XiaoMi-AI文件搜索系统
World File Search System习得
坐姿习得与早期沟通发展
摘要：背景：针对正常和部分非正常发育人群的研究表明，早期运动和交流发展之间存在关联，证明了姿势发育如何支持交流进步。然而，这种关系在早产人群中很少得到研究。目的：本研究旨在描述矫正年龄 6 个月的极早产儿的运动（粗大和精细运动）和交流（接受和表达）技能及其关联，重点关注坐姿成就和早期发声。方法：使用 BSID-III 评估 70 名无重大脑损伤的极早产儿（≤ 32 周）的粗大和精细运动技能、接受和表达性语言技能以及认知技能，并分为掌握（坐姿）、部分掌握（新兴坐姿）或未掌握（非坐姿）无支撑坐姿。使用 Interact 软件（版本 20.8.3.0）对观察部分中的坐姿（看护者支撑、手臂支撑和不受支撑）的比例持续时间进行编码。使用 CHILDES 软件 v11 对亲子游戏互动中每分钟的发声频率（发声、牙牙学语和总数）进行编码。结果：相关性分析表明，运动综合得分与语言得分（综合和表达量表）之间以及粗大运动与表达性语言量表得分之间存在显著的正相关，但手臂支撑的坐姿持续时间与发声之间呈负相关。此外，ANCOVA 显示，看护者的 BSID-III 表达性语言量表得分和发声次数明显高于非看护者和新兴看护者。结论：这些发现为早产儿早期运动和发声发育之间的联系带来了新的证据，强调了使用观察工具和标准化工具来识别发育迟缓和制定个性化干预方案的重要性。
运动学习机制不会因反馈而改变
基于错误和基于奖励的运动学习机制在现实场景中同时发生，但传统上在实验室任务中通过反馈操作将它们区分开来。本研究通过将基于实验室的反馈操作应用于现实任务来检查这些机制的独特性。使用台球的具身虚拟现实 (EVR)——通过与实体台球桌、球杆和球的互动实现完整的本体感受——我们向现实任务中引入了视觉扰动。32 名参与者（12 名女性）进行了两次视觉运动旋转学习，一次带有错误反馈，一次带有奖励反馈。虽然未经训练的参与者通过错误反馈纠正了整个旋转，但通过奖励反馈只观察到部分纠正，突出了反馈机制对学习的影响。然而，奖励依赖性运动变异性、滞后 1 自相关衰减和试验间变异性衰减（所有基于奖励和技能学习的指标）在错误反馈会话中更高，这表明所提供的视觉反馈并没有专门参与特定的学习机制。运动后 beta 反弹 (PMBR) 是一种学习机制的大脑活动标记，对运动后 beta 反弹 (PMBR) 的分析表明，在奖励反馈期间 PMBR 会下降，但在错误反馈会话期间没有一致的趋势。这些发现支持了行为结果，表明虽然在错误条件下没有奖励反馈，但参与者仍然参与了基于奖励的学习。这项研究强调了运动学习过程的复杂性，并强调视觉反馈本身无法阐明现实世界中基于错误和基于奖励的机制之间的相互作用。
土地获取更新：节点地震习得
在过去的10 - 15年中，地震采集设备经历了重大转变。消失的是数千公斤电缆，电池和地球主琴弦的船员。较新的淋巴结地震记录系统没有任何电缆，它们包含地球器或磁通机电系统（MEMS），用于时机和位置，电池和内存的全球定位系统（GPS），它们非常轻巧。这些系统是自主的，并且数据记录在本地内存上，然后在threspriber Station下载，该记忆将同时收集数据并收集电池（诱导）。这与过去的有线系统发生了极大的变化。节点船员更小，更安全，更快。但是，由于没有实时审查数据，因此存在数据质量控制问题的潜力。在本演讲中，我们将回顾一些系统，并突出各种产品产品中的某些差异。
将人工智能工具融入指导性第二语言习得中
ChatGPT 和其他 AI 工具的公开使用正在对我们在教育等各个领域的生活产生变革性影响。许多语言学习者一段时间以来一直是支持 AI 的工具的狂热用户，例如 Google 翻译、文本编辑器（如 Grammarly）或语音助手。虽然人们普遍对 AI 产品在 L2 教学和学习中的某些用途持积极态度，但其他用途却存在争议。本章讨论了将 AI 工具集成到指导的 SLA（第二语言习得）中的问题，重点关注机器翻译、聊天机器人和基于 AI 的书面纠正反馈工具。它建议，基于现有的研究和使用 AI 工具进行教学实践的报告，L2 教师应采取批判性、平衡的方法将 AI 集成到 L2 教学中，充分利用生成式 AI 的优势，同时考虑到其缺点。
新技能的习得不会扰乱感觉皮层的现有功能
。CC-BY-ND 4.0 国际许可下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2021 年 2 月 8 日发布。；https://doi.org/10.1101/2021.02.08.430302 doi：bioRxiv 预印本
从合成数据中学习机器人学习的可扩展配方...
Lucidsim一次提供了所有三种解决方案。首先，我通过围绕Mujoco物理引擎构建并使用对象掩码和深度从模拟器构成和调节生成的图像来使数据实现和多样化。这确保了与场景几何形状的视觉一致性。为了减轻由于这种调节而导致的样本多样性的丧失，我通过从Chatgpt采购结构化图像提示来注入变化。第二，我通过一种新技术（DIM）提高了渲染速度，该技术通过机器人的摄像头姿势和场景几何形状计算得出的光流，将单个生成的图像扭曲为连续的帧。昏暗的使Lucidsim更快。最后，要生成policy数据，我们需要在封闭循环中运行图像生成，视觉策略在每个时间步骤中都会使用生成的图像。让Lucidsim“ Go Burrr”是关键，因此我开发了系统工具来分发轨迹采样，图像翘曲和跨80 + GPU的图像生成。Lucidsim的结果表明，闭环培训完全负责获得视觉政策以达到专家级的性能。
小鼠的神经通路揭示大脑如何调节习得性免疫反应
研究人员利用逆转录腺病毒相关病毒中表达的化学遗传工具选择性地操纵 IC 中的神经活动，这种病毒专门表达由设计药物专门激活的设计受体 (DREADD)。这些病毒本质上是无害的病毒，神经科学家利用它们在特定脑细胞中表达蛋白质，在这种情况下促使它们产生 DREADD。
scone：一种具有主动感知的食物挖掘机器人学习框架
摘要：由于食物的复杂状态和多样化的物理特性，有效地挖出食品对当前机器人系统构成了重大挑战。为了应对这一挑战，我们相信将食品编码为有意义的有效食品的重要性。然而，食品的独特特性，包括可变形，脆弱性，流动性或粒度，对现有表示构成了重大挑战。在本文中，我们以隐式方式提出了积极感知来学习有意义的食物代表的潜力。为此，我们提出了Scone，这是一个食品搜索机器人学习框架，利用从积极的掌握中获得的表示形式来促进食品可铲政策学习。Scone包括两个Crucial编码组件：交互式编码器和状态检索模式。通过编码过程，Scone能够捕获食品的特性和重要的状态特征。在我们的现实世界中的实验中，Scone在三种不同的难度水平上使用6种以前看不见的食品时，成功率具有71％的成功率，超过了最先进的方法。这种增强的性能强调了Scone的稳定性，因为所有食品始终达到超过50％的任务成功率。此外，Scone可容纳各种初始状态的令人印象深刻的能力使其能够精确评估食物的当前状况，从而导致了令人信服的成功率。有关更多信息，请访问我们的网站。
小学习机器：实时深入强化学习作为随意的创造力游戏
摘要在本文中，我们展示了Little Learning Machines，这是一款开创性的游戏，使玩家能够扮演强化学习（RL）培训师的角色。利用奖励和环境建模，玩家训练微型机器人执行任务，为探索和制作行为创造了开放式空间。值得注意的是，该游戏引入了创新方法，用于实时执行RL，这是该领域的重大步伐。我们深入研究了为此RL平台实施强大而动态的模拟时遇到的技术挑战和解决方案。本文重点介绍了系统描述，同时指出了增强和扩展的潜在途径，以进一步丰富玩家体验，以及从玩家反馈中进行其他研究的机会。这款开创性的游戏不仅可以揭开RL的神秘信息，而且还可以作为人工智能领域学习，研究和创造力的多功能工具。