XiaoMi-AI文件搜索系统
World File Search System完备
大脑即计算机的隐喻
我问我的朋友：“你读过屠格涅夫的作品吗？”她毫不犹豫地给出了否定的回答。她的大脑里有她读过的小说的数据库吗？她的大脑在使用搜索算法吗？如果没有，我们还能如何想象这一壮举的实现？我问：“昨晚吃饭时坐在你旁边的那个男人叫什么名字？”她不记得了。半小时后，当我们谈论其他事情时，她说：“我现在想起来了，他叫杰罗姆。这个名字突然出现在我的脑海里。”如果大脑使用搜索算法来做到这一点，它会不会与前面的例子不同，会不会是一个更慢但更有条理的过程？我们能想象一个由大脑的“硬件”制成的设备，可以执行搜索算法吗？或者任意算法？在我（Davis，2017）的文章中，我强调图灵完备所需的东西很少。毫无疑问，可以用大脑的神经元建造一台通用计算机。然而，我们尚不清楚机器人能否进化。遗传密码中氨基酸由字符串编码的例子表明，这种可能性并非遥不可及。事实上，口语和书面语也是代表物体、动作和概念的任意符号的例子。有人穿过繁忙的街道，熟练地穿梭于车流之中。如何编写程序让机器人做到这一点？直到最近，人们才提出了一种使用大量数值计算的方法。如今，人们可以考虑另一种方法，即为此目的“训练”多层神经网络。想象大脑做这样的事情肯定比执行涉及大量算术计算的过程更容易。
应对量子计算机和人工智能带来的生存威胁
尽管人工智能和量子计算 (QC) 正迅速成为未来互联网的关键推动者，但专家认为它们对人类构成了生存威胁。针对 ChatGPT/GPT-4 的疯狂发布，数千名感到震惊的科技领袖最近签署了一封公开信，要求暂停人工智能研究，为不受控制的 AGI (通用人工智能) 对人类造成的灾难性威胁做好准备。AGI 被视为“认识论的噩梦”，人们认为 GPT-5 会使 AGI 陷入危险。两条计算规则似乎是造成这些风险的原因。1) 强制第三方权限，允许计算机以引入漏洞为代价运行应用程序。2) 图灵完备人工智能编程语言的停机问题可能导致 AGI 势不可挡。在传统系统下，这些固有弱点的双重打击仍然是不可战胜的。最近的网络安全突破表明，禁止所有权限可将计算机攻击面降至零，从而提供一种新的零漏洞计算 (ZVC) 范式。本文通过部署 ZVC 和区块链，制定并支持一个假设：“通过征服两个不可攻克的可计算性规则，安全、可靠、合乎道德、可控的 AGI/QC 是可能的。”在欧洲财团的推动下，当 AGI/QC 到 2025 年开始为 750 亿台互联网设备提供支持时，测试/证明提出的假设将对未来的数字基础设施产生突破性的影响。
![arXiv:2002.09044v1 [cs.AI] 2020 年 2 月 20 日](/simg/1\1ffdf8ad897bec475f6999eff33e38d4e88d0371.png)
arXiv:2002.09044v1 [cs.AI] 2020 年 2 月 20 日
我写这篇论文是因为技术确实可以改善人们的生活。有了技术，我们可以在健康的身体中活得更长，通过提高效率和自动化来节省时间，并做出更好的决策。要达到更高的水平，我们需要从更广泛的角度看待智能，并促进国际跨学科合作。本文第 1 部分深入探讨了社会学和社会心理学，以解释智能背后的机制本质上是社会性的。第 2 部分提出了一种对智能进行分类的方法，并描述了弱智能和强智能之间的区别。第 3 部分从不同的角度考察了中文房间论证。它表明图灵完备机器不可能具有强智能，并考虑了计算机智能和理解所必需的修改。第 4 节认为，单一代理技术爆炸所造成的生存风险不应引起严重担忧。第 5 节研究了人工智能控制问题，并指出不可能制造出一台超级智能机器来做它的创造者想要做的事情。通过使用生物学见解，它还提出了控制问题的解决方案。第 6 节讨论了强智能的一些含义。第 7 节列出了深度学习的主要挑战，并断言要达到强智能需要进行彻底的改变。第 8 节研究了一个神经科学框架，该框架可以帮助解释皮质柱的工作原理。第 9 节概述了强智能的路线图。最后，第 10 节分析了更强大智能的影响和挑战。
通过分布式投资提高电力系统弹性的保险模式
本文通过提出一种电力中断保险计划来为剩余停电风险定价，解决了分散式弹性投资的激励框架问题。在此过程中，它为有效投资弹性分布式能源 (DER) 提供了一个合理的理由。电力系统面临的风险性质正在发生变化。部门脱碳的动力预计将推动可变可再生能源 (VRE) 发电供应量成倍增加，而老化和越来越不可靠的热电厂的淘汰将对此进行管理 [1]，[2]。随着气候变化的发生，极端天气事件的频率和严重程度预计会加剧，对集中式电网架构的影响尤其显著 [3]。虽然批发能源市场在理论上可以确保系统的可靠性 [4]，但最近的一系列研究发现，自由化市场架构存在不完备性，这可能使系统和社区容易受到极端事件的影响 [5]–[7]。行政承包也会扭曲燃料结构，使能源特别容易受到极端天气的影响 [8]，[9]。此外，尽管市场设计没有缺陷，极端事件也可能使特定地区陷入孤立状态，使社区长期处于混乱和危险之中。尽管尽了最大努力，批发市场的设计不可避免地会给消费者留下停电风险，这一认识导致一些人认为，承诺完全免受批发市场框架的影响，在最好的情况下是成本过高，在最坏的情况下是虚幻的 [10]。然而，人们也承认，让这种脆弱性暴露在外也可能是不可取的，
量子图形语言的秘诀
量子计算最常见的形式化是电路模型，这是一种表示二维希尔伯特空间中酉矩阵的图解语言，有关简介请参阅 [20]。量子过程的验证需要量子电路的健全完备的方程理论，即通过生成器和关系对酉矩阵的完整表示。这是一个众所周知的难题。通过放宽酉性条件并允许所有线性映射，人们发现了至少三种不同的完整方程理论。ZX 演算在 [4] 中被引入，并被设计为范畴量子力学程序的一部分。它依赖于两个互补可观测量之间的相互作用。ZX 演算已被证明是一种推理量子过程的良好语言 [7, 11]。然而，寻找一套使其完整的规则已经开放很长时间，部分解决方案 [15] 涉及二级图形语言：ZW 演算 [12,5]。该演算建立在两个三部分纠缠类（GHZ 和 W 状态）之上，揭示了新的结构。后来又引入了另一种完整的图形语言，即 ZH 演算 [1]，其灵感来自超图状态。与量子电路相比，这三种语言有一个重要的优势。流程和矩阵不仅仅用图表示，还要用图表示（因此称为图形语言）。同构图表示相同的量子演化。这一特性嵌入在“只有拓扑重要”范式中。这是一个微妙的特征：通常的图形语言（如量子电路）从给定的一组原语（通常是量子门）开始，输入和输出的概念对于这些原语来说很重要。当仅拓扑重要时，人们可以很容易地将输入切换到输出，反之亦然。
量子图形语言的秘诀——DROPS
量子计算最常见的形式化是电路模型，这是一种表示二维希尔伯特空间中酉矩阵的图解语言，有关简介请参阅 [ 20 ]。量子过程的验证需要量子电路的健全完备的方程理论，即通过生成器和关系对酉矩阵的完整表示。这是一个众所周知的难题。通过放宽酉性条件并允许所有线性映射，至少发现了三种不同的完整方程理论。ZX 演算在 [ 4 ] 中被引入，并被设计为范畴量子力学程序的一部分。它依赖于两个互补可观测量之间的相互作用。ZX 演算已被证明是一种推理量子过程的良好语言 [ 7 , 11 ]。然而，寻找一套使其完整的规则已经开放很长时间，部分解决方案 [15] 涉及二级图形语言：ZW 演算 [12,5]。该演算建立在两个三部分纠缠类（GHZ 和 W 状态）之上，揭示了新的结构。后来又引入了另一种完整的图形语言，即 ZH 演算 [1]，其灵感来自超图状态。与量子电路相比，这三种语言有一个重要的优势。流程和矩阵不仅仅用图表示，还要用图表示（因此称为图形语言）。同构图表示相同的量子演化。这种特性嵌入在“只有拓扑重要”范式中。这是一个微妙的特征：通常的图形语言（如量子电路）从给定的一组原语（通常是量子门）开始，输入和输出的概念对于这些原语来说很重要。当仅拓扑重要时，人们可以很容易地将输入切换到输出，反之亦然。
政府中的人工智能：概念、标准和
摘要。人工智能 (AI) 和机器学习 (ML) 的最新进展有望改善政府。鉴于人工智能应用的先进功能，至关重要的是，这些应用必须使用标准的操作程序、明确的认知标准嵌入其中，并按照社会的规范期望行事。随后，多个领域的学者开始概念化人工智能系统可能采取的不同形式，强调其潜在的好处和缺陷。然而，文献仍然支离破碎，公共管理和政治学等社会科学学科的研究人员以及人工智能、机器学习和机器人技术等快速发展的领域的研究人员都在相对孤立地开发概念。尽管有人呼吁将新兴的政府人工智能研究正式化，但缺乏一个平衡的描述，以涵盖理解将人工智能嵌入公共部门环境的后果所需的全部理论观点。在这里，我们使用概念图来识别人工智能多学科研究中使用的 107 个不同术语，从而统一社会和技术学科的努力。我们归纳地将它们分为三个不同的语义组，分别标记为 (a) 操作、(b) 认知和 (c) 规范领域。然后，我们在此映射练习的结果基础上，提出三个新的多方面概念，以综合、前瞻性的方式研究基于人工智能的政府系统 (AI-GOV)，我们称之为 (1) 操作适应性、(2) 认知完备性和 (3) 规范显著性。最后，我们将这些概念用作 AI-GOV 概念类型学的维度，并将每个概念与新兴的人工智能技术测量标准相连接，以鼓励操作化，促进跨学科对话，并激发那些旨在用人工智能重塑公共管理的人之间的辩论。
![arXiv:2408.07115v1 [quant-ph] 2024 年 8 月 13 日](/simg/a\a416435f399d05cab4741eea867dac5b50011fbc.webp)
arXiv:2408.07115v1 [quant-ph] 2024 年 8 月 13 日
量子态断层扫描 (QST) 仍然是量子计算机和量子模拟器的基准测试和验证的黄金标准。由于通用量子多体状态中的参数数量呈指数级增长，实验量子设备的当前规模已经使直接量子态断层扫描变得难以实现。然而，大多数物理量子态都是结构化的，通常可以用少得多的参数来表示，这使得高效的 QST 成为可能。一个突出的例子是矩阵乘积状态 (MPS) 或矩阵乘积密度算子 (MPDO)，矩阵维度较小，据信它代表了一维 (1D) 量子设备生成的大多数物理状态。我们研究是否可以仅使用量子比特数多项式的状态副本数来恢复一般的 MPS/MPDO 状态，并且误差有界，这对于高效的 QST 是必要的。为了使这个问题在实践中变得有趣，我们假设只对目标状态上的量子比特进行局部测量。通过使用只需要单一测量设置的局部对称信息完备正算子值测量（SIC-POVM），我们对各种常见的多体量子态，包括典型的短程纠缠态、随机 MPS/MPDO 态和一维哈密顿量的热态，给出了上述问题的肯定答案。此外，我们还对某些长程纠缠态（如一族广义 GHZ 态）给出了肯定的否定答案，但已知具有实值波函数的目标态除外。我们的答案得到了 Cramer-Rao 界限的有效计算与使用机器学习辅助最大似然估计（MLE）算法的数值优化结果之间近乎完美的一致性的支持。该一致性还导致了使用局部 SIC-POVM 的最佳 QST 协议，该协议可以在当前的量子硬件上实际实现，并且对大多数一维物理状态都非常高效。我们的结果还表明，即使长距离纠缠量子态能够被有效表示，通常也无法有效恢复。
分层心智中意识的必要和充分机制
与之前被禁的研究相比，意识研究正成为科学前沿的几项重大挑战之一。随着上个世纪热情的先驱者应用双眼竞争、裂脑、盲视和其他范式（Seth，2018），神经科学中出现了意识的经验理论。目前，情况已经达到了一个充满希望和挑战的临界点，因为大量的意识理论（ToC）都声称自己有各自的合理性，而这些理论都有特定的经验支持，它们提出的猜想导致了不同的预测（Del Pin 等人，2021 年；Signorelli 等人，2021 年；Seth 和 Bayne，2022 年；Yaron 等人，2022 年）。人们讨论了各种理论，看来这个问题正变得越来越普遍。目前，不同团体和领域之间缺乏合作，阻碍了意识理论的进步。然而，未来有望出现一种不受个体理论界限限制的基础理论（Koch，2018）。在此过程中，四种主要的 ToC 获得了最多的关注（ Seth and Bayne，2022）：整合信息理论（IIT）（Tononi，2008；Oizumi 等，2014；Tononi 等，2016）、全局神经工作空间理论（GNWT）（Dehaene，2014；Mashour 等，2020）、高阶理论（HOT）（Lau and Rosenthal，2011；Brown 等，2019），以及循环加工理论（RPT）（Lamme，2018）和预测加工理论（PP）（Seth and Hohwy，2021）。简而言之，IIT 将任何有意识的体验与相应状态下系统的最大不可约因果结构联系起来； GNWT 认为，由广泛的神经激发和跨多个认知模块共享信息所引发的全局工作空间是实现意识的关键；HOT 基于意识体验的高阶结构，其中“我”意识到“某事”（“某事”的表征是一阶的）。同时，RPT 和 PP 强调自上而下的处理在有意识的心理活动中的重要性。第五种方法并没有将意识归因于神经活动，而是将意识与跨多个时空尺度的底层物理过程联系起来。作为一个典型且著名的范式，精心策划的客观还原 (Orch OR，参见 Hamerooff 和 Penrose，2014) 理论声称，根据哥德尔不完备定理 (Penrose，1999)，理解、自由意志或洞察力等心理方面无法用图灵机计算。它将意识与量子力学过程联系起来。意识场论将不确定的粒子状和波状现象比作“神经元-波二象性”（John, 2001），并提出大脑中广泛存在的电磁（EM）场可能是意识的物理相关物（Hunt and Jones, 2023）。
深度学习与人工智能
不受位置变化的影响。生物控制论，36（4），193-202。 https://doi.org/10.1007/BF 00344251 Goodfellow, I.、Bengio, Y. 和 Courville, A. (2016)。深度学习。麻省理工学院出版社。 （Schmidt、I. Schiffman、Y. Schaefer、A. 化学工程师和仪器仪表（2018）Graves、A.、Wayne、G. 和 Danihelka、I.（2014）。神经图灵机。 arXiv。 Ha, D. 和 Schmidhuber, J. (2018)。世界模特。 arXiv。 https://arxiv.org/abs/1803.10122 Han, K., Wang, Y., Chen, H., Chen, X., Guo, J., Liu, Z., Tang, Y., Xiao, A., Xu, C., Xu, Y., Yang, Z., Zhang, Y., & Tao, D. (2020 年)。关于视觉变压器的调查。 arXiv。 https://arxiv.org/abs/2012.12556 Higgins, I., Amos, D., Pfau, D., Racaniere, S., Matthey, L., Rezende, D., 和 Lerchner, A. (2018)。迈向解开表征的定义。 arXiv。 https://archiv. org/abs/1812.02230 美国国立卫生研究院（AI）（2020 年）。 2020 年人工智能市场：5 年历史的人工智能创新和 5 年历史的临床试验 LeCun, Y., Bengio, Y., & Hinton, G. (2015 年)。深度学习。自然，521，436-444。 http://dx.doi.org/10.1038/nature 14539 Mansimov, E., Parisotto, E., Ba, JL 和 Salakhutdinov, R. (2015)。利用注意力机制根据标题生成图像。 arXiv。 https://archiv.org/abs/1511.02793 纽约（2015 年）。 我的一位朋友是角川家族的成员（2016年）（2016年）。 http://dx.doi.org/10.1037/0033-295X.101.1.13 McCulloch, WS 和 Pitts, W. (1943)。神经活动中蕴含的观念的逻辑演算。数学生物物理公报，5（4），115-133。 https://doi.org/10.1007/BF02478259 Nakkiran, P.、Kaplun, G.、Bansal, Y.、Yang, T.、Barak, B. 和 Sutskever, I. (2019)。深度双重下降：更大的模型和更多的数据会带来危害。 arXiv。 https://arxiv.org/abs/ 1912.02292 Perez, J.、Marinkovic, J. 和 Barcelo, P.（2019 年 5 月 6-9 日）。论现代神经网络架构的图灵完备性。 ICLR 2019：第七届学习表征国际会议。路易斯安那州新奥尔良。美国。 Radford , A.、Kim , JW、Hallacy , C.、Ramesh , A.、Goh , G.、Agarwal , S.、Sastry , G.、Askell , A.、Mishkin , P.、Clark , J.、Krueger , G. 和 Sutskever , I. (2021)。从自然语言监督中学习可转移的视觉模型。 arXiv。 https://arxiv.org/abs/2103.00020 Ramachandran, P., Zoph, B., 和 Le, QV (2017)。寻找激活函数。 arXiv。 https://arxiv.org/abs/ 1710.05941 Razavi, A., van the Word, A. 和 Vinyals, O. (2019)。使用 VQ-VAE-2 生成各种高保真图像arXiv。 https://arxiv.org/abs/1906.00446 Reed, S.、Akata, Z.、Yan, X.、Logeswaran, L.、Schiele, B. 和。