XiaoMi-AI文件搜索系统
World File Search Systemdisc
拉斐尔 - 学科计划POS 2024-2 [伦理和人工智能.docx
机器道德。剑桥：剑桥大学出版社，第1页。 451-463，2011。Greene，J。 “我们的无人驾驶困境”。 科学352（6293），1514-1515，2016。 kasirzadeh，A。 “两种类型的AI存在风险：决定性和累积性”。 arxiv：2401.07836v2，2024 Kitchin，R。“智慧城市和城市科学的伦理”。 菲尔。 trans。 R. Soc。 A 374：20160115，2016。 Liao，M。（ed）。 人工智能的伦理。 牛津：牛津大学出版社，2020年。 Levy，D。爱+与机器人的性 - 人类机器人关系的演变。 纽约：哈珀多年生，2008年。 Mendonça，R。，Filgueiras，F。和Almeida，V。算法制度主义 - 社会和的变化规则Greene，J。“我们的无人驾驶困境”。科学352（6293），1514-1515，2016。kasirzadeh，A。“两种类型的AI存在风险：决定性和累积性”。arxiv：2401.07836v2，2024 Kitchin，R。“智慧城市和城市科学的伦理”。菲尔。trans。R. Soc。 A 374：20160115，2016。 Liao，M。（ed）。 人工智能的伦理。 牛津：牛津大学出版社，2020年。 Levy，D。爱+与机器人的性 - 人类机器人关系的演变。 纽约：哈珀多年生，2008年。 Mendonça，R。，Filgueiras，F。和Almeida，V。算法制度主义 - 社会和的变化规则R. Soc。A 374：20160115，2016。Liao，M。（ed）。人工智能的伦理。牛津：牛津大学出版社，2020年。Levy，D。爱+与机器人的性 - 人类机器人关系的演变。纽约：哈珀多年生，2008年。Mendonça，R。，Filgueiras，F。和Almeida，V。算法制度主义 - 社会和
AI蛇油练习和讨论提示
●什么是任务？您如何选择要分析的任务？在讨论Moravec的悖论时，人们常常忘记对人和计算机“容易”的任务，例如检测图像的光明。同样，对于人和计算机来说，有无数的任务“难”。当然，如果您在2x2数字中消除了两个相对的象限，那么剩余点之间的关系似乎是负面的！●当摩拉维克的悖论回到80年代时，人们认为推理很“容易”，因为它可以通过当时的符号系统来解决。不幸的是，尽管这些系统在封闭的玩具领域效果很好，但它们在现实世界中缺乏常识和挣扎。今天的推理系统依赖于生成的AI，因此尚不清楚推理在哪种意义上比图像分类更容易。
![征文：教育和教育研究中的人工智能国际研讨会 (AIEER) AIEER 2024 教育和教育研究中的人工智能国际研讨会是第 27 届欧洲人工智能会议 ECAI 2024 [https://www.ecai2024.eu/] 的一部分。本次研讨会定于 2024 年 10 月 19 日至 20 日星期六和星期日举行。 研讨会范围 本次研讨会有两个不同的重点，旨在更广泛地面向教育人工智能领域。 第 1 部分。由社会科学主导的讨论，讨论人工智能应用可能有助于解决的教育中的实际问题。这包括教育和教学人工智能的研究，也包括社会科学、经济学和人文学科，包括所有学科，如教育和教学实际行动、以教育需求为重点的劳动力市场研究、教育史和相关教育文化遗产，以及决策和行为科学观点的信息预测。一方面，我们关注人工智能、教育和社会之间的联系。这包括定量和定性研究、分析教育和劳动力市场数据的数据科学方法、推荐系统的人工智能方法以及数字化学习。另一方面，我们关注如何使用人工智能来突破该领域的界限。这包括开发新方法（包括使用人工智能的方法）、寻找和提供可访问的新数据源、丰富数据等等。在这两种情况下，不同观点之间的沟通和相互理解至关重要，这也是本次研讨会的目标之一。更广泛地说，我们感兴趣的是人工智能方法如何影响教育的所有领域以及企业和劳动力市场。这包括从小学到高等教育的所有教育部门如何受到人工智能方法的影响和对其作出反应的方法。用人工智能方法设计数字化未来为教育提出了几个问题：在最广泛的层面上，立法和规范问题；在公司层面，关于投资决策以及如何保持生产力和劳动力的问题；在个人层面，关于资格以及哪些技能需要应用和可能重新学习的问题。因此，技能和资格是教育和教育研究中人工智能的核心。第 2 部分。关于可以开发哪些人工智能应用程序（以及如何开发）来解决第 1 部分提出的问题的（计算机科学主导）讨论。使用基于人工智能的系统来支持教学或学习已经发展了 40 多年，但近年来，由于 COVID-19 大流行期间电子学习工具的使用增加以及最近生成人工智能的爆炸式增长，其增长显着增加。我们正处于这一领域发展的关键时刻，人工智能专家和教育专家必须携手合作，以在教学过程中最佳地利用这项技术。本次研讨会旨在为展示新提案和反思这一具有如此社会意义的领域的最新技术创造空间。在第一部分中，我们特别关注人工智能的技术方面，重点关注用于内容创建（生成式人工智能）、学生分析（机器学习）、学习分析或教师可解释的人工智能方法的具体技术](/simg/9/997626a7f59d17e25a28a70110fbadb440a4a51a.png)
征文：教育和教育研究中的人工智能国际研讨会 (AIEER) AIEER 2024 教育和教育研究中的人工智能国际研讨会是第 27 届欧洲人工智能会议 ECAI 2024 [https://www.ecai2024.eu/] 的一部分。本次研讨会定于 2024 年 10 月 19 日至 20 日星期六和星期日举行。 研讨会范围 本次研讨会有两个不同的重点，旨在更广泛地面向教育人工智能领域。 第 1 部分。由社会科学主导的讨论，讨论人工智能应用可能有助于解决的教育中的实际问题。这包括教育和教学人工智能的研究，也包括社会科学、经济学和人文学科，包括所有学科，如教育和教学实际行动、以教育需求为重点的劳动力市场研究、教育史和相关教育文化遗产，以及决策和行为科学观点的信息预测。一方面，我们关注人工智能、教育和社会之间的联系。这包括定量和定性研究、分析教育和劳动力市场数据的数据科学方法、推荐系统的人工智能方法以及数字化学习。另一方面，我们关注如何使用人工智能来突破该领域的界限。这包括开发新方法（包括使用人工智能的方法）、寻找和提供可访问的新数据源、丰富数据等等。在这两种情况下，不同观点之间的沟通和相互理解至关重要，这也是本次研讨会的目标之一。更广泛地说，我们感兴趣的是人工智能方法如何影响教育的所有领域以及企业和劳动力市场。这包括从小学到高等教育的所有教育部门如何受到人工智能方法的影响和对其作出反应的方法。用人工智能方法设计数字化未来为教育提出了几个问题：在最广泛的层面上，立法和规范问题；在公司层面，关于投资决策以及如何保持生产力和劳动力的问题；在个人层面，关于资格以及哪些技能需要应用和可能重新学习的问题。因此，技能和资格是教育和教育研究中人工智能的核心。第 2 部分。关于可以开发哪些人工智能应用程序（以及如何开发）来解决第 1 部分提出的问题的（计算机科学主导）讨论。使用基于人工智能的系统来支持教学或学习已经发展了 40 多年，但近年来，由于 COVID-19 大流行期间电子学习工具的使用增加以及最近生成人工智能的爆炸式增长，其增长显着增加。我们正处于这一领域发展的关键时刻，人工智能专家和教育专家必须携手合作，以在教学过程中最佳地利用这项技术。本次研讨会旨在为展示新提案和反思这一具有如此社会意义的领域的最新技术创造空间。在第一部分中，我们特别关注人工智能的技术方面，重点关注用于内容创建（生成式人工智能）、学生分析（机器学习）、学习分析或教师可解释的人工智能方法的具体技术
征文：教育和教育研究中的人工智能国际研讨会 (AIEER) AIEER 2024 教育和教育研究中的人工智能国际研讨会是第 27 届欧洲人工智能会议 ECAI 2024 [https://www.ecai2024.eu/] 的一部分。本次研讨会定于 2024 年 10 月 19 日至 20 日星期六和星期日举行。 研讨会范围 本次研讨会有两个不同的重点，旨在更广泛地面向教育人工智能领域。 第 1 部分。由社会科学主导的讨论，讨论人工智能应用可能有助于解决的教育中的实际问题。这包括教育和教学人工智能的研究，也包括社会科学、经济学和人文学科，包括所有学科，如教育和教学实际行动、以教育需求为重点的劳动力市场研究、教育史和相关教育文化遗产，以及决策和行为科学观点的信息预测。一方面，我们关注人工智能、教育和社会之间的联系。这包括定量和定性研究、分析教育和劳动力市场数据的数据科学方法、推荐系统的人工智能方法以及数字化学习。另一方面，我们关注如何使用人工智能来突破该领域的界限。这包括开发新方法（包括使用人工智能的方法）、寻找和提供可访问的新数据源、丰富数据等等。在这两种情况下，不同观点之间的沟通和相互理解至关重要，这也是本次研讨会的目标之一。更广泛地说，我们感兴趣的是人工智能方法如何影响教育的所有领域以及企业和劳动力市场。这包括从小学到高等教育的所有教育部门如何受到人工智能方法的影响和对其作出反应的方法。用人工智能方法设计数字化未来为教育提出了几个问题：在最广泛的层面上，立法和规范问题；在公司层面，关于投资决策以及如何保持生产力和劳动力的问题；在个人层面，关于资格以及哪些技能需要应用和可能重新学习的问题。因此，技能和资格是教育和教育研究中人工智能的核心。第 2 部分。关于可以开发哪些人工智能应用程序（以及如何开发）来解决第 1 部分提出的问题的（计算机科学主导）讨论。使用基于人工智能的系统来支持教学或学习已经发展了 40 多年，但近年来，由于 COVID-19 大流行期间电子学习工具的使用增加以及最近生成人工智能的爆炸式增长，其增长显着增加。我们正处于这一领域发展的关键时刻，人工智能专家和教育专家必须携手合作，以在教学过程中最佳地利用这项技术。本次研讨会旨在为展示新提案和反思这一具有如此社会意义的领域的最新技术创造空间。在第一部分中，我们特别关注人工智能的技术方面，重点关注用于内容创建（生成式人工智能）、学生分析（机器学习）、学习分析或教师可解释的人工智能方法的具体技术
药物研发中的人工智能：最新进展和未来前景
摘要简介：人工智能 (AI) 启发了计算机辅助药物发现。机器学习（尤其是深度学习）在多个科学学科中的广泛应用，以及计算硬件和软件的进步等因素继续推动这一发展。对于人工智能在药物发现中的应用，最初的大部分怀疑已经开始消失，从而使药物化学受益。涵盖的领域：回顾了人工智能在化学信息学中的现状。本文讨论的主题包括定量结构-活性/性质关系和基于结构的建模、从头分子设计和化学合成预测。强调了当前深度学习应用的优势和局限性，并展望了用于药物发现的下一代人工智能。专家意见：基于深度学习的方法才刚刚开始解决药物发现中的一些基本问题。某些方法上的进步，例如信息传递模型、空间对称性保持网络、混合从头设计和其他创新的机器学习范式，可能会变得很普遍，并有助于解决一些最具挑战性的问题。开放数据共享和模型开发将在利用人工智能推动药物发现方面发挥核心作用。
蛋白质泛素化在肺癌肿瘤发生和靶向药物发现中的作用
恶性肺癌发病率高，5年生存率极差。人类细胞内约80%-90%的蛋白质降解是通过泛素化酶途径进行的，特异性极高的泛素连接酶（E3）在靶蛋白的泛素化过程中起着至关重要的作用，泛素化通常发生在底物蛋白的赖氨酸残基上。不同的泛素化形式对靶蛋白的影响不同，多个短链泛素化残基修饰底物蛋白，是蛋白质降解的有利信号。细胞内蛋白质泛素化与去泛素化之间适应生理需要的动态平衡，有利于生物体的健康。蛋白质泛素化对许多生物学途径都有影响，这些途径的失衡导致包括肺癌在内的疾病。抑癌蛋白因子的泛素化或肿瘤致癌蛋白因子的去泛素化往往导致肺癌的进展。泛素蛋白酶体系统（UPS）是肺癌新型抗癌药物研发的宝库，尤其是针对蛋白酶体和E3s，精准靶向的致癌蛋白泛素化降解可能为肺癌药物研发提供光明的前景；特别是蛋白水解靶向嵌合（PROTAC）诱导的蛋白质降解技术将为肺癌新型药物的研发提供新的策略。
一周的国家水平教师发展计划“ AI和数据科学的多学科研究趋势”
一周的国家一级教师发展计划（FDP）关于1月29日至2024年2月2日计划的“人工智能多学科研究趋势（AI）和数据科学”。此FDP旨在使教职员工掌握遍历AI和数据科学景观所需的知识和技能，从而促进了在学术界的创新，协作和负责任的技术文化。
有关糖尿病周围神经病的筛查，诊断和管理的专家意见：一种多学科方法
拟议的专家意见旨在解决糖尿病周围神经病（DPN）的概念，临床和治疗方面的当前知识，并提供指导文件，以帮助临床医生在DPN护理中提供最佳实践。参与的专家认为临床医生对这种疾病的怀疑是早期识别和诊断的关键因素，强调了第一次入选或推荐医生对疾病的意识提高。提出的“筛查和诊断”算法涉及在患有神经性症状和/或神经病的迹象的患者中考虑DPN，并在dpn危险中谨慎地考虑远距离的Neuropthe neuropthe neuropth periper neurop，并排除其他详细的神经疗法，以排除AIRIPATH的NEUROP，并排除其他导致A的神经性症状和/或迹象。在非典型情况下对小神经功能障碍或大型神经功能障碍的结果测试。尽管目前，DPN的第一线干预措施由优化的血糖控制（主要用于1型糖尿病）和多因素干预措施（主要针对2型糖尿病）表示，但需要个性化的DPN发病机理治疗方法。alpha-脂肪酸（ALA）似乎是一条重要的第一线发病机理，因为它是一种直接和间接的抗氧化剂，可与直接针对活性氧的策略一起使用，并非上定义地支持内源性抗氧化剂的能力，以改善DPN条件。该专家意见文件有望增加在该领域的现有研究中仍然存在差距，需要具有敏感终点和标准化方案的精心设计，健壮，多中心临床试验，以通过简单有效的算法促进DPN的诊断，并跟踪疾病的进展和治疗反应。识别生物标志物/预测因子，从潜在的疾病调整角度可以允许个性化方法，这可能会为新型治疗的新疗法提供机会，这些疗法在DPN的早期阶段会有效，并且可能会改变这种疾病的自然病程。识别生物标志物/预测因子，从潜在的疾病调整角度可以允许个性化方法，这可能会为新型治疗的新疗法提供机会，这些疗法在DPN的早期阶段会有效，并且可能会改变这种疾病的自然病程。