XiaoMi-AI文件搜索系统
World File Search System人机
人机集成的下一步
1 莫纳什大学运动游戏实验室，墨尔本，澳大利亚。2 芝加哥大学，美国芝加哥。3 哥本哈根大学，丹麦哥本哈根和萨尔大学，德国萨尔布吕肯。4 康奈尔科技大学，美国纽约。5 斯坦福大学，斯坦福，美国 6 本田欧洲研究所，德国奥芬巴赫 7 奥克兰大学增强人类实验室，新西兰奥克兰。8 萨塞克斯大学 SCHI 实验室，英国布莱顿。9 西北大学，美国伊利诺伊州埃文斯顿。10 挪威国立科技大学计算机科学系，特隆赫姆，挪威和哥本哈根 IT 大学，丹麦。11 微软，美国华盛顿州雷德蒙德。12 迪肯大学，澳大利亚维多利亚州墨尔本。13 庆应义塾大学 KMD，日本东京。14 独立研究员，美国明尼苏达州明尼阿波利斯。 15 美国宾夕法尼亚州匹兹堡 CA Technologies 战略研究部。16 日本东京大学。17 英国诺丁汉大学混合现实实验室。18 德国康斯坦茨大学。19 德国柏林博伊特应用技术大学。20 德国奥尔登堡 OFFIS 信息技术研究所。21 加拿大温哥华西蒙弗雷泽大学互动艺术学院。22 美国剑桥 IBM 研究中心。23 美国马萨诸塞州剑桥麻省理工学院媒体实验室。∗ 作者贡献均等。
通过设计，人机协作
1.简介 “人工智能”（AI）的概念最早是在 20 世纪 50 年代提出的，其愿景是让机器表现出类似人类的智能（图灵，1950 年）。自诞生以来，人工智能已经从早期的理论概念发展到基于规则的专家系统，并进一步发展到机器学习和深度学习。最近，我们进入了通用人工智能（AGI）时代，其标志是生成式预训练 Transformer（GPT）等大型语言模型（LLM）的迅速崛起。最先进的人工智能已经解锁了各种应用，尤其是在设计创新中的生成能力方面（Luo，2022 年）。例如，DALL-E 3（Ramesh 等人，2021 年）和 Stable Diffusion（Rombach 等人，2022 年）可以从复杂的文本描述中生成高质量的图像，并已应用于工业设计（Liu 和 Hu，2023 年）。最新的 AI 模型，包括 point-E（Nichol 等人，2022 年）和 Dream Fusion（Lan，2022 年），可以根据文本提示生成三维 (3D) 形状，具有彻底改变工程设计和制造的巨大潜力。ChatGPT（OpenAI，2023 年）等 AGI 模型擅长问答和信息摘要等任务，这些任务已被证明可有效提高概念生成的新颖性和实用性（Filippi 等人，2023 年）。随着人工智能融入劳动力队伍，一场关于人工智能在工作中的作用的争论愈演愈烈。人类和人工智能拥有独特且互补的优势：人类具有创造力、情商、泛化能力和道德决策能力，而人工智能则拥有计算能力，可实现高速可扩展的数据处理，并能够执行重复性和创造性的生成任务。学术界和工业界最近达成的共识表明，将人工智能融入人类团队是一种有望实现变革性成果的战略（Vorobeva 等人，2023 年；Luo，2023 年）。德勤研究院将人类与人工智能之间不断发展的关系分为三个阶段：“替代”，技术使以前由工人完成的任务自动化；“增强”，技术协助工人，赋能变革以实现更大的价值；以及“协作”，即技术和工人共同创新，创造有意义的转变并推动成本、效率和价值的增长（德勤，2020 年）。同样，其他研究人员从三个角度考虑人工智能的社会影响：以技术为中心、以人为中心和以集体智慧为中心，
人机健身房：在人机协作中进行基准测试加强学习
摘要 - 深入强化学习（RL）在人机协作（HRC）中首次尝试在机器人运动计划中显示出令人鼓舞的结果。但是，在保证安全的限制下对HRC的RL方法进行了公平的比较。因此，我们现在是人类机器人体育馆，这是HRC安全RL的基准套件。我们在模块化模拟框架中提供具有挑战性的现实HRC任务。最重要的是，人类机器人健身房是第一间基准套件，其中包括安全盾牌，可证明可以保证人体安全。这弥合了理论RL研究与其现实世界部署之间的关键差距。我们对六项任务的评估导致了三个关键结果：（a）人类机器人体育馆提供的任务的多样性为最先进的RL方法创造了一个具有挑战性的基准，（b）利用采取行动模仿奖励的专家知识，RL代理人可以超越专家，以及（C）我们的Angents超越训练数据。
人机健身房：在人机协作中进行基准测试加强学习
摘要 - 深入强化学习（RL）在人机协作（HRC）中首次尝试在机器人运动计划中显示出令人鼓舞的结果。但是，在保证安全的限制下对HRC的RL方法进行了公平的比较。因此，我们现在是人类机器人体育馆，这是HRC安全RL的基准套件。我们在模块化模拟框架中提供具有挑战性的现实HRC任务。最重要的是，人类机器人健身房是第一间基准套件，其中包括安全盾牌，可证明可以保证人体安全。这弥合了理论RL研究与其现实世界部署之间的关键差距。我们对六项任务的评估导致了三个关键结果：（a）人类机器人体育馆提供的任务的多样性为最先进的RL方法创造了一个具有挑战性的基准，（b）利用采取行动模仿奖励的专家知识，RL代理人可以超越专家，以及（C）我们的Angents超越训练数据。
人机协作，单人操作
摘要。随着人工智能 (AI) 和基于学习的系统的最新进展，各行各业已开始将 AI 组件集成到其产品和工作流程中。在可以频繁测试和开发的领域，这些系统已被证明非常有用，例如在汽车行业，车辆现在配备了先进的驾驶辅助系统 (ADAS)，能够自动驾驶、路线规划以及与车道和其他车辆保持安全距离。然而，随着任务的安全关键方面增加，开发和测试基于 AI 的解决方案变得更加困难和昂贵。航空业就是这种情况，因此，开发必须在更长的时间内逐步进行。本文重点介绍在人类飞行员和潜在辅助系统之间创建界面，以帮助飞行员在复杂的飞行场景中导航。口头交流和增强现实 (AR) 被选为交流方式，口头交流以绿野仙踪 (WoOz) 的方式进行。该界面在飞行模拟器中进行了测试，并通过 NASA-TLX 和 SART 问卷就工作量和态势感知评估了其实用性。
国防采购指南 - 人机系统集成
本文档以全系统方法提供有关所有 HSI 领域的指导。项目经理 (PM)、系统工程师、测试和评估 (T&E) 代表和产品可支持性经理 (PSM) 可以使用本指南 (1) 识别和使用工具、技术、方法和方法 (TTAM) 将 HSI 活动融入系统工程实践和采购过程，以及 (2) 了解预算和利用组件 HSI 主题专家 (SME) 和 HSI 从业人员在国防系统采购范围内为项目开展 HSI 的重要性。本指南解释了 HSI 如何在项目的生命周期内最大限度地降低总拥有成本 (TOC) 并优化总系统性能 (TSP)。这些信息中的大部分之前出现在国防采购指南 (DAG) 第 5 章“人力规划和人力系统集成”中。DAG 已被诸如此类的重点领域的单独指南所取代。
预测中的人机协作
摘要 本研究调查了人为干预在人工智能/机器学习 (AIML) 驱动的预测中的作用。通过这样做，我们区分了三种不同类型的人机-AIML 协作：自动化、可调自动化和增强。我们推测预测不确定性和时间范围是预测准确性的两个关键决定因素。基于涉及零售行业约 1,888 个库存单位的 AIML 驱动需求预测的现场实验，我们依靠多值处理效果方法来衡量人机-AIML 协作对预测准确性的影响。我们的研究结果表明，在具有长期范围和低不确定性的预测中，人为干预最有效地补充了 AIML 驱动的预测（增强）。然而，在时间范围短、不确定性高的环境中，人工干预最不可能提高 AIML 预测（自动化）的有效性。我们讨论了对现有理论的影响，并提出了一个框架，概述了人工干预最有可能为人类-AIML 协作增加预测价值的条件。
人机交互的选择架构
人机交互领域的人们已经学到了很多关于如何说服和影响计算机技术用户的知识，但是对于如何帮助用户自主选择，他们却缺乏扎实的知识。现在是纠正这种不平衡的时候了。第一步是将心理学和相关领域积累的大量相关知识组织成两个全面但容易记住的模型：方面模型通过描述选择者基于属性、社会影响、政策、经验、后果和反复试验交替或组合应用的六种选择模式，回答了“人们如何做出选择？”的问题。街机模型通过描述支持选择的六种一般高级策略，回答了“我们如何帮助人们做出更好的选择？”的问题：获取信息和经验、表示选择情境、组合和计算、提供处理建议、设计领域以及代表选择者进行评估。这些策略可以通过简单的交互设计来实现，但每一种策略也都有特定相关的技术。结合这两个模型，我们可以将几乎所有现有和可能的选择支持方法理解为将一种或多种 Arcade 策略应用于一种或多种 Aspect 选择模式。在介绍人机交互的选择架构思想以及 Aspect 和 Arcade 模型的关键思想之后，我们将详细讨论每一种 Aspect 模式，并展示如何将高级 Arcade 策略应用于它以产生特定的策略。然后，我们将这两个模型应用于在线社区和隐私领域。我们的大多数示例涉及有关使用计算技术的选择，但这些模型同样适用于在计算技术的帮助下做出的日常选择。
人机协作：动态支持...
第 2 章 — 人机协作 (HAT) 2-1 2.1 人机团队、人机协作团队 2-1 2.1.1 简介 2-1 2.1.2 人机协作与合作 2-2 2.1.2.1 功能框架 2-2 2.1.2.2 结构功能方法 2-3 2.1.3 人机团队的特征与分类 2-4 2.1.3.1 任务相互依赖性 2-4 2.1.3.2 团队冲突解决 2-5 2.1.3.3 协调策略 2-5 2.1.3.4 进度监控/团队监控/2-6 相互评估 2.1.3.5 团队合作与团队精神 2-6 2.1.4 迈向人机协作：科学与技术挑战 2-6 2.1.4.1形式语言与自然和非语言 2-6 语言 2.1.4.2 人工和人类的推理模式，人工智能和解释 2-7 2.1.4.3 情感和情绪管理 2-7 2.1.4.4 团队中的隐性知识，团队 2-7 专业知识 2.1.4.5 共同点建设 2-7 2.1.5 人类自主团队合作和模式 2-7
设计过程中的人机协作
在构成该主题轨道的五篇论文中，有两篇重点关注人工智能与人类合作对创造性成果的影响。具体来说，Yun 等人。(2022) 报告了使用人工智能作为创造性刺激生成器的情况，而 van der Burg 等人。(2022) 探索人工智能解释设计师创作的工艺品图像的方式的刺激。略有不同，Simeone 等人。(2022) 从流程层面研究人机协作；具体来说，人工智能支持设计过程某些方面的能力，例如收敛思维和发散思维。对角色和表现的关注完善了该主题轨道的最后两篇论文。Figoli 等人。(2022) 研究人工智能在人机协作中扮演的角色（或被认为扮演的角色），而 Kun 等人。(2022) 探索人工智能在代表社区不同横截面方面的潜力。