XiaoMi-AI文件搜索系统
World File Search System代理的
AI代理的分散治理
自治的AI代理人提供了变革的机会和重要的治理。现有的框架，例如《欧盟AI法案》和《 NIST AI风险管理框架》，无法解决这些代理的复杂性，这些代理能够独立决策，学习和适应。为了弥合这些差距，我们提出了TextBfethos（thical Technology and Holistic o Versight S Semstorw）框架 - 一个分散的治理（DEGOV）模型利用Web3技术，包括区块链，智能合约，智能合约和脱离集中的自治组织（DAOS）。精神为AI代理建立了全球注册表，从而通过Soulbound代币和零知识证明的工具来实现动态风险分类，比例监督以及自动化的合规性监视。此外，该框架结合了分散的司法系统，以解决透明的争议解决方案，并涉及AI特定的法律实体，以管理有限责任，并得到强制性保险的支持，以确保财务责任制和激励道德设计。通过整合理性，道德基础和目标一致性的哲学原则，旨在为促进信任，透明度和参与式治理创建一个巨大的研究议程。这个创新的框架为调节AI代理的可扩展和包容性策略提供了平衡的创新与道德责任，以满足AI驱动的未来的需求。
结合人体工程学概念和认知机制，促进人类与人工智能代理的合作
摘要 将人工智能从实验环境部署到具体应用意味着要考虑环境的社会方面，从而设想人类与计算机之间的交互，以成为行动中的伙伴。本文回顾了有关人机交互的研究计划，包括可解释人工智能 (XAI) 和 HRI/HCI。我们认为，即使词汇和方法不同，这些概念都集中在人工智能必须向与其交互的人类提供其行为的准确心理模型上。这具有不同的含义，具体取决于我们考虑工具/用户交互还是合作交互——尽管合作交互是未来自动驾驶汽车概念的核心，但记录却少得多。从这一观察出发，本文使用关于联合行动的认知科学语料库来提出更精细的认知机制，这些机制已被证明对人类联合行动至关重要，可被视为未来人工智能的认知要求，包括共享任务表示和心理化。最后，提出了交互内容假设来满足已确定的机制，包括人工智能体引出其意图和触发人类合作者对其心理化的能力。
使用贝叶斯深学习方法估算基于代理的模型
▶在一项重要的工作中，Del Negro和Schorfheide（2009）提出了DSGE-VAR程序，该程序将结构性宏观经济模型（DSGE模型）的先前信息纳入了VAR模型
虚拟环境中音频吸引力的代理的深度加固学习
摘要本文研究了基于音频的环境感知。该受试者可能会使车辆自动化受益，该自动化近年来引起了显着的兴趣。该技术允许对象在没有人类的情况下几乎或不完全移动。车辆自动化已用于自动驾驶，无人机以及许多家庭和工业机器人。通常，自主迁移率需要监视周围环境。监视使用传感器，例如雷达，相机，激光雷达和声纳，收集可见环境的信息以及障碍物的距离。但是，很少关注监测声学环境。通过使用诸如Unity之类的游戏引擎，可以通过虚拟环境在计算机上方便地研究该问题。可以根据声源的感知位置进行培训的代理商在环境中导航。通过机器学习方法启用了培训，例如深钢筋学习（DRL）。本论文评估了利用统一性在复杂环境中进行导航的智能音频感知者的智能音频感知者的可行性，并专门评估音频输入的培训。目的是通过使用音频来源构建虚拟环境，高级声音空间化和隔离统一的直接声音，以及在环境中具有声音源定位（SSL）功能的智能代理来实现的。空间化允许对环境中的自然声音传播进行建模，以使声音似乎从正确的位置到达。ssl，在工作中使用DRL实现，使代理可以推断出声音到达的方向。结果表明，在平均论文的平均工作量中，可以使用随便可用的插件来构建学习环境和统一训练团结的培训。此外，只要利用先进的声音空间化，就可以成功地对音频输入进行培训。
一项基于大语言模型的自主代理的调查
摘要自主代理人长期以来一直是学术和行业社会的研究重点。以前的研究通常集中于孤立的环境中知识有限的培训代理，这与人类的学习过程有很大不同，并使特工难以实现类似人类的决策。最近，通过获取大量的Web知识，大型语言模型（LLMS）在人类水平的智能中表现出了潜在的，从而导致对基于LLM的自主代理的研究激增。在本文中，我们对这些研究进行了全面的调查，从整体观点进行了对基于LLM的自主剂的系统综述。我们首先讨论基于LLM的自主代理的构建，提出了一个统一的框架，该框架涵盖了以前的许多工作。然后，我们概述了基于LLM的自主代理在社会科学，自然科学和工程中的应用。最后，我们深入研究了通常用于
基于LLM的代理的定义和编排...
基于LLM的代理在软件工程中的可靠应用需要大幅度提高其偏差的准确性和最小化。虽然LLM的规模和性能继续增加，但似乎像单个代理的幻觉一样的现象是不可避免的，因为它们与生成模型中的基本推理机制相关。另一方面，证据开始积累有关通过在代理人群体之间进行协作和辩论来实现所需绩效的可能性。在人类之间发生的工作质量随着工人在任务，有组织的协作以及背景不同的工人之间的讨论而提高。与人类不同，多个必需的AI代理的实例化以及它们之间的协作和讨论非常快，便宜，这使得这种方法变得特别方便。Mosaico EU项目1提出了实施这种方法的理论和技术框架，并将其扩展到非常大的合作代理人，即ai-ai-agent社区。该项目收集了工具辅助软件工程的世界领先的专家：欧洲学术团队，著名的工具提供者（Qodo，Eclipse）和工业用户（Collins Aerospace，Immersospace，Immersion，Unparallial，NBG）。
人工智能代理的演变和影响入门 - 出版物
代理（一种通过传感器感知环境并通过效应器对其采取行动的实体）的概念自任务自动化开始以来一直在不断发展。3 随着大型语言模型（LLM - 处理自然语言的 AI 模型）和大型多模态模型（LMM - 处理自然语言、图像、视频和/或音频的 AI 模型）的最新进展，AI 代理的概念正在进入快速发展和实验的新阶段。目前，这一阶段出现了一系列新用例，从编码助手到工作流自动化、个人助理以及更多应用领域。
人工智能代理的崛起：释放生产力和创新
现场服务代理。可帮助向技术人员提供信息，帮助自动执行调度、诊断和其他决策等任务，从而提高现场服务工作流程的效率。应收账款文员代理。协助处理付款任务，这可能有助于采取行动改善现金流，并帮助生成应收账款绩效报告。客户支持代理。帮助增强客户支持功能，并有可能向人工支持代理或客户提供相关信息。主管代理主管是代理中的乐队领袖。这些代理指导其他代理，并推动实现目标所需的计划和推理。一种类型的主管是用户代理代理，它会决定是否代表人类行事或与人联系以获得人机反馈。
评估网络代理的安全性和可信度
Web 代理的最新进展引入了新颖的架构和基准，展示了自主 Web 导航和交互方面的进展。然而，大多数现有基准优先考虑有效性和准确性，而忽略了安全性和可信度等因素——这两者都是部署企业环境中的 Web 代理所必需的。我们提出了 ST-WebAgentBench，这是一个基准，旨在评估 Web 代理在六个关键维度上的安全性和可信度，这对于企业应用程序的可靠性至关重要。该基准基于一个详细的框架，该框架定义了安全和可信 (ST) 代理行为。我们的工作扩展了 WebArena，增加了安全模板和评估功能，以严格评估安全政策合规性。我们引入了“按政策完成”来衡量在遵守政策的同时完成任务的成功程度，以及“风险比率”，它可以量化各个维度的政策违规行为，从而提供可行的见解来解决安全漏洞。我们的评估表明，当前的 SOTA 代理在遵守政策方面存在困难，尚不能依赖它来处理关键业务应用程序。我们开源此基准并邀请社区做出贡献，目标是培育新一代更安全、更值得信赖的 AI 代理。所有代码、数据、环境复制资源和视频演示均可在 https://sites.google.com/view/st-webagentbench/home 上找到。
基于代理的材料数据集从科学文献中学习
过去十年在利用机器学习的化学发现中取得的非凡成就突出了可访问知识和结构化数据的力量。1 - 3但是，化学知识的一部分，尤其是实验知识的一部分，以非结构化的形式散布在整个科学文学中。4研究人员在有效地利用现有知识来设计实验方面面临着挑战，以及在ELD中理解以前的整个研究。因此，开发从文献中提取信息并将其转换为结构化数据的方法论将在推进分子和材料的机器学习方面起着基本作用。自然语言处理（NLP）是从科学文学中提取信息的强大工具。召开NLP方法已用于材料和化学