XiaoMi-AI文件搜索系统
World File Search Systemdie
OpenEQA：基础模型时代的具体问题回答
我们提出了一种现代的体现问题答案（EQA），这是理解环境足以以自然语言回答问题的任务。代理可以通过借鉴情节记忆来实现这种理解，就像在移动机器人的情况下一样，由代理商在智能眼镜上示例或积极探索环境。我们使用OpenEQA（用于EQA的第一个开放式基准基准数据集）伴随着我们的配方。OpenEQA包含超过180个现实环境提取的1600多个高质量的人类生成的问题。除了数据集外，我们还提供了一种自动LLM驱动的评估协议，该协议与人类判断具有良好的相关性。使用此数据集和评估协议，
多酚和神经退行性疾病，饮食和 div>的观点
I. Ambato技术大学，健康科学学院，营养与饮食学生涯，Ambato，厄瓜多尔。 div>II。 div>Ambato技术大学，健康科学学院，营养与饮食学生涯，Ambato，厄瓜多尔。 div>
5.09.2023 告别空军将军的武器......
希望参加此次活动的记者请于 9 月 6 日星期三中午 12 点之前通过电子邮件认证，注明姓名、名字、出生日期和地点，发送至以下地址：media@dicod.fr。
开放访问一系列成像研究（OASIS）：年轻，中年，非痴呆和痴呆的老年人的横截面MRI数据
开放式成像研究（OASIS）是一个旨在使大脑的磁共振成像（MRI）数据集的大脑数据集，可自由使用科学界。通过编译和自由分发MRI数据集，我们希望促进基本和临床神经科学中的未来发现。具体来说，OASIS项目旨在扮演许多角色。首先，绿洲图像和相关措施是持续科学探索的数据集。从整个成人寿命中从有或没有痴呆症的400多个个人获得的一组图像开始，选择了绿洲数据集，以鼓励对高兴趣主题进行研究，并提供对个别实验室难以获取的数据。第二，OASIS数据是研究人员创建和推动分析技术的目标。由于图像是从多个年龄和健康状况的受试者中获取的，因此绿洲数据可用于测试人类大脑各种景观各个范围内技术的鲁棒性和有效性。第三，绿洲数据可以用作相似分析技术的基准目标。标准图像证明了证明和对比方法的共同参考点。通过仔细筛选
XI-计算机研究
■和法律：x.0 = 0，x.1 = x，x.x = x，x.x'= 0（其中x'不是x）。■或法律：x+0 = x，x+1 = 1，x+x = x，x+x'= 1。■不是法律：（x'）'= x，0'= 1，1'= 0。■交换定律：x.y = y.x，x+y = y+x。■关联定律：（x.y）.z = x。（y.z），（x+y）+z = x+（y+z）。■分配法律：x。（y+Z）= X.Y+X.Z，X+（y.z）=（x+y）。（x+z）。■吸收定律：x+（x.y）= x，x。（x+y）= x。■de Morgan的定理：（x.y）'= x' + y'，（x + y）'= x'.y.y'。○真相表：布尔表达的表达式。它列出了所有可能的
物质与心灵：哲学探究（波士顿科学哲学研究，287）
有人给我递来一个鳄梨。它很有营养 — — 这是一个客观陈述；我喜欢它 — — 这是一个主观句子。其实只有我的一部分喜欢它，也就是我的大脑。它 — — 当然还有一件事 — — 让我兴奋不已。没有它就没有我。我的大脑是物质的东西，虽然是活的，而不仅仅是物理的。它的思想，我的意思是我的思想，是我大脑功能的一部分，就像我的微笑是我面部肌肉的收缩 — — 虽然不是自动的，而是由我的前额叶皮质控制的。没有器官，就没有功能。简而言之，有物质的东西，比如大脑，也有其中的过程，比如思想和感觉。换句话说，有它的，或物质的东西，也有我们，我们自己。这不是现实的二元性或二元性的例子，而是事物（比如大脑）和其中某些过程（比如思想）之间的区别。所以，就是这样：我是一个毫不掩饰的一元论者。我和德谟克利特属于同一个俱乐部，而不是柏拉图，而且我为伟大的亚里士多德在这一点上的犹豫不决而感到顽皮的喜悦，而这一点是所有宗教和哲学的思想源泉。我是唯物主义者，但不是物理主义者，因为作为一名物理学家，我了解到物理学既不能解释生命，也不能解释思想，也不能解释社会。物理学甚至无法解释现象（表象），因为这些现象发生在大脑中，而大脑是超物理的东西；它也不能完全解释机器，因为机器体现了诸如价值、目标和安全等非物理的思想。物理学只能解释最低层次的组织，这是大约 35 亿年前最早的生物出现之前唯一存在的组织。因此，物理主义，即唯物主义最早和最简单的版本，无法应对化学反应、新陈代谢、颜色、心理、社会性或人工制品。我们当代的物质概念既不是德谟克利特的，也不是牛顿的，后者仍被大多数哲学家所持有，这也是大多数人难以相信物质能够思考的原因。他们是对的：一堆大理石无法思考。但大脑是由活组织构成的，活组织具有物理物质所缺乏的特殊性质；其组成原子比古代原子论者想象的微小大理石要微妙和复杂得多。因此，现代唯物主义不应与物理主义相混淆，更不用说机械论了，因为它是包容性的，而不是排除性的。然而，这些混淆在哲学文献中却十分普遍。正统的身心二元论反映在心灵哲学与物质哲学之间的鸿沟中。在维特根斯坦的影响下
全基因组关联研究的网络分析以确定药物靶点的优先次序
摘要 在过去的几十年中，全基因组关联研究 (GWAS) 导致与人类特征和疾病有关的遗传变异急剧增加。这些进展有望带来新的药物靶点，但从 GWAS 中识别致病基因和人类疾病背后的细胞生物学仍然具有挑战性。在这里，我们回顾了基于蛋白质相互作用网络的 GWAS 数据分析方法。这些方法可以在没有直接遗传支持的情况下对 GWAS 相关位点或疾病基因相互作用因子中的候选药物靶点进行排序。这些方法可以识别出不同疾病中共同受影响的细胞生物学，为药物重新利用提供机会，也可以与表达数据相结合以识别局部组织和细胞类型。展望未来，我们预计这些方法将随着特定情境相互作用网络表征和罕见与常见遗传信号的联合分析方面的进展而得到进一步改进。
简单但有效：具身人工智能的 CLIP 嵌入
对比语言图像预训练 (CLIP) 编码器已被证明对从分类和检测到字幕和图像处理等一系列视觉任务有益。我们研究了 CLIP 视觉主干对 Embodied AI 任务的有效性。我们构建了非常简单的基线，称为 EmbCLIP，没有任务特定的架构、归纳偏差（例如使用语义图）、训练期间的辅助任务或深度图——但我们发现我们改进的基线在一系列任务和模拟器中表现非常出色。EmbCLIP 在 RoboTHOR ObjectNav 排行榜上以 20 分（成功率）的巨大优势名列前茅。它在 iTHOR 1-Phase Rearrangement 排行榜上名列前茅，击败了采用主动神经映射的第二佳提交作品，并且 % Fixed Strict 指标增加了一倍多（0.08 到 0.17）。它还击败了 2021 年 Habitat ObjectNav 挑战赛的获胜者，该挑战赛采用了辅助任务、深度图和人工演示，以及 2019 年 Habitat PointNav 挑战赛的获胜者。我们评估了 CLIP 的视觉表示在捕获输入观察的语义信息方面的能力——这些原语对于导航繁重的具身任务很有用——并发现 CLIP 的表示比 ImageNet 预训练的主干更有效地编码了这些原语。最后，我们扩展了我们的一个基线，生成了一个能够进行零样本物体导航的代理，它可以导航到训练期间未用作目标的物体。我们的代码和模型可以在 https://github.com/allenai/embodied-clip 获得。
BEHAVIOR-1K：具有 1,000 个日常活动和现实模拟的具身 AI 基准
摘要：我们提出了 BEHAVIOR-1K，一个以人为本的机器人综合模拟基准。BEHAVIOR-1K 包括两个部分，分别由“您希望机器人为您做什么？”这一广泛调查的结果指导和推动。第一个部分是定义 1,000 种日常活动，基于 50 个场景（房屋、花园、餐厅、办公室等），其中有 5,000 多个对象，并标注了丰富的物理和语义属性。第二个部分是 O MNI G IBSON，这是一个新颖的模拟环境，它通过逼真的物理模拟和刚体、可变形体和液体的渲染来支持这些活动。我们的实验表明，BEHAVIOR-1K 中的活动是长期的并且依赖于复杂的操作技能，这两者对于最先进的机器人学习解决方案来说仍然是一个挑战。为了校准 BEHAVIOR-1K 的模拟与现实之间的差距，我们提供了一项初步研究，研究如何在模拟公寓中使用移动机械手学到的解决方案转移到现实世界中。我们希望 BEHAVIOR-1K 的人性化本质、多样性和现实性能够使其对具身化 AI 和机器人学习研究有价值。项目网站：https://behavior.stanford.edu。