政策声明 - 白宫
政府反对 H.J.决议。42，不赞成哥伦比亚特区议会批准《2022 年综合警务和司法改革修正案》的行为。总统认为我们有义务确保我们所有人的安全，公共安全取决于公众信任。本届政府的一项核心政策是向执法部门提供有效、负责任的社区警务所需的资源。虽然拜登总统并不支持《2022 年综合警务和司法改革修正案》的每一项规定，但他不会支持国会共和党人推翻常识性警察改革的努力，例如：禁止锁喉；限制使用武力和致命武力；改善随身摄像机记录的获取；并要求警官接受降级和使用武力方面的培训。国会应尊重哥伦比亚特区通过改善公共安全和公众信任的措施的权利。总统还继续呼吁国会通过符合常识的警察改革立法。
苏珊·T·菲斯克和雪莱·E·泰勒
通过询问人们如何理解他人，可以研究他们对社会世界的理解（Heider，1958）。这是现象学的路线：系统地描述普通人如何体验他们的世界。如果人们是对的，研究人员可以利用这些见解，通过将许多人的直觉模式整合在一起，建立正式理论。即使人们错了，研究人员也可以研究人们的常识理论本身，以了解人们的想法。社会认知研究人员也关注这种常识理论，即朴素心理学，其本身就是值得研究的。也就是说，人们对彼此的日常理论本身就值得研究。因此，如果聚会上的人对人们如何形成对彼此的印象有一些想法，那么这个人的非正式想法本身就很有趣。有时研究人员的非正式个人经历可以为正式理论和实证研究提供基础。
人口与可持续发展：毛里求斯
最近，人们撰写了无数有关可持续发展的论文和书籍，目前正在出版，部分是为了准备 1992 年世界环境与发展大会，本项目也将为此大会提供投入。其中一些还考虑了人口变量在发展与环境相互作用中的作用。通常，此类研究在地理方面具有全球视角，但在实质性方法上往往相当狭窄，从特定的经济思想流派到气候学和水文学。只有极少数研究关注社会结构和行为、生活方式甚至文化。但常识告诉我们，如果我们想研究消费模式、能源使用类型、土地使用和其他深深植根于社会结构的行为形式的变化，这些因素非常重要。这些因素在不同地区和不同发展阶段之间存在很大差异。对它们进行全球分析，尤其是结合经济和环境因素，将极其复杂。
人口与可持续发展：毛里求斯
最近，人们撰写了无数有关可持续发展的论文和书籍，目前正在出版，部分是为了准备 1992 年世界环境与发展大会，本项目也将为此大会提供投入。其中一些还考虑了人口变量在发展与环境相互作用中的作用。通常，此类研究在地理方面具有全球视角，但在实质性方法上往往相当狭窄，从特定的经济思想流派到气候学和水文学。只有极少数研究关注社会结构和行为、生活方式甚至文化。但常识告诉我们，如果我们想研究消费模式、能源使用类型、土地使用和其他深深植根于社会结构的行为形式的变化，这些因素非常重要。这些因素在不同地区和不同发展阶段之间存在很大差异。对它们进行全球分析，尤其是结合经济和环境因素，将极其复杂。
模糊逻辑在人工智能中的位置
到目前为止，“模糊逻辑”一词通常指一种特定的控制工程方法，该方法利用常识控制规则的数值表示，以便通过插值合成控制律。这种方法与神经网络有许多共同特征。它现在主要关注数值函数的有效编码和近似，目前与知识表示问题的关系越来越少。然而，这是对模糊逻辑的非常狭隘的看法，与人工智能关系不大。扫描模糊集文献，人们意识到模糊逻辑也可能指另外两个与 M 相关的主题：多值逻辑和近似推理。虽然多值逻辑流非常以数学为导向，但 Zadeh 设想的近似推理概念与人工智能研究的主流程序更相关：他在 1979 年写道：“近似推理理论涉及从一组不精确的前提中推导出可能不精确的结论”。在下文中，我们将使用术语“模糊逻辑”来指代任何一种旨在用于推理机制的基于模糊集的方法。
婴儿认知启发的机器基准，用于识别代理，隶属关系，信念和意图
人类婴儿具有出色的能力来推理驱动他人行为的基本和无形原因。这些能力是人类一生的人类社会认知的核心。人工智能（AI）系统在实现同样的常识性社会知识方面仍然缺乏。最近关注社会认知和心理理论的基准已经开始解决人类和机器社会智力之间的差距，但他们并未完全考虑使用Multiple互动代理来理解场景所需的社会推理。在此类基准测试的基础上，我们提出了八项新任务，该任务着重于不同的早期社会竞争，如婴儿的行为实验所示。我们使用自我监督的变压器模型作为对我们新任务的基线测试，此外，我们在以前的社会认知基准上评估了该模型。与其他数据驱动的模型相比，我们的模型在以前的基准测试中显示出改进的性能，但它在我们的新任务上表现出色，从而揭示了仅通过视觉数据学习复杂的Soial Sots相互作用的挑战。
llm a*：循环中的人类大型语言模型启用了*搜索机器人
摘要 - 这项研究着重于大型语言模型（LLMS）如何以人为融合和互动方式为移动体现的代理（例如机器人）提供（路径）计划。一个名为llm a*的新型框架旨在利用LLMS的常识，并提出了公用事业 - 最佳的A*，以促进几乎没有最佳的路径计划。提示用于两个主要目的：1）向LLM提供环境，成本，启发式等基本信息。; 2）向LLMS传达有关中间计划结果的人类反馈。这种方法将人类反馈在船上，并将整个计划过程透明（类似于“白盒”）给人类。此外，它有助于无代码路径计划，从而促进了人工智能技术向社区的可访问性和包容性，较少精通编码。对A*和RL的比较分析表明，LLM A*在搜索空间方面表现出更高的效率，并且在表现优于RL的同时获得了与A*相当的路径。llm a*的互动性也使其成为协作人类机器人任务中部署的有前途的工具。可以在GitHub上找到代码和补充材料：https：//github.com/speedhawk/llm-a--。
以人为本的人工智能的演算 - 论证
人工智能最初是认知科学中对人类智能的研究与计算机科学的方法和理论的综合。1 总体目标是制定人类智能的计算模型，并基于这些模型实现系统以模拟自然形式的智能。在人工智能发展的中期（1980-2010 年），这一最初的动机大部分时间都被搁置，重点转向超智能人工智能（Bostrom，2014 年），这种人工智能可以超越特定应用领域中普通人类的解决问题的能力，例如大规模规划（Bonet 和 Geffiner，2001 年）、数据分析和数据挖掘（Nisbet 等人，2018 年）。过去十年，人工智能重新回归其早期目标，即理解和构建以认知兼容和协同方式与人类运作的类人智能系统。 2 这在很大程度上是由市场对人工智能系统日益增长的需求推动的，这些系统可以充当人类用户的（专家）同伴或同伴。“旧人工智能”的重新出现，现在被称为以人为中心的人工智能（HCAI），旨在在自然或常识智能领域提供服务，以支持和增强用户在从组织日常工作到确保合规等任务中的自然能力
ICLR2025关于机器人学习生成模型的研讨会提案（GenBot）
下一代机器人应结合其他领域的想法，例如计算机视觉，自然语言处理，机器学习和许多其他领域，因为封闭环境需要在复杂的真实环境中基于多模式输入来处理复杂的任务。这个研讨会的计划着重于机器人学习的生成模型，该模型在于AI和机器人技术的重要和基本领域。基于学习的机器人技术方法已在各种任务中实现了高成功率和概括能力，例如操纵，导航，大满贯，场景重建，原则和物理建模。但是，机器人学习面临着几个挑战，包括数据收集的昂贵成本以及在不同任务和方案中的可转移性较弱。受到计算机视觉和自然语言处理的重大进展的启发，已经努力将生成模型与机器人学习结合在一起，以应对上述挑战，例如综合高质量数据，并将生成框架纳入表示和政策学习。此外，预先训练的大型语言模型（LLM），视觉语言模型（VLM）和视觉语言 - 行动（VLA）模型适用于各种下游任务，以充分利用丰富的常识知识。这种渐进发展使机器人学习框架可以应用于复杂而多样化的现实世界任务。