XiaoMi-AI文件搜索系统
World File Search Systemembodied
新结构中的体现碳减少
建筑师，设计师和建筑公司有很大的机会通过改进的设计和建筑实践，利用低体现的碳材料和产品，以及使用再生材料/重复使用废料的策略，通过改进的设计和建筑实践，包括改进的设计和建筑实践，减少新建筑物的具体碳。本文档旨在作为有兴趣在其新建筑建筑项目中减少体现碳的建筑商，建筑师和公司的简要参考文献文件。参考指南提供了关键术语，策略，工具和数据库，标准和可用资源的概述，以帮助实现低碳新建筑。有关如何测量，减少和报告建筑产品中具体体现的碳排放的更多信息，请参阅RMI对先进的建筑结构的体现碳的简介：体现碳测量，还原和报告的基础知识。1
走向分布式和具身化的认知解释
摘要 多重外部表征 (MER) 对于科学、数学和工程学的实践和学习至关重要，因为这些领域中研究和控制的现象和实体通常无法被感知和采取行动。因此，MER 在这些领域的推理中发挥着双重构成作用。首先，MER 代表想象中的现象和实体，从而使科学研究成为可能。其次，与上述内容相关的是，与 MER 的感觉运动和想象互动使得涉及这些现象和实体的集中认知操作成为可能，例如心理旋转和类比变换。这两个构成作用表明，获得科学、数学和工程学的专业知识需要发展转化和整合该领域 MER 的能力，同时在想象中对 MER 所代表的现象和实体进行操作。因此，这种整合外部和内部表征及其操作的核心能力（称为表征能力 (RC)）对于科学、数学和工程学的学习至关重要。但是，目前尚无关于这一核心过程的一般说明。我们认为，鉴于 MER 发挥的上述两个构成作用，表征能力的理论解释需要一个明确的模型来说明认知系统如何与外部表征相互作用，以及想象力如何
指示偏见：指导调节的语言模型表现出紧急认知偏见
大型语言模型（LLMS）在协助机器人学习任务（即复杂的家庭计划）方面取得了巨大的成功。但是，经过验证的LLMS重量的性能依赖于特定领域的模板数据数据，这在具有基于图像的观察器的现实世界机器人学习任务中可能是不可行的。此外，现有的带有文本输入的LLM缺乏与环境非专家交互的发展能力。在这项工作中，我们引入了一种新颖的学习范式，该范式以文本的形式生成了可执行的动作，仅源自视觉观察。我们提出的范式与以前的作品不同，该作品利用语言说明或语言和视觉数据的组合作为输入。我们证明我们提出的方法可以提出两种微调策略，包括模仿学习和强化学习，以适应目标测试任务。我们进行了广泛的实验，其中涉及虚拟室环境中7个房屋布局的各种模型选择，环境和任务。我们的实验结果表明，我们的方法超过了现有的基准，证实了这种新型学习范式的有效性。
设计驱动器如何体现碳
分析的第一步确定了归因于信封的总具体碳的部分，该碳允许建立信封的碳预算。随后的分析探讨了关键的设计决策，例如垂直底面积比（VFAR），窗户壁比（WWR）和材料选择，它们会显着影响信封的体现碳。与ECHO报告模式标准（Echo Project，2024）保持一致，这种多维方法为碳意识式信封设计提供了数据驱动的视图框架。
基准llms用于具体决策做出
我们旨在评估大型语言模型（LLMS）进行具体的决策。尽管大量的工作一直在利用LLM在体现的环境中进行决策，但我们仍然缺乏对其性能的系统性理解，因为它们通常用于不同的域，用于不同的目的，并基于不同的输入和输出。此外，现有的评估倾向于仅依赖最终的成功率，因此很难确定LLM中缺少什么能力以及问题所在的地方，进而有效地和选择性地利用LLMS的药物。为了解决这些限制，我们提出了一个广义接口（e Mboded a gent i nterface），该界面支持基于LLM的模块的各种任务和输入输出规格的形式化。Specifically, it allows us to unify 1) a broad set of em- bodied decision-making tasks involving both state and temporally extended goals, 2) four commonly-used LLM-based modules for decision making: goal interpre- tation, subgoal decomposition, action sequencing, and transition modeling, and 3) a collection of fine-grained metrics that break down evaluation into error types, such as hallucination errors, affordance errors, and various计划错误的类型。总体而言，我们的基准对LLMS在不同子任务中的性能进行了全面评估，从而指出了LLM驱动的体现体现的AI系统的优势和劣势，并提供了对LLM在体现决策中的有效和选择性使用的见解。
慢性疾病的体现对话剂
背景：体现的对话剂（ECA）是计算机生成的动画人类字符，通过口头和非语言行为提示与用户互动。它们越来越多地用于包括医疗保健在内的一系列领域。目的：此范围审查旨在确定慢性疾病的ECAS开发和评估的当前实践。方法：我们在本综述中应用了方法学框架。共有6个数据库（即，PubMed，Embase，Cinahl，ACM数字图书馆，IEEE Xplore数字图书馆和Web of Science），使用与ECAS和Health相关的术语组合在2023年10月。两名独立审阅者选择了研究并提取了数据。此评论遵循Prisma-SCR（系统审查的首选报告和荟萃分析的范围扩展项目，以进行范围评论）。
从信息处理到具体的认知。
认知革命诞生于20世纪中叶，是对行为主义局限性和理解心理过程的愿望的回应。这一运动的核心是可以将思想视为类似于计算机的信息处理系统。乔治·米勒（George A. Miller）和乌尔里克·奈瑟（Ulric Neisser）等研究人员在这种范式转变中是先驱。他们认为，可以使用信息处理模型来研究思想，该模型涉及获取，存储和操纵信息以使世界有意义。信息处理模型提出的是，可以通过将复杂的心理过程分为一系列离散阶段来理解认知功能，例如感知，记忆和解决问题。认知心理学家使用计算机类比来描述心理操作，将大脑比作中央处理单元（CPU），该单元（CPU）从环境中处理信息输入[3，4]。
具身智能未来方向研讨会
具身智能 (EI) 是一个快速发展的领域，旨在解决有关机器智能本质的新想法。EI 模糊了人工智能和物理智能（分别为 AI 和 PI）之间的界限；它在系统的人工和自然组件之间创建了一个分散的界面。EI 旨在将自然生物中观察到的多模态和多尺度适应性融入机器中，从而为机器人技术提供一种全新的方法，让未来充满自主、有用和安全的机器。想象一个每台机器在形态和神经学上都是独一无二的世界。这样的技术将不受无意的意外（新环境）或有意的意外（对抗性攻击）的影响，因为没有两台机器会共享一个共同的致命弱点。想象一下，当机器一分为二时，会形成两个较小但不同的原始机器版本。想象一下，机器可以分解成独立组件群，并根据需要重新组合成一个物理整体。想象一下，在自主机器中，控制、驱动、感觉、通信、计算和动力之间没有明显的区别，这使得这些机器不受任何一个子系统完全失效的影响。这些机器可能还会包含生物和非生物组件，进一步结合生物和非生物世界的优点，模糊“我们”（人类）和“他们”（机器）之间的区别。