XiaoMi-AI文件搜索系统
World File Search Systemnonthe
使AI减少“口渴”
人工智能（AI）不断增长的碳足迹正在接受公众审查。nonthe，AI的同等重要的水（撤离和消耗）的足迹在很大程度上仍留在雷达之下。例如，在微软最先进的美国数据中心中培训GPT-3语言模型可以直接蒸发700,000升干净的淡水，但此类信息已保存下来。更重要的是，全球人工智能需求预计将在2027年占4.2 - 66亿立方米的水，这超过了每年4 - 6丹麦或联合国国王一半的年度水总退水。这是令人担忧的，因为淡水稀缺已成为最紧迫的挑战之一。为了应对全球水挑战，人工智能可以，也必须以自己的水分范围来承担社会责任，并以身作则。在本文中，我们提供了一种原则性的方法来估计AI的水足迹，还讨论了AI运行时水效率的独特时空多样性。最后，我们强调了整体上解决水足迹以及碳足迹的必要性，以实现真正可持续的AI。
dalk：LLM和KG的动态共调解，以科学文献回答阿尔茨海默氏病问题
大型语言模型（LLM）的最新进步已在各种应用程序中实现了有希望的表现。nonthe sell，整合长尾知识的持续挑战继续阻碍了专业人士中LLM的无缝采用。在这项工作中，我们介绍了dalk，又称d ynamic的共同体LMS和K g，以解决这一局限性，并证明其研究阿尔茨海默氏病（AD）的能力，生物医学专业的亚场和全球健康优先级。With a synergized frame- work of LLM and KG mutually enhancing each other, we first leverage LLM to construct an evolving AD-specific knowledge graph (KG) sourced from AD-related scientific literature, and then we utilize a coarse-to-fine sampling method with a novel self-aware knowledge re- trieval approach to select appropriate knowl- edge from the KG to augment LLM inference capabilities.实验结果是在我们构建的AD问题答案（ADQA）基准的基准上进行的，强调了Dalk的效果。此外，我们执行了一系列详细的分析，这些分析可以为相互增强KG和LLM的新兴主题提供有价值的见解和准则。