XiaoMi-AI文件搜索系统
World File Search System傀儡
我说圣诞老人存在但他不会再来了
一方面，保持头脑清醒——不描绘一幅黯淡的画面，这是没有必要的——可以让他获得宝贵的时间来看清世界的本来面目，但同时也要承受难以控制的压力的风险。另一方面，分享集体无忧无虑的态度将有助于他融入人群。反思很短暂。因为如果与如此不公正和荒谬的社会合作已经够糟糕了——那么还有哪个物种愚蠢到去毁灭自己的环境呢？ - 对我来说假装不知道似乎是不可能的。当我意识到自己故意参与了对她未来的破坏时，我该如何面对她？太糟糕了。冒着在充斥着点赞、广告微笑和不冷不热的信念的环境中显得格格不入的风险，我说圣诞老人是存在的，但他不会再来了，他的驯鹿都快热死了。他的图画书中的动物都是失落的传说。让地球犹豫是成为垃圾填埋场还是温室。决策者当然知道这一点，但他们什么也不会做：他们的职业生涯所依赖的媒体属于亿万富翁，他们操纵信息并选择温顺的傀儡，他们是他们自己利益的保证人，他们是他们在所谓的“沟通计划”的虚假新闻的帮助下选出的。尽管公民们被令人欣慰的寓言所麻痹，但他们的权利却像鲨鱼皮一样缩水，而国库也被少数奸商掏空。我们不应对这个宁愿毁灭也不愿留下空间的系统抱有任何期望。
乌克兰周刊，2016 年
基辅——纳迪亚·萨夫琴科是一位创造了多项第一的女性。她是乌克兰第一位女性军事飞行员，也是第一位获得该国最高荣誉——乌克兰金星英雄勋章的女军人。据基辅国际社会学研究所称，她还是乌克兰最受信任的政治家。俄罗斯总统弗拉基米尔·普京于 5 月释放了她，此前，普京以捏造的罪名将她关押了近两年，以换取两名俄罗斯情报人员。现在，35 岁的萨夫琴科女士面临着政治光环以有史以来最快的速度黯淡的危险。她因 12 月 11 日在明斯克秘密会见克里姆林宫支持的分离主义分子而遭到了乌克兰最高拉达其他议员的猛烈批评，其中包括她缺席当选的 Batkivshchyna 党。自获释以来，她一直主张与莫斯科支持的分离主义领导人进行对话；她为在白俄罗斯的会面辩解，称这是释放战俘和“加强”乌克兰、俄罗斯及其顿巴斯傀儡之间正在进行的和平谈判的一步。Batkivshchyna 第二天与她断绝关系，称她不再是该组织的成员。与此同时，其他议员，如人民阵线党的安东·赫拉申科，称她是莫斯科的“特工”。她的批评者还要求将她从乌克兰议会国家安全委员会中开除，因为她经常在那里接触机密信息。
M&E 的 AI 需求层次 媒体行业的“层次结构...
人工智能是一门跨多个学科的科学领域，包括计算机科学、数学、哲学、心理学、神经科学、电子工程、语言学和信息理论。机器学习常常被描绘成人工智能，但智能比统计学习更广泛、更复杂。后者也过于依赖大量手工标记的训练集和大量的计算，因此不能算作智能。在人工智能的四个主要组成部分中，也许没有比知识表示和推理更重要、更困难或更容易被误解的了。因为要成为人工智能，应用程序需要代理。经过训练可以从标记的训练集中识别狗和猫的分类器是一个大规模的计算傀儡。能够在现实世界中做出决策的自动驾驶汽车是一个能够推理和理解因果关系的代理。因此，在大多数人工智能学术定义中都引用了代理，这一点并不奇怪，其中最出名的就是 Shane Legg 的“未知可计算环境中代理的优化行为”。但要拥有代理，人工智能应用程序必须“了解”我们生活的世界，并能够对其进行推理（特别是在因果关系方面）。我们所感知的现实是一个俄罗斯套娃式的结构，由低级符号聚集成高级符号。亚原子粒子聚集成原子，原子聚集成细胞，细胞聚集成器官，器官聚集成生物体等。能够理解这种结构，能够将每个符号簇抽象为另一个更抽象、更高阶的符号，并推理它们之间的关系，这需要智能。知识表示的作用就是：构建基于机器的逻辑，将低级数据（数字、一组像素、一组单词）抽象为符号（对象、情感、概念、镜头、场景、故事），然后可以将其表达出来形成知识。这就是为什么知识表示是人工智能的本质。
检测、稳健性、归因和缓解
在演讲中，我将介绍我的实验室在人工智能、应用机器学习和数据挖掘方面的最新进展，以打击网络和社交媒体平台上的恶意行为者（傀儡、逃避禁令者等）和危险内容（错误信息、仇恨等）。我的愿景是为每个人创建一个值得信赖的在线生态系统，并创建下一代促进健康、公平和安全的社会意识方法。总的来说，在我的研究中，我创建了新颖的图形、内容（NLP、多模态）和对抗性机器学习方法，利用 TB 级数据来检测、预测和缓解在线威胁。我的跨学科研究创新了社会技术解决方案，这些解决方案是我通过将计算机科学与社会科学理论相结合而实现的。我也热衷于将我的研究付诸实践——我实验室的模型已经部署在 Flipkart 上，影响了 Twitter 的 Birdwatch，现在正在部署在维基百科上。我的研究开启了范式转变，从当前缓慢而被动的应对网络危害的方法转向敏捷、主动和全社会的解决方案。我的演讲将概述我研究的四个重点：（1）跨平台、语言和模式检测有害内容和恶意行为者：我的研究超越了研究“推特上的英文文本”的标准实践，旨在解决解决跨平台（Micallef 等人，2022 年）、语言（Verma 等人，2022b 年）和模式（Verma 等人，2022b、c）（图像、视频、文本）根深蒂固的基本问题的巨大挑战。 (2) 通过预测未来的恶意活动，增强检测模型对敌对行为者的鲁棒性：我的工作是通过开发第一种对抗性学习技术来突破界限，以主动预测对手行为来欺骗检测模型。接下来，我们提高模型对操纵的鲁棒性。我的实验室调查了部署在一些最大平台上的模型的漏洞：Facebook 的 TIES 坏人检测器（He、Ahamad 和 Kumar 2021）、Twitter 的 Birdwatch 错误信息检测器（Mujumdar 和 Kumar 2021）和维基百科的禁令逃避（Niverthi、Verma 和 Kumar 2022）。(3) 归因于有害内容的影响和推荐系统的作用：我的实验室创建了数据驱动的技术来确定网络危害对