XiaoMi-AI文件搜索系统
World File Search Systemligence
电网连接的混合可再生能源系统的最佳规模：以南非德班住宅区为例
摘要 包括南非在内的许多国家都出台了政策和激励措施来增加可再生能源容量，以解决环境问题并减少向大气中的污染物排放。此外，由于缺乏足够的电力生产，南非消费者自 2007 年以来一直面临着不断上涨的电价和不可靠的电网问题。因此，采用混合可再生能源系统 (HRES) 越来越受欢迎。本研究重点关注基于太阳能光伏 (PV) 板和风力涡轮机的并网 HRES，以此作为减少住宅部门消费者对电网依赖的潜在方法。它旨在以德班为例，确定在一定时期内对消费者具有成本效益的可再生能源的最佳规模。两种人工智能方法已用于获得可用的 PV 板、风力涡轮机和逆变器的最佳尺寸。结果表明，PV 板和电池存储的组合可以是一个有利可图的选择。使用额定功率更高的光伏电池板的系统可以在较短的使用寿命内开始盈利，但只有考虑到足够长的使用寿命，使用电池才具有成本效益。关键词：经济高效的 HRES；遗传算法优化器；粒子群优化器；风能和太阳能混合能源系统
基于技术决定论的人工智能对就业和收入不平等影响研究
四百年前，英国哲学家霍布斯描述了一种恐怖的海怪，名叫利维坦，暗指强大的现代国家和绝对君主制的至高无上。利维坦从此被人们铭记为自由的死亡和反乌托邦的噩梦[1]。不料四个世纪后，这个怪物借助科技力量再次降临人间，战斗力更是升级，不仅能洞悉人心、洞察万物，还能精准锁定、智能控制。“数字利维坦”再度成为现代人心中挥之不去的阴影。在第四次工业革命来临的今天，人工智能在为社会创造巨大贡献的同时也带来了各种社会问题，如数字鸿沟、社会排斥、阶层分化等。如果不加以约束和治理，人工智能有可能演变成新时代的“数字利维坦”，对社会结构带来巨大挑战。其中，人工智能对就业与收入制度的影响引起了学界的广泛关注。本文通过梳理相关文献，探讨人工智能影响就业与收入不平等的方向，并提出相关建议，从而改善人工智能时代的社会分层结构，为维护社会稳定、促进共同富裕作出贡献。
![arXiv:2201.02950v1 [cs.AI] 2022 年 1 月 9 日](/simg/7\7950d74bd5d43cfd47f19f081b684a20edfbc27a.png)
arXiv:2201.02950v1 [cs.AI] 2022 年 1 月 9 日
存在几种不同的方法可以确保未来变革性人工智能 (TAI) 或人工智能超级智能 (ASI) 系统的安全 [Yampolskiy, 2018, Bostrom, 2014]，不同方法的支持者对其工作在短期内以及对未来系统的重要性或有用性提出了不同且有争议的主张。高可靠性代理设计 (HRAD) 是最具争议和最雄心勃勃的方法之一，由机器智能研究所 [Soares and Fallenstein, 2017] 等机构倡导，关于它是否以及如何降低未来人工智能系统的风险，人们提出了各种论点。为了减少关于人工智能安全性的辩论中的混乱，我们在此以 Rice [2020] 之前的讨论为基础，该讨论收集并提出了四个核心论点，用于证明 HRAD 是实现人工智能系统安全的途径。我们将这些论点命名为 (1) 附带效用、(2) 消除混淆、(3) 精确规范和 (4) 预测。其中每一个都对未来人工智能系统如何存在风险提出了不同的、部分相互冲突的说法。我们根据对已发表和非正式文献的审查以及咨询就该主题发表立场的专家，解释了这些假设和主张。最后，我们简要概述了反对每种方法和总体议程的论点。
人类自主权受到威胁？来自……的挑战分析
摘要 自主性是一种核心价值，深深植根于许多社会的道德、法律和政治实践中。人工智能 (AI) 的发展和部署引发了有关 AI 对人类自主性影响的新问题。然而，对这些影响的系统评估仍然很少，而且通常是逐案进行的。在本文中，我提供了一个概念框架，它既将看似不相干的人类自主性问题联系在一起，也强调了它们之间的差异。在第一部分中，我区分了目前在“人类自主性”这一总称下解决的不同问题。特别是，我展示了如何区分作为真实性的自主性和作为代理的自主性，这有助于我们找出与 AI 部署不同的挑战。其中一些挑战已经众所周知（例如在线操纵或限制自由），而其他挑战则受到的关注较少（例如自适应偏好形成）。在第二部分中，我讨论了人工智能系统在自主性背景下可以承担的不同角色。特别是，我区分了承担代理角色的人工智能系统和被用作工具的人工智能系统。我的结论是，虽然没有“灵丹妙药”来解决对人类自主性的担忧，但考虑其各个维度可以帮助我们系统地解决相关风险。
论人工智能在精神病学中的作用
根据最新的成人精神病学发病率调查，英格兰大约六分之一的成年人符合精神障碍的标准。1然而，在许多情况下，尽管仍存在污名化和资源过度紧张的情况，我们仍然依赖这些人来争取自己的诊断和治疗。显然，问题是多方面的，人工智能（AI）并不是灵丹妙药。然而，在本分析中，我将论证人工智能是一种工具，可以利用它来减轻未来精神卫生服务日益加重的负担。虽然没有单一的可接受定义，但艾达·阿琳·乔伊纳将人工智能描述为“能够执行通常需要人类智能的任务的计算机系统的理论和开发，例如视觉感知、语音识别、决策和语言间翻译”。2由于“人类智能”是主观的，因此人工智能领域是动态和多样化的。机器学习是一个更具体的术语，指的是人工智能技术的一个子集，它允许机器自动从过去的数据中学习，而无需显式编程。深度学习是机器学习的一个子集，它使用一种称为神经网络的特殊建模技术从数据中学习。这将在深度学习部分进行更详细的讨论。在本文中，我通过跟踪患者的诊断、监测和治疗过程来探索人工智能在精神病学中的作用。最后，我提请大家注意伦理问题和该技术的当前局限性，这些问题可能会成为其采用的障碍。
学习、分析和人工智能在教育中的相互作用：混合智能的愿景
摘要 本文从多维度阐述了人工智能在教育中的作用，强调了人工智能、分析和人类学习过程之间错综复杂的相互作用。在此，我对普遍存在的将人工智能作为教育工具的狭隘概念提出质疑，例如将人工智能作为生成性人工智能工具，并主张人工智能的替代概念对于实现人机混合智能的重要性。我强调了人类智能与人工智能信息处理之间的差异，以及人机混合系统对扩展人类认知的重要性，并假设人工智能也可以作为理解人类学习的工具。早期学习科学和教育研究中的人工智能（AIED）将人工智能视为人类智能的类比，但两者的观点已经出现分歧，这促使人们需要重新建立这种联系。本文介绍了人工智能的三种独特概念：人类认知的外化、人工智能模型影响人类心智模型的内化以及通过紧密耦合的人机混合智能系统扩展人类认知。本文从当前研究和实践中的例子出发，探讨了教育领域这三种概念的实例，强调了每种概念对人类能力发展的潜在价值和局限性，以及过分强调用人工智能工具取代人类学习机会的方法的危险。本文最后提倡采用一种更广泛的 AIED 方法，超越设计方面的考虑
大人工智能：云基础设施依赖和人工智能的产业化
摘要 批判学者认为“没有大型科技公司就没有人工智能”。本研究深入探讨了亚马逊、微软和谷歌 (Alphabet) 等大型科技集团在“人工智能工业化”中扮演的重要作用。这一概念概括了人工智能技术从研发阶段转向跨不同行业部门的实际应用，从而产生了新的依赖关系和相关投资。我们使用“大型人工智能”一词来概括人工智能和大型科技公司的结构性融合，其特点是人工智能与这些大型科技公司的基础设施、资源和投资之间存在深刻的相互依赖。我们的研究采用“技术图表”方法，仔细研究了大型科技公司在人工智能领域的基础设施支持和投资，重点关注企业合作伙伴关系、收购和金融投资。此外，我们还对亚马逊、微软和谷歌提供的全部云平台产品和服务进行了详细研究。我们表明，人工智能不仅仅是一个抽象的概念，而是一个实际的技术堆栈，包括基础设施、模型、应用程序以及依赖该堆栈的应用程序和公司的生态系统。值得注意的是，这些科技巨头已将堆栈的所有三个组件无缝集成到他们的云产品中。此外，他们还开发了以行业为中心的解决方案和市场，旨在吸引第三方开发人员和企业，促进更广泛的人工智能生态系统的发展。这项分析强调了人工智能和云基础设施之间错综复杂的相互依赖关系，强调了云人工智能的行业特定方面。
DOI 10.22363/2313-2329-2020-28-3-556-567 UDC 334:338:007.52:004.8 研究论文 数字化和人工智能对现代经济、社会和管理的挑战 1
俄罗斯人民友谊大学 (RUDN University) 莫斯科米克卢霍-马克拉亚街 6 号，邮编 117198，俄罗斯联邦 摘要。本研究旨在确定数字化和人工智能对现代经济、社会和企业管理的挑战。工业 4.0 等数字化计划的实施目前是许多发达国家的官方政策。目标是优化生产流程和供应链。人工智能也影响着许多领域。预计这两项技术都将大大改变许多人的工作条件。重要的是确定这些变化的类型和影响以及可能的最小化负面影响的方法。为此，本研究利用先前关于美国制造业工作岗位消失及其对社会不同群体的影响的结果以及有关新技术的技术信息来推断数字化和人工智能带来的预期变化。结果是，这两种技术都将摧毁大量的工作岗位并完成工作类别，同时创造与被摧毁的工作岗位截然不同的新工作岗位。有必要对员工进行广泛的永久性教育和再教育，以尽量减少负面影响，甚至可能需要进行更广泛的教育，以提高进入全新领域的工作潜力。此外，有关网络物理系统数字化的技术信息指出了需要在国际层面上解决的危险。
使用流体壁微流体技术检测巨噬细胞趋化性
自 1960 年代以来，人们使用了各种趋化性测定方法，但这些测定方法都存在很大的局限性。Transwell 测定方法技术简单且应用广泛；将装有细胞的多孔插入物放置在装有引诱剂的孔内，（一旦通过扩散建立起浓度梯度）细胞就会通过微米大小的孔迁移到孔中，通过取出插入物并计数孔中的细胞来量化趋化性。[5] xCEL-Ligence 测定方法提供了一项重大技术进步；当细胞穿过改良的 Boyden 室中的孔时，可以实时测量阻抗变化。[6] 为了解决 Transwell 测定方法的一些局限性，人们引入了替代方法，包括跟踪和监测单个细胞（如 Dunn 室）[7] 以及检测细胞可逆性或细胞趋向性（如琼脂糖下迁移测定方法）。 [8] 最近，人们开发出了微流控系统 [9]，该系统能够控制稳定的梯度，[10] 区分不同类型的运动（例如，趋化性、化学运动——无方向性细胞迁移和逃逸性 [11] ），实时追踪单个细胞，[12] 并提高吞吐量 [13]——有时不需要太多依赖专门的设备即可实现。 [14] 虽然微流控方法前景广阔，但它们在生物医学研究中的应用受到了阻碍，因为操作设备所需的技术复杂性、制造和原型制作时间长、经常使用的塑料的生物相容性问题（即聚二甲基硅氧烷、
探索人工智能系统的潜在应用领域以识别参与：特殊教育专家的见解
积极参与自闭症谱系障碍（ASD）的儿童（例如，教育和社会活动）在增强其认知，运动和社会发展方面起着至关重要的作用。这提供了增强整体发展的机会，包括学习能力，身体协调和社会影响。间接方法，利用传感器和人工intel-ligence（AI）表现出增强参与预测的潜力，但主要集中在特定领域，从而导致差距导致ASD研究的可推广性有限。由于ASD小型样本量，由于年度ASD人群的增加，这一差距提出了一个重大挑战，突出了对实用和适用的研究解决方案的需求，尤其是对于一般学习。在这项工作中，我们进行了专家访谈，以探索AI注入的系统的潜在应用领域，这些系统为ASD提供了三个级别的参与状态，从“不参与和失控”到“高度参与”。对特殊教育工作者的访谈揭示了五个关键领域，用于AI驱动的参与识别：社交技能培训，刻板印象的行为修改，对休闲活动的支持，有效的辅导和独立的日常生活技能。这些发现突出了自适应AI干预措施的潜力，以证明教育和日常成果，并提倡为ASD儿童扩大申请。