XiaoMi-AI文件搜索系统
World File Search Systemlimits
自主性和认知增强的局限性
35 关于深部脑刺激 (DBS) 后自我疏离的神经伦理学文献及其对自主性的影响，请参阅 Klaming, L., & Haselager, P. (2010)。是我的大脑植入物让我这么做的吗？深部脑刺激提出了关于心理连续性、行动责任和心理能力的问题。神经伦理学，6，527–539；Gilbert, F. (2013)。深部脑刺激治疗难治性抑郁症：术后自我疏离感、自杀企图和冲动攻击行为。神经伦理学，6，473–481；Lipsman, N., & Glannon, W. (2013)。大脑、思维和机器：深部脑刺激对个人身份、自主性和自由意志的感知有何影响？生物伦理学，27，465–470；Gilbert, F. (2015)。对自主性的威胁？预测性大脑植入物的侵入。 AJOB 神经科学，6 (4)，4–11；Gilbert, F.、Viaña, JNM 和 Ineichen, C. (2018)。打破“DBS 导致人格改变”的泡沫。神经伦理学。doi：10.1007/s12152-018-9373-8；Gilbert, F.、Cook, M.、O'Brien, T. 和 Illes, J. (2019)。体现与疏远：首次人体“智能脑机接口”试验的结果。科学与工程伦理，25(1)，83–96。
论人工智能（AI）在教育领域的局限性
摘要 近期围绕人工智能 (AI) 的夸大其词影响了我们正确考虑这项技术的持久教育影响的能力。本文概述了一些关键问题和担忧，这些问题和担忧需要在未来围绕 AI 的教育讨论中更加突出。其中包括：(i) 教育过程和实践的统计建模和计算方式有限；(ii) 人工智能技术有可能对少数族裔学生造成社会危害；(iii) 重组教育以使其更“机器可读”而造成的损失；以及 (iv) 数据密集型和设备密集型人工智能的生态和环境成本。本文最后呼吁放慢并重新调整当前围绕人工智能和教育的讨论——更多地关注权力、抵抗和重新构想教育人工智能的可能性问题，使其更加公平和有利于教育。
生成式 AI 的局限性和无限潜力
将 AI 生成的内容用于商业用途时请谨慎。随着有关内容所有权和版权侵权的法律投诉在法律体系中不断涌现，大多数 AI 生成的内容都存在于法律灰色地带，我们建议在将 AI 输出用于广告和其他商业用途之前要谨慎。3
人工智能发展中的全球包容性限制
最有可能从人工智能 (AI) 系统的扩散中获利的人是那些拥有最强大经济实力的人。现存的全球不平等促使西方机构让更多不同的群体参与 AI 系统的开发和应用，包括雇用外国劳动力和建立跨国数据中心和实验室。然而，考虑到财富倾向于促进自身积累以及自上而下的 AI 解决方案缺乏背景知识，我们认为应该更多地关注权力的重新分配，而不仅仅是包括代表性不足的群体。除非采取更多措施确保公平分配引领 AI 发展的机会，否则未来可能只会出现不适合其应用条件并加剧不平等的 AI 系统。
人工智能、合理化和控制的极限
在本文中，我们首先将公共部门使用人工智能 (AI) 系统定义为长期合理化和官僚化进程的延续和强化。借鉴韦伯的观点，我们认为这些进程的核心是用工具理性取代传统，即实现任何给定政策目标的最可计算和最有效的方式。其次，我们展示了公众和学术界对人工智能系统的批评有多少源于众所周知的韦伯式合理化核心矛盾。为了说明这一点，我们引入了一个思想实验，其中人工智能系统用于优化税收政策以推进特定的规范目标：减少经济不平等。我们的分析表明，建立一个促进社会和经济平等的机器式税收制度是可能的。然而，我们的分析还强调，人工智能驱动的政策优化 (i) 排除了其他竞争性政治价值观，(ii) 凌驾于公民对彼此的 (非工具性) 义务感之上，以及 (iii) 破坏了人类作为自我决定生物的概念。第三，我们观察到，当代旨在确保人工智能系统合法、合乎道德和安全的学术研究和倡导建立并强化了合理化过程所依据的核心假设，包括现代观念，即科学可以扫除压迫性制度，并用理性规则取而代之，从而将人类从道德不公正中拯救出来。这过于乐观：科学只能提供手段——它们不能决定目的。尽管如此，在公共部门使用人工智能也可以使自由民主国家的机构和进程受益。最重要的是，人工智能驱动的政策优化要求规范性目的明确化和形式化，从而使其受到公众的审查、审议和辩论。
人工智能与法律人格的界限
2021 年，英格兰银行将发行新版 50 英镑纸币，完成从纸币到聚合物纸币的过渡。新版纸币的面值在公开评选中收到了近 25 万份提名；最终决定于 2019 年 7 月宣布，选择艾伦·图灵作为面值。图灵因在二战期间破译密码而被人们尊为英雄。他还帮助建立了计算机科学学科，为我们现在所说的人工智能 (AI) 奠定了基础。1 然而，他最著名的贡献或许是同名测试，用于测试真正的“智能”是否真正实现。图灵模仿了 1950 年流行的室内游戏。一名男子和一名女子坐在不同的房间里，以书面形式回答问题；其他参与者必须猜测谁给出了哪个答案。图灵假设可以用计算机玩类似的“模仿游戏”。当机器
RISK66 快照：限制和保留分析
例如，在 100,000 美元的损失限额下，价值 175,000 美元的索赔将被限制在 100,000 美元，这意味着只有 100,000 美元的索赔将包含在分析的损失中。精算师还将检查超过保留水平的索赔数量。精算师预测各种损失限额的损失并不罕见，例如 100,000 美元、250,000 美元、500,000 美元或无限制。然后，雇主可以将损失预测与潜在保险公司在每个损失水平上报出的保费金额进行比较。
资本主义解决方案对气候危机的极限
14 14 Jennifer C. Franco和Saturnino M. Borras，“绿色抢夺中的灰色地区：气候变化政治与土地抢夺之间的微妙和间接互连及其对研究的影响”，《土地使用政策》，84（2019），192-99。
新生儿脑MRI中的大脑提取方法及其对颅内体积的影响
摘要：虽然大多数古老的DNA研究都集中在过去的50，000年中，但现在可以进入更新世早期的古生物学方法，这是一个反复的环境变化的时期，影响了当今的生物多样性。新兴的深基因组样品，包括从沉积物中保存的DNA，可以推断自适应进化，发现未识别的物种以及探索冰川，火山和古磁反转的人口统计学和社区组成。在这篇综述中，我们探讨了古生物学学的状态，并讨论关键的瓶颈，包括技术局限性，进化差异和相关偏见，以及需要更精确的遗体和沉积物进行预期。我们得出的结论是，通过改进实验室和计算方法，深层古生物学学的新兴领域将扩大使用古代DNA可解决的问题的范围。
算法演讲和第一修正案的限制
摘要。机器学习算法越来越多地调解我们的公开话语，从搜索引擎到社交媒体平台到人工智能公司。作为他们对在线语音膨胀的影响，关于第一修正案是否以及如何适用于其产出的问题也是如此。越来越多的学者合唱表达了对机器学习算法的输出是否真正在《第一修正案》的含义中的言语，但没有人提出一种可行的方法来清洁语音和非语音之间的界限。本文提出了一种基于我们称为“语音确定性”的原则成功绘制该线路的方法，这是语音是语音的基本观念，只有说话者知道他说的话时说什么。这个想法植根于《第一修正案》的文本，历史和目的，并内置在现代的编辑酌处权和表达行为的语言学说中。如果这种基岩原则被忽略了，那是因为到目前为止，所有演讲都充满了语音确定性。从来没有必要表达其存在。但是机器学习改变了这一点。与传统代码不同，仔细研究机器学习算法的工作方式表明，创建它们的程序员永远无法确定其输出。因为该输出缺乏语音确定性，所以这不是程序员的言语。因此，本文认为机器学习算法的输出无权获得第一修正案保护。它揭示了算法如何起作用的问题在宪法上很重要。在穆迪诉NetChoice案中与最高法院要求进一步询问社交媒体平台所构成的表达性活动，这一问题不再被忽略。通过未能区分传统和机器学习算法，我们冒着与第一修正案法学的几个世纪的彻底偏离的风险。对机器学习算法的输出的保护将是宪法历史上的第一次