XiaoMi-AI文件搜索系统
World File Search Systemrc
预测人工智能进展：研究议程
预测人工智能的进展对于减少不确定性至关重要，以便适当规划人工智能安全和人工智能治理方面的研究工作。虽然这通常被认为是一个重要的主题，但对此的研究很少，也没有发表任何对该领域进行全面概述的文献。此外，该领域非常多样化，没有关于其方向的公开共识。本文介绍了预测人工智能进展的研究议程的制定，该议程利用德尔菲技术来征求和汇总专家对优先考虑哪些问题和方法的意见。专家们指出，应该考虑多种方法来预测人工智能的进展。此外，专家们还确定了一些突出的问题，这些问题既普遍存在，又完全是预测人工智能进展问题所特有的。一些最高优先级的主题包括（部分未解决的）预测的验证、如何使预测具有行动指导作用，以及不同绩效指标的质量。虽然统计方法似乎更有前景，但人们也认识到补充判断技术可能会非常有益。
加拿大未来的 DRI 生态系统：人工智能研究需求
在日益占主导地位的知识经济中，计算卓越性是竞争力的一大驱动力。在过去十年中，计算人工智能 (AI) 在经济发展和市场竞争力中的作用已从小到大。其经济重要性怎么强调都不为过——在源自加拿大的神经网络模型训练创新的推动下，巨大的变化颠覆了许多领域的市场部门领导地位，包括信息搜索、语音识别、自然语言理解、导航助手、自动驾驶汽车、诉讼准备、制造资格等。对于加拿大经济来说，人工智能在高级研究计算 (ARC) 提供的学术计算创新与工业竞争力的良性循环中发挥重要作用至关重要。
循环灯塔 2024
关于 Holcim Holcim 是创新和可持续建筑解决方案领域的全球领导者，2022 年净销售额为 292 亿瑞士法郎。秉承为人类和地球创造进步的宗旨，其 60,000 名员工正致力于实现建筑脱碳，同时提高所有人的生活水平。该公司通过从 ECOPact 到 ECOPlanet 的广泛低碳和循环解决方案，帮助所有地区的客户以更少的投入实现更好的建设。凭借从 Elevate 屋顶到 PRB 隔热材料的创新系统，Holcim 使建筑物的使用更加可持续，推动能源效率和绿色改造。Holcim 以可持续发展为战略核心，正在成为一家净零排放公司，其 1.5°C 目标已获得科学碳排放倡议 (SBTi) 的认可。
具有人工智能规划模型的分层强化学习
两种常见的顺序决策方法是人工智能规划 (AIP) 和强化学习 (RL)。每种方法都有优点和缺点。AIP 具有可解释性，易于与符号知识集成，并且通常很高效，但需要预先指定逻辑域，并且对噪声敏感；RL 只需要指定奖励，并且对噪声具有鲁棒性，但样本效率低下，不易获得外部知识。我们提出了一种将高级规划与 RL 相结合的综合方法，保留了可解释性、迁移和效率，同时允许对低级规划操作进行鲁棒学习。我们的方法通过在 AI 规划问题的状态转换模型和马尔可夫决策过程 (MDP) 的抽象状态转换系统之间建立对应关系，从 AIP 运算符定义分层强化学习 (HRL) 中的选项。通过添加内在奖励来学习选项，以鼓励 MDP 和 AIP 转换模型之间的一致性。我们通过比较 MiniGrid 和 N 室环境中 RL 和 HRL 算法的性能来展示我们的集成方法的优势，展示了我们的方法相对于现有方法的优势。
希腊的大学和研究机构
什么是 AD 科学指数 (Alper-Doger 科学指数)？AD 科学指数由 Murat Alper 教授和 Cihan Döğer 副教授于 2021 年开发，是一个独立的国际排名系统，用于评估科学家和机构的学术影响力。AD 科学指数分析了 221 个国家/地区 13 个主要学术领域和 197 个学科的 24,462 个机构和 2,393,106 名科学家。本研究基于从 Google Scholar 获得的数据并经过多层数据过滤，对科学家的生产力系数进行了全面评估，同时考虑了总的和过去六年的 h 指数、i10 指数得分和引用次数。通过学术排名、分析和比较结果，AD 科学指数提供了大量数据，有助于监测、评估和制定政策，从而提高个人学者和机构的科学贡献。
武器化的人工智能和使用武力规范
AWS 有可能从根本上改变武力的使用，以相互冲突的方式触及工具性和人文性战争实践。从工具性角度理解，战争服务于国家的政治和经济利益。以效率为中心的工具性论点是 AWS 的推动因素：此类系统因其比人类更快的反应时间和隐身性而具有军事优势。然而，围绕勇气、荣誉、英勇或互惠等概念构建的人文主义战争理解因武器系统中包含越来越多的自主功能而受到挑战。我们可以通过考虑美国的例子来看到这种分歧。一方面，美国军事理论谈到增加未来武器平台的自主性投资和相关性。另一方面，美国开发 AWS 的历史包括各种取消的项目，原因是美国根深蒂固地不愿意将杀戮决定委托给机器。
调查教师对...的看法的变化
在职教师的远程专业发展。这些教师在两个州（亚利桑那州和佐治亚州）接受了两到三周的培训，重点是图像处理、计算机视觉和使用视觉媒体的机器学习。个人构想理论（K elly，1955）用于通过层次聚类分析绘制思维变化。研究问题是：在职教师在参与强调计算机视觉的远程专业发展后，对人工智能的看法发生了如何变化？树状图和描述性统计数据显示了在职教师在人工智能方面的思维变化。专业前和专业后发展树状图都有四个聚类，但构想在聚类内发生了变化。讨论了对实践和研究的意义。
欧盟人工智能法案支持开源和开放科学
4 数据表记录了收集给定数据集背后的动机，以及任何数据处理和受影响的利益相关者。模型卡包括有关模型架构和开发、其预期和超出范围的用途、评估指标、训练数据和道德考虑的披露。
引文 Jin L, Wang D, Yang D, Jin Q, Cao M, Li Y, Yang J, Xie G 和 Zhang W (2025) 儿童时期感知到的照顾者焦虑和压力的影响
抑郁症是全球第三大致残原因，已成为影响所有年龄段人群的重大公共卫生问题，对身心健康产生深远的负面影响。在美国，经历重度抑郁发作的一生中风险接近 30% (1,2)。在此背景下，抑郁家庭环境中的经历在塑造后代对抑郁和焦虑症的脆弱性和适应力方面起着至关重要的作用 (3)。因此，研究越来越多地关注家庭动态和抑郁症之间的复杂相互作用，特别强调照顾者的情绪健康对儿童心理发展的影响。照顾者的焦虑和压力被认为是可能引发或加剧抑郁症状的关键因素 (4)，此外，父母的抑郁和焦虑有可能跨代传递 (5)。例如，Carly J. Johnco 和同事发现了焦虑和抑郁代际传递的证据，并指出父母的排斥和缺乏温暖会显著增加儿童患抑郁症的风险（6）。照顾者的焦虑和压力等心理健康问题会对家庭环境产生不利影响，从而可能增加后代患抑郁症的风险。有多种机制可以阐明照顾者的压力如何影响儿童：1.家庭环境对神经发育的影响：Nicole R. Bush 和同事发现，家庭社会经济地位、家庭结构和环境、养育行为和互动方式、父母的心理健康和功能以及父母的物质使用等因素都会影响儿童的大脑发育，进而影响他们患精神疾病的风险（7）；2.情绪感染：儿童可能会内化照顾者的情绪状态，导致抑郁症状的出现。行为模仿：儿童可能会采用照料者模仿的适应不良的应对策略。例如，Emily L. Robertson 及其同事观察到，自 COVID-19 疫情爆发以来，照料者的焦虑、愤怒、悲伤/抑郁情绪增加，饮食和睡眠模式发生变化，对未来的希望减少，冲突加剧，这些因素可以预测一个月后其子女脾气问题、冲突和注意力缺陷多动障碍 (ADHD) 症状的严重程度 ( 8 )。3. 育儿实践受损：照料者的焦虑会破坏育儿行为，导致过度保护、管教不一致或忽视，进而导致儿童情绪失调和抑郁症状。由于照料者情感缺失导致亲子关系恶化，进一步增加了儿童患抑郁症的可能性 ( 9 )。4.社会经济和环境压力源：照料者的压力往往伴随着社会和经济压力，这些压力会通过限制儿童获得资源和机会而加剧上述影响（10、11）。尽管有大量的研究，但大多数研究都是在西方背景下进行的，主要关注父母情绪对儿童情绪健康的影响。关于照料者压力和焦虑影响的研究明显不足