XiaoMi-AI文件搜索系统
World File Search System典型例子
评估和提出问题
通过实践，人们会更容易地想到理性的反应。误用认知治疗技术的另一个问题是治疗师使用某种技术不够灵活。治疗师往往需要尝试几种行为或认知技术，才能找到一种患者反应良好的方法。认知治疗师必须坚持使用一种特定的技术一段时间，看看它是否有效，但当患者的情况明显没有好转时，他或她也必须愿意尝试另一种技术。举一个具体的例子，行为家庭作业有时对某些患者更有帮助，即使治疗师有充分的理由提前预测认知作业会更有效。在某些情况下，治疗似乎没有取得多大进展，原来是因为治疗师选择了一个不相关的问题。认知治疗师应该警惕这种可能性，尤其是在治疗的早期阶段。如果抑郁程度似乎没有或几乎没有显著变化，即使患者似乎在问题领域取得了相当大的进展，治疗师也应该考虑到最令人痛苦的问题尚未被发现的可能性。这种困难的典型例子是患者将工作困难作为主要问题，但事实证明夫妻问题是造成工作困难的重要原因。患者可能会隐瞒真正的问题，因为它看起来太具威胁性。最后，认知疗法并不适合所有人。如果治疗师已尝试了所有可用的方法并咨询了其他认知治疗师，最好将患者转介给具有相同或不同取向的另一位治疗师。不管治疗进展不令人满意的原因是什么，认知治疗师都应该关注自己的情感和认知。他们必须保持严谨的解决问题的立场。如果认知治疗师发现自己过度地受到患者绝望情绪的影响，或者开始注意到自己的图式是由治疗互动触发的，那么他或她应该寻求监督。患者或治疗师的绝望情绪是解决问题的障碍。如果治疗师能够有效地抵消他们自己的负面自我评估和其他
中大西洋地区经济的代际流动
Ward 2020, 2021）。在长期代际流动性的国际比较中，有两种模式显而易见（Perez 2019）。首先，在 1900 年之前，美洲的“新世界”经济体表现出儿子和父亲之间的流动性高于欧洲的“旧世界”经济体。其次，在历史案例中，人口快速增长和获得丰富土地资源的机会已被确定为流动性差异的关键决定因素，而不是教育和不平等。尽管加拿大是土地丰富、不断扩张的定居者经济的典型例子，但人们对 1950 年代之前的流动模式知之甚少。加拿大与美国和其他“新世界”定居者经济体有相似之处。加拿大西部的扩张为定居提供了充足的新土地，有机会进入农业或迁往新的城市中心。相对的劳动力稀缺吸引了内部移民到西部边境寻找新的机会，并吸引了来自欧洲和加拿大农村的移民到工业和服务业活动迅速扩张的城市地区。然而，有关社会流动的历史研究强调了加拿大案例的僵化性，特别是相对于美国而言。Porter (1965) 强调了种族、宗教和阶级是进入加拿大精英职位的障碍。流动的一个潜在障碍是英语加拿大人和法语加拿大人之间的语言障碍。对二十世纪后期职业流动的研究主要集中于加拿大经验的这一方面，认为由于劳动力市场按语言细分，法语加拿大人的代际职业流动率较低 (McRoberts 1985)。这种障碍会抑制加拿大的整体流动性，也会表现为魁北克 (以法语为主) 和该国其他地区 (以英语为主) 之间的地区差异。十九世纪后期，加拿大各地区在教育政策和公立学校提供方面也存在差异；安大略省于 19 世纪 70 年代开始实行义务教育，而魁北克省和加拿大东部沿海省份的部分地区几十年来都没有效仿。尽管最近的研究发现，如今加拿大的代际流动性明显高于美国（Corak 和 Heinz 1999；Chetty 2016），但由于缺乏数据，人们对加拿大人口历史流动性的差异程度、加拿大代际流动性的长期路径以及与其他国家相比的情况知之甚少。在本文中，我们使用加拿大人口普查中新链接的记录来提供
EE599，量子传感简介：推理与信息 学分：4 2023 年春季 — 周一、周三 — 时间：4:00-5:50 地点：待定 讲师：朱群涛
EE599，量子传感简介：推理和信息 学分：4 2023 年春季——周一、周三——时间：4:00-5:50 地点：待定 讲师：庄群涛 办公室：PHE 606（临时办公室 PHE 620） 办公时间：周三 3-4 点 联系信息：qzhuang@usc.edu 助教：待定 办公室：待定 办公时间：待定 联系信息：待定 课程描述 这是一门 4 单元的课程，介绍量子传感的基础知识——推理和信息的量子理论。 量子信息科学与工程在计算、通信和传感方面显示出超越经典性能的巨大希望。特别是，传感是量子技术在近期的实际应用方面可以比传统传感技术更具优势的领域。量子传感与计量研究使用非经典资源来增强各种传感应用的测量性能。作为一个突出的例子，激光干涉引力波天文台 (LIGO) 将非经典压缩光注入其迈克尔逊干涉仪，以超越激光散粒噪声造成的标准量子极限 (SQL)。除了 LIGO，量子计量学还被用于目标检测、显微镜、生物传感和相位跟踪。本课程将介绍量子传感的理论基础，并提供不同实际传感场景中量子优势的典型例子。本课程从基本量子力学开始，包括量子比特系统和以谐振子建模的量子光学系统。然后，我们将介绍经典推理的基础知识，作为随后量子版本的初步知识。最后，我们将讨论一些量子传感的物理系统。本课程将介绍建模和分析量子传感协议的基本工具和方法，并将其应用于实际示例。本课程面向具有复杂线性代数成熟知识的学生，为学生提供量子传感的最新概述，并为他们开始量子传感研究做好准备。相关课程：EE 520 量子信息处理简介、PHYS 513 量子计算应用和 EE 514：量子误差校正学习目标 在本课程结束时，学生将对各种量子传感范式有基本的了解，并获得定量工具来分析量子传感性能。学生将了解纠缠和压缩如何增强传感光学相位，以及多部分纠缠如何导致海森堡误差缩放。
丹麦能源转型
丹麦能源转型 作者：Søren Hansen 简介 丹麦是世界上的一个小国；只有 600 万居民，每年的温室气体排放量约占全球排放量的 0.1%。尽管如此，政府还是为实现“净零”排放设定了雄心勃勃的目标。到 2030 年，排放量应比 1990 年减少 70%，到 2045 年或 2050 年，丹麦将实现所谓的“气候中和”。 显然，这些措施对全球形势的影响微乎其微，但丹麦希望扮演领跑者的角色。世界其他国家将看到，实现如此雄心勃勃的目标确实是可能的，然后他们将效仿这一好榜样，地球将免于气候灾难。 实现“净零”需要在广泛的活动领域采取行动：工业、农业、供暖、交通，当然还有电力供应。以下报告将重点关注后者，这也是迄今为止我们看到在实现气候目标方面取得最大进展的领域。目前，电力仅占总能源消耗的 20% 左右，但气候目标要求将其他能源的很大一部分转化为电力。电动汽车和住宅热泵就是这一发展的典型例子。自 1990 年以来，丹麦传统上从燃油发电厂获得电力。在 20 世纪 70 年代的能源危机之后，该国转向煤炭。当时在北海的丹麦地区发现了石油和天然气，天然气也成为发电厂的燃料，尤其是小型分散式发电机，将发电与区域供热相结合。建立了广泛的管道网络，为住宅区提供供暖用天然气。所有大型发电厂都配备了区域供热装置，使丹麦电力部门的能源效率非常高。到 2010 年，绝大多数住房都通过天然气或区域供热供暖。燃油锅炉主要分布在配电系统覆盖范围之外的偏远地区。 20 世纪 70 年代，丹麦曾考虑发展核电，但最终在 1985 年丹麦议会投票中放弃了这一计划。丹麦的重点转向可再生能源，早在 70 年代就安装了首批发电风力涡轮机。然而，直到 20 世纪 90 年代末，这项技术才开始对丹麦的电力供应做出重大贡献，如图 1 所示。从那时起，风力涡轮机的装机容量逐渐增加，到 2023 年，它们共生产了 70 千兆焦耳，相当于当年丹麦总能源消耗的约 10%。太阳能发电起步较慢，但在 2010 年之后开始腾飞。
动画与人工智能
“这是他使用过的最奇怪的技术”，并表示“一种奇怪的新情感——一种不祥的预感，感觉人工智能已经跨越了门槛，世界将不再一样。” Sydney 的对话多功能性得益于生成式预训练 Transformer 3.5 (GPT-3.5)，这是由 OpenAI 公司开发的大型语言模型 (LLM)；Sydney 的功能类似于 OpenAI 更著名的聊天机器人 Chat-GPT，后者于 2022 年 11 月向公众推出 [55]。Roose 的怀疑、钦佩、焦虑和困惑交织在一起，过去是、现在仍然是人们对 ChatGPT 以及基于 LLM 的类似聊天机器人的大部分反应的典型。这种“生成式人工智能”系统的发展让商业世界着迷，企业管理者似乎渴望将这些技术融入到他们的产品和流程中，以降低劳动力成本并提高产量。法学硕士 (LLM) 也催生了越来越多夸张的说法 [37,49,50]，即所谓的“通用人工智能”(AGI) 即将到来：“具有与人类相当甚至更高智能的思考机器” [34]。许多知名评论员，其中包括著名的深度学习研究员杰弗里·辛顿 (Geoffrey Hinton)，都表达了他们对于法学硕士 (LLM) 很快就会变得“比人更聪明”的担忧 [19]。在本文中，我提出了一个替代范式来理解基于法学硕士的聊天机器人（如 ChatGPT）的能力和影响。基于文化人类学、批判性人机交互 (HCI) 和社会计算以及数字技术史的学术研究，我认为 ChatGPT——事实上，所有为与人类互动而开发的当代人工智能技术——都是动画作为人类文化生产和表达类型的典型例子 [94]。通过动画的视角理解交互式人工智能系统，既可以完全阐明 ChatGPT 和类似聊天机器人的能力和吸引力，也可以揭示此类系统的概念、开发和部署中固有的许多紧迫的概念、社会和道德挑战。将 ChatGPT 理解为一个动画实体，就完全排除了对其感知或拥有与人类类似权利的主张的需要 [9,85]；强调了 LLM 和其他交互式人工智能系统吸引和保持人类注意力的具体机制；阐明了 ChatGPT 与人类劳动和版权法的关系；并为更广泛地概念化交互式人工智能系统的设计和监管的新框架奠定了基础。将人工智能技术识别为动画实体甚至为人工智能领域最古老的理论——图灵测试提供了新的启示。鉴于交互式人工智能系统如何很好地符合动画作为一种富有创造性和表现力的类型的特征，我在这项工作中的目标是向人工智能从业者、政策制定者和普通公民展示这种框架的实用性，他们渴望更多地了解这些机器的能力和局限性。
1 – 信任建筑人工智能协作机器人
1 研究生，圣地亚哥州立大学土木、建筑和环境工程系，加利福尼亚州圣地亚哥。电子邮件：nemaminejad8591@sdsu.edu 2 副教授，圣地亚哥州立大学土木工程系，加利福尼亚州圣地亚哥（通讯作者）。ORCID：https://orcid.org/0000-0001-9691-8016。电子邮件：rakhavian@sdsu.edu 摘要 建筑技术研究人员和有远见的公司正在试验由人工智能 (AI) 驱动的协作机器人（又名 cobots），以探索作为行业数字化转型一部分的各种自动化场景。智能协作机器人有望成为未来建筑工作中占主导地位的机器人类型。然而，人工智能协作机器人的黑箱性质以及将它们引入工作现场的未知技术和心理方面是信任挑战的前兆。本文运用扎根理论，分析对建筑从业人员进行半结构化访谈的结果，探究了建筑行业中值得信赖的人工智能协作机器人的特点。研究发现，虽然作者在之前进行的系统文献综述中确定的关键信任因素引起了领域专家和最终用户的共鸣，但财务考虑和与变化相关的不确定性等其他因素也是阻碍人们信任建筑行业人工智能协作机器人的重大障碍。引言建筑行业不断采用有助于应对其重大挑战的技术，例如糟糕的安全和生产率记录以及熟练劳动力短缺。协作机器人 (又名 cobots) 就是此类技术的一个典型例子，并且正日益成为这一演变的重要组成部分 (Afsari 等人，2018 年)。协作机器人可以彻底改变建筑行业，使繁琐、重复和体力要求高的任务变得更安全、更高效、更具成本效益 (Follini 等人，2020 年)。它们配备了先进的传感器和安全功能，使它们能够精确地执行任务并避免事故。协作机器人现在被广泛应用于各种建筑任务，从砌砖到焊接、3D 打印、起重、手动材料处理和检查（Burden、Caldwell 和 Guertler 2022）。通过增强人类工人的能力，协作机器人有助于减少疲劳并提高生产率，同时还可以让工人专注于更复杂的任务（Ma、Mao 和 Liu 2022）。在建筑中使用协作机器人还有助于缩短项目时间表并降低总体成本，使其成为希望在不断发展的建筑行业中保持竞争力的公司有吸引力的投资（Veloso 等人 2012）。然而，尽管协作机器人有很多好处，但在将它们完全融入建筑工地之前，还需要解决一些重大挑战。其中最重要的一项是建立建筑工人和协作机器人之间的信任（Calitz、Poisat 和 Cullen 2017）。信任是一个复杂的概念，可以定义为对某人或某物的可靠性和完整性的信念（Jian、Bisantz 和 Drury 2000）。在
高等教育战略与领导力的挑战
简介 展望未来，高校面临着不断变化的形势。近期经济衰退带来的财政压力不断增加，政府支持减少，研究经费削减，再加上学费大幅下降和筹款困难。营利性机构和在线课程（包括 MOOC 和其他虚拟平台）也带来了破坏性威胁。1 许多机构的教师感到被他们所认为的机构内部日益增长的官僚主义引擎和日益蔓延的管理主义所排挤。总之，这些力量要求大学更加战略性和创新性地思考，但这样做的方式要符合其学术价值观和选民的意愿，而不是不加思索地采用它们有时倾向于的私营部门战略模式。本文描述了我们对高等教育机构与营利性公司的鲜明对比的理解。我们特别强调大学的“松散耦合”结构、其“政教合一”特征以及子单位的激增，这些子单位以对领导力构成独特挑战的方式放大了这种结构和特征。我们将简要回顾高校目前面临的一些重大压力。最后，我们将介绍一些领导策略，这些策略分为两个主题：保护现有系统和改变现有系统。 2 松散耦合 高等教育的领导和战略规划环境通常比公司更复杂。学校、学院和大学是组织理论家称之为“松散耦合”系统的典型例子（Orton 和 Weick，1990 年）。在松散耦合的系统中，各个元素相对于它们所嵌入的较大系统具有高度的自主性，通常会产生一种联合特征。系统某一部分的行为对另一部分的影响很小或没有影响，或者可能不可预测地引发与刺激不成比例的反应。元素之间的联系通常不为人所知或不均衡。在松散耦合的系统中，整合的力量（担心整体、其身份、完整性和未来）通常与专业化的力量相比较弱。在重要方面，中央权力来自成员，而不是从上级获得授权的成员元素。教育机构的松散耦合特性要求采用不同的领导和规划方法。无论教育工作者是否听说过“松散耦合”一词，他们都对它的动态有着本能的理解。教师之间在教学与研究之间由来已久的紧张关系如今通常表现为教师通过共同的学术兴趣与大学外的学科同事建立更多的联系（通常通过万维网），而不是与自己机构内的教师建立联系。某些院系认为自己在能力、严谨性、学术成果或一般方面都更胜一筹，这并不罕见。1 请参阅此处《创新型大学：从内到外改变高等教育的 DNA》，克莱顿·克里斯滕森和亨利·艾林合著。Jossey-Bass，2011 年。2 一般而言，机构越小，我们对高等教育机构的描述就越不适用，尽管来自小型学院的读者可能会在这幅大型机构的图景中看到他们自己的暗示。然而，关于领导策略的部分应该会引起来自小型和大型、更复杂的学术机构的个人的兴趣。
利用分子靶向疗法预防癌症
如今，肿瘤学家就像人体侦探，不再使用放大镜，而是利用分子病理学的新工具，不仅寻找基因或分子靶点，以针对性地开发创新的抗癌疗法，还寻找分子改变，以便识别出有患肿瘤风险的人群，从而进行预防。这就是精准肿瘤学，借助这种精准肿瘤学，如今我们不仅能够基于精准医学模型，通过识别与患癌风险增加相关的特定基因组决定因素，进行治疗，还能进行个性化癌症预防。该领域包括一系列干预措施，以便在早期识别癌症或避免疾病的发生。乳腺癌的 BRCA 突变状态就是一个典型例子：BRCA 基因突变是乳腺癌的风险因素，对于携带该基因突变的女性，可以提供更频繁的乳房筛查计划（作为二级预防的一部分），或者使用芳香化酶抑制剂或抗雌激素治疗来加强一级预防 [ 1 ]。分子病理学是精准肿瘤学的基石，今天，我们有必要学会研究细胞信号转导通路中不仅单个的改变，还要整体的改变。通过这种方式，分子病理学家可以为临床医生提供关键信息，以推动治疗选择。所谓的组织学模型长期以来一直主导着肿瘤学临床研究和临床实践，现在分子模型已成为其重要组成部分 [ 2 – 4 ]。在这种方法中，起点是肿瘤来源的器官，然后进行组织学检查，识别任何分子改变并选择药物，通过选择更有可能对治疗有反应的患者。组织学模型已经被不可知论模型所超越，在不可知论模型中，肿瘤治疗方法是基于特定的基因组改变或特定的分子方面选择的，这些改变或分子方面可能存在于各种肿瘤中，代表细胞靶点。有趣的是，突变模型还包括微生物群，它代表了生活在体内的数十亿微生物的集合，为我们的生命提供基本支持 [ 5 ]。靶向抗癌疗法涉及使用药物通过干扰参与肿瘤进展的分子（称为“分子靶点”）来阻断癌细胞的生长和扩散。靶向抗癌疗法与传统化疗有几个不同之处：（i）靶向抗癌疗法作用于癌细胞的特定分子靶点，而大多数化疗作用于所有快速繁殖的细胞，包括正常细胞和癌细胞；（ii）靶向抗癌疗法阻止肿瘤细胞的增殖（细胞抑制），而化疗药物杀死肿瘤细胞（细胞毒性）；（iii）靶向抗癌疗法与其靶点发生特异性相互作用，而许多化疗是根据其细胞毒性能力来确定的。靶向抗癌疗法目前是许多抗癌药物开发的核心，包括激素疗法、信号转导抑制剂、基因表达调节剂、凋亡诱导剂、血管生成抑制剂、免疫疗法和释放毒素的化合物。值得注意的是，靶向癌症疗法在获得性耐药性方面存在一些限制。因此，靶向抗癌疗法联合使用效果最好。例如，最近的一项研究发现，在 BRAF V600E 突变的黑色素瘤中使用两种药物比单独使用一种药物更能减缓耐药性的产生和病情进展[ 6 ]。此外，
动物模型在药物开发中的（误导性）作用
版权所有 © 2024 Hartung。这是一篇开放获取的文章，根据知识共享署名许可 (CC BY) 条款分发。允许在其他论坛使用、分发或复制，只要注明原作者和版权所有者并引用本期刊的原始出版物，符合公认的学术惯例。禁止不符合这些条款的使用、分发或复制。缩写：人工智能 (AI)，计算机程序（机器学习工具），执行通常需要人类智能的任务；流失是指候选药物在临床开发过程中经历的高失败率。有偏见的结果报告，发表有效果比没有效果更容易：这是科学文献中偏见的一个典型例子；重磅炸弹药物是一种药品，为销售它的公司创造每年 10 亿美元或以上的销售额；药物靶点 ，它本质上是人体内与药物相互作用产生治疗效果的分子； 欧洲化妆品试验禁令 ，欧盟自 2003 年起立法禁止动物试验，并通过营销禁令强制执行，适用于成品化妆品、含有接受替代品的动物测试成分的产品（2004 年后）、急性和局部（眼睛和皮肤）测试（2009 年后）以及所有其他危害（2013 年后）； 仿制药 ，仿制药是一种在剂型、安全性、强度、给药途径、质量、性能特征和预期用途上与已经上市的品牌药相同的药物； 危害 ，物质的不良影响； 高通量筛选 (HTS) ，一种用于科学发现的方法，特别是在药物发现、生物学、材料科学和化学领域。它涉及使用自动化设备快速测试数千到数百万个样本的生物活性或化学反应；免疫抑制药物，用于阻止移植排斥或自身免疫性疾病的药物；先导化合物优化，即对筛选出的初始命中化合物的化学变体进行迭代合成和测试的过程，以提高效力、选择性和类药特性，并开发优化的先导分子作为临床开发的强有力最终候选物；LD50，即半数致死量，是一种通过50%的大鼠死亡的剂量来比较物质毒性潜力的方法；纳米粒子，定义为直径在1至100纳米（nm）范围内的物质粒子；由于它们的表面积与体积比高，它们可以表现出与块体材料明显不同的物理和化学特性；组学技术，同时测量尽可能多的活性基因（转录组学）、蛋白质（蛋白质组学）或代谢物（代谢组学）的变化；REACH计划，《化学品注册、评估、授权和限制》的首字母缩写，是欧盟的一项综合性法规，旨在确保高水平地保护人类健康和环境免受化学品带来的风险。该法规于 2007 年 6 月 1 日颁布；可重复性危机，也称为复制危机，指的是人们越来越担心许多科学研究的结果难以或无法复制；选择性分析，又称亚组分析，侧重于部分数据，而忽略整体结果，以获得显著结果。这是不可重复结果的常见来源；致畸作用，导致出生缺陷。
人工是什么意思
在当今快节奏的世界中，人工智能已成为一个广泛讨论的话题，它已从科幻小说中的概念转变为影响我们日常生活的现实。人们对人工智能及其将想象力融入日常生活的能力着迷。本文旨在探讨人工智能的概念、发展历程、各种类型的人工智能、训练模型、优势以及其多样化应用的案例。人工智能是指开发能够执行需要人类智能的任务的计算机系统。它通过机器学习、自然语言处理、计算机视觉和机器人技术等技术，帮助处理大量数据、识别模式并根据收集的信息做出决策。人工智能涵盖学习、推理、感知、解决问题、数据分析和语言理解等能力。人工智能的最终目标是创造出能够模拟人类能力并以更高的效率和精度执行各种任务的机器。人工智能领域有可能彻底改变我们日常生活的各个方面，例如虚拟个人助理、自动驾驶汽车、医疗诊断和治疗、推荐系统和欺诈检测。人工智能已融入众多行业和日常生活，展现出其多样化的应用。Siri、Google Assistant 和 Amazon Alexa 等虚拟个人助理利用人工智能进行自然语言处理和机器学习，从而提供更精准的响应。自动驾驶汽车使用人工智能算法分析传感数据，并进行实时驾驶决策。医疗保健专业人员利用 IBM Watson for Health 和 Google DeepMind 等平台，将人工智能算法应用于医疗诊断和治疗。Netflix、Amazon 和 Spotify 等在线平台利用人工智能根据用户行为和偏好提供个性化推荐。金融机构利用人工智能通过分析数据的算法实时检测欺诈活动。人工智能 (AI) 是一个复杂的决策过程，在某些领域超越了人类的能力。人工智能机器的一个关键特性是重复学习，这使它们能够从现实生活中的事件中学习并与人类互动。这种学习过程被称为机器学习，是人工智能的一个子领域。由于缺乏准确性和热情，人类难以完成重复性任务。相比之下，人工智能系统在其任务中表现出卓越的准确性。人工智能在医疗保健、零售、制造和银行等各个领域都有广泛的应用。人工智能主要分为两类：弱人工智能（Narrow AI）和强人工智能（General AI）。弱人工智能是指专为特定任务或特定范围的任务而设计的人工智能系统。这些系统在其指定领域表现出色，但缺乏广泛的认知能力。其特征包括专业化能力、应用范围有限以及缺乏意识。狭义人工智能的例子包括虚拟个人助理、推荐系统、图像识别软件、聊天机器人和自动驾驶汽车。而广义人工智能则旨在全面模拟人类智能，包括推理、解决问题、学习和适应新情况的能力。广义人工智能的特征包括类似人类的认知能力、适应性以及在各种任务和领域中概括知识的能力。目前，狭义人工智能是人工智能最常用的形式，广泛应用于各行各业。狭义人工智能的例子包括Siri和Alexa等虚拟个人助理、推荐系统、图像识别软件、聊天机器人和自动驾驶汽车。随着研究人员不断突破人工智能的界限，他们提出了不同级别的人工智能能力。广义人工智能就是这样一个概念，它被认为具有自我意识、意识和主观体验。然而，达到这一水平仍然是一个理论挑战。广义人工智能的发展仍是一个持续研究的领域。另一个极端是超级人工智能，也称为人工智能超级智能 (ASI)。这种类型的人工智能几乎在各个方面都超越了人类智能，并对社会和人类的未来产生重大影响。超级人工智能的特点包括认知优势、快速学习和适应能力，这些特点可以推动各个领域的快速发展。超级人工智能的发展也引发了人们对其潜在社会影响的担忧，包括与控制相关的风险、与人类价值观的契合度以及对人类生存的威胁。尽管目前还处于理论阶段，但研究人员正在积极探索其发展带来的影响和挑战。相比之下，反应式机器是最基本的人工智能类型，纯粹是反应式的。它们不会形成记忆，也不会利用过去的经验来做出决策。例如，IBM 的“深蓝”国际象棋超级计算机在 1997 年击败了国际象棋大师加里·卡斯帕罗夫。这些机器可以感知世界并采取行动，而无需存储任何记忆。而记忆有限的机器可以回顾过去，并根据观察结果做出决策。一个常见的例子是自动驾驶汽车，它会观察其他车辆的速度和方向，并相应地进行调整。这需要在特定时间内监控车辆的驾驶情况。这些信息不会存储在机器的经验库中。基于心智理论的机器可以理解人类的信念、情绪、期望等，并做出情绪化的反应。索菲亚就是这类人工智能的典型例子，尽管该领域的研究仍在进行中。换句话说，先进的机器正在被开发，它们对世界及其实体（包括人类和动物）有着更深入的理解。这些机器将能够回答简单的“假设”问题，并具备同理心，从而更好地理解他人的观点。更重要的飞跃是创造出具有自我意识的机器，它们能够意识到自身身份并预测他人的感受。这种智能水平将代表人工智能研究的重大突破。人工智能 (AI) 的工作原理是通过算法、计算能力和来自各种来源的数据来利用海量数据。该过程包括收集相关数据，对其进行预处理以确保其清洁度和结构化，根据任务需求选择合适的算法，使用标记或未标记数据训练模型，评估其性能，并将其部署到生产环境中执行实际任务。人工智能功能广泛而多样，涵盖各种随时间推移进行调整和改进的技术。这使得模型能够通过持续学习在动态环境中保持相关性和准确性。在线学习、迁移学习和强化学习等技术有助于从经验和反馈中获取新知识。在推理过程中，经过训练的人工智能模型会运用其学习到的模式和表征，对新数据进行预测或决策。此过程包括将输入数据输入模型，并根据模型的内部工作原理获得输出预测或分类。人工智能系统依靠数据、算法和计算能力从经验中学习、做出决策并自主执行任务。人工智能系统的具体功能取决于其架构、算法以及其设计目标任务的性质。人工智能的应用领域广泛，已被广泛应用于医疗保健、金融、零售、制造、交通运输、教育、市场营销、游戏、安全和自然语言处理等各个行业。这些应用包括诊断、患者预后预测、个性化治疗方案、信用评分、欺诈检测、客户服务、需求预测、供应链优化、智能游戏角色、面部识别、入侵检测、机器翻译、情绪分析等等。人工智能的未来很可能涉及机器学习、自然语言处理和计算机视觉的进一步发展，从而为各种应用和行业带来功能日益强大、集成度更高的系统。人工智能的潜在增长领域包括医疗保健、金融、交通、客户服务、刑事司法决策、招聘、教育以及其他涉及道德考虑的敏感领域。人工智能 (AI) 是一种使计算机和机器能够模拟人类学习、解决问题和决策等能力的技术。AI 应用程序和设备可以识别物体、理解人类语言、从新信息中学习，并向用户和专家提供建议。AI 研究的最新焦点是生成式 AI，它可以创建文本、图像和视频等原创内容。生成式 AI 依赖于机器学习 (ML) 和深度学习技术。深度学习彻底改变了机器学习领域，它使算法能够在无需人工干预的情况下从大量未标记数据集中进行预测。这项技术尤其适用于自然语言处理、计算机视觉以及其他需要在海量数据中识别复杂模式和关系的任务。因此，深度学习为我们日常生活中的大多数 AI 应用提供支持。深度学习还支持多种先进技术，包括半监督学习，它结合了监督学习和非监督学习，可以在标记数据和未标记数据上训练模型。此外，自监督学习从非结构化数据中生成隐式标签，而强化学习则通过反复试验和奖励函数进行学习。迁移学习允许将从一个任务或数据集获得的知识应用于另一个相关任务或不同的数据集。生成式人工智能是指能够根据用户的提示或请求创建复杂原始内容（例如文本、图像、视频或音频）的深度学习模型。这些模型对其训练数据的简化表示进行编码，然后从该表示中提取数据以生成与原始数据相似但不完全相同的新作品。生成式人工智能的最新进展促成了复杂的深度学习模型类型的发展，包括变分自编码器 (VAE)、扩散模型和变换器。变换器是许多备受瞩目的生成式人工智能工具的核心，例如 ChatGPT 和 GPT-4、Copilot、BERT、Bard 和 Midjourney。生成式人工智能的运作分为三个阶段：训练、调整和生成。该流程始于基础模型，这是一种深度学习模型，可作为多种不同类型生成式人工智能应用的基础。基础模型可以针对特定任务进行定制，例如文本或图像生成，并且通常基于海量数据进行训练。深度学习算法处理海量非结构化数据（TB级或PB级的文本、图像或视频），并使用基础模型根据提示自主生成内容。这一训练过程计算密集、耗时且成本高昂，需要数千个GPU和数周的处理时间，总计数百万美元。像Meta的Llama-2这样的开源基础模型项目使开发人员能够绕过这一步骤及其成本。为了针对特定的内容生成任务对模型进行微调，开发者可以使用诸如标记数据微调或人工反馈强化学习 (RLHF) 等技术。这需要向模型输入特定于应用的问题或提示以及正确答案。开发者定期评估其生成式 AI 应用的输出，进一步调整模型以提高准确性或相关性。另一种方法是检索增强生成 (RAG)，它通过整合训练数据以外的相关来源来扩展基础模型，从而优化参数以提高准确性或相关性。生成式 AI 为各行各业和应用带来了诸多优势，包括重复性任务的自动化、更快地从数据中获取洞察、增强决策能力、减少人为错误、全天候可用以及降低物理风险。AI 可以自动化日常任务，使人类能够专注于创造性工作。它能够做出更快、更准确的预测和可靠的决策，使其成为决策支持或全自动决策的理想选择。AI 通过引导人们完成流程、标记潜在错误以及在无人干预的情况下自动执行任务来减少人为错误，尤其是在医疗保健等精准度至关重要的行业。随着机器学习算法接触更多数据并从经验中学习，其准确性不断提高，错误也随之减少。人工智能始终在线，全天候提供一致的结果。人工智能可以通过使用聊天机器人或虚拟助手来简化客户服务或支持的人员需求。它还可以简化生产流程，保持一致的产出水平，并自动执行那些可能危及人类工人的危险任务。例如，自动驾驶汽车可以降低乘客受伤风险。人工智能的实际应用包括通过聊天机器人改善客户服务、检测欺诈交易、个性化客户体验以及简化招聘流程。此外，人工智能代码生成工具可以加速应用程序开发，而预测性维护模型可以防止设备故障和停机。人工智能的快速应用带来了诸多好处，但也带来了挑战和风险。人工智能系统依赖的数据集可能容易受到篡改、偏见或网络攻击，从而损害其完整性和安全性。为了降低这些风险，组织必须在从开发到部署的整个人工智能生命周期中保护数据完整性。威胁行为者会针对人工智能模型进行盗窃、逆向工程或未经授权的操作，这可能会损害模型的架构、权重或参数。此外，还存在诸如模型漂移、偏差和治理结构崩溃等运营风险。如果不加以解决，这些风险可能会导致系统故障和网络安全漏洞，而威胁行为者可能会利用这些漏洞。为了优先考虑安全和道德，组织必须开发透明、可解释、公平的人工智能系统，包容、稳健、安全且可问责。人工智能伦理是一个多学科领域，旨在优化人工智能的有益影响，同时降低风险。人工智能伦理的原则包括可解释性、公平性和透明性。可解释的人工智能使人类用户能够解读算法产生的结果和输出。公平性和包容性要求在数据收集和模型设计过程中最大限度地减少算法偏差。建立多元化的团队对于创建包容性的人工智能系统至关重要。稳健的人工智能能够处理异常情况而不会造成损害，能够抵御有意和无意的干扰，并防止漏洞。问责制要求对人工智能的开发、部署和结果建立明确的责任和治理结构。与人工智能伦理相关的共同价值观包括可解释性、公平性、包容性、稳健性、安全性、问责制、透明性和责任感。用户必须了解人工智能的开发方式、功能、优势和劣势。提高透明度可以为人工智能模型和服务的创建提供宝贵的见解。确保隐私和合规性至关重要，因为像《通用数据保护条例》（GDPR）这样的监管框架要求组织保护个人信息。这包括保护可能包含敏感数据的人工智能模型，并开发能够适应不断变化的法规的适应性系统。研究人员根据人工智能的复杂程度对其进行了分类：弱人工智能（狭义人工智能）执行特定任务，而强人工智能（通用人工智能，AGI）则具有理解、学习和应用知识处理各种任务的能力，超越人类智能。具有自我意识的人工智能系统的概念仍是一个有争议的话题。人工智能发展的关键里程碑包括：- 1950 年：艾伦·图灵出版了《计算机器与智能》，提出了“机器能思考吗？”的问题，并提出了图灵测试。- 1956 年：约翰·麦卡锡在达特茅斯学院的第一次人工智能会议上提出了“人工智能”一词。- 1967 年：弗兰克·罗森布拉特制造了 Mark 1 感知器，这是一台基于通过反复试验进行学习的神经网络的计算机。- 1980 年：使用反向传播算法的神经网络在人工智能开发中得到广泛应用。 1995年，斯图尔特·罗素和彼得·诺维格出版了《人工智能：一种现代方法》，这是一本关于人工智能的权威教科书，探讨了人工智能的四个潜在目标或定义。大约在同一时期，IBM的“深蓝”国际象棋系统在一场对决中击败了世界冠军加里·卡斯帕罗夫。大数据和云计算时代到来，使企业能够管理用于训练人工智能模型的大型数据资产。21世纪初，人工智能取得了重大进展，包括约翰·麦卡锡在其2004年的论文《什么是人工智能？》中对人工智能的定义。数据科学开始成为一门热门学科，IBM Watson击败了《危险边缘！》冠军肯·詹宁斯和布拉德·鲁特。2015年，百度的 Minwa 超级计算机使用卷积神经网络识别图像的准确率高于人类。同年，在 DeepMind 的 AlphaGo 程序击败世界围棋冠军李索孛后，谷歌以 4 亿美元收购了 DeepMind。2020 年代，大型语言模型 (LLM) 兴起，例如 OpenAI 的 ChatGPT，它们显著提高了人工智能性能和推动企业价值的潜力。生成式人工智能实践使深度学习模型能够在大型数据集上进行预训练。截至 2024 年，人工智能趋势表明它将持续复兴，多模态模型通过结合计算机视觉和 NLP 功能提供更丰富的体验。IBM 强大的人工智能战略：推进值得信赖的人工智能以获得竞争优势一种利用人工智能力量的全面方法，包括创造竞争优势、在整个业务中扩展人工智能以及推进值得信赖的人工智能。