XiaoMi-AI文件搜索系统
World File Search System形式逻辑
类比分类的提议 - 非形式逻辑
奥维耶多大学哲学系 奥维耶多人文校园，33011 西班牙 dalvar@uniovi.es 摘要：在本文中，我将根据类比的内部结构对其进行分类。选择该分类中使用的标准首先需要讨论任何类比的最小组成部分。据此，我将讨论类比与相似性之间以及类比与“同源”之间的区别，并强调操作和程序类比的重要性。最后，我将对不同类型的类比进行分类，这有助于进一步理解类比一般理念的某些调制之间的差异，例如原型、原型、模型、模拟、寓言、范式、经典、地图、思想实验、神话、乌托邦、反乌托邦和寓言。
计算机代码理解与额顶网络中的形式逻辑推理共享神经资源
摘要 尽管编程对现代社会至关重要，但代码理解的认知和神经基础在很大程度上仍是未知的。编程语言可能会“回收”最初为自然语言开发的神经认知机制。或者，代码理解可能依赖于与其他文化发明的符号系统（如形式逻辑和代数等符号数学）共享的额顶叶网络。专业程序员（平均 11 年编程经验）在接受 fMRI 时执行代码理解和记忆控制任务。同样的参与者还执行了形式逻辑、符号数学、执行控制和语言定位器任务。左侧额顶叶网络被招募用于代码理解。该网络内的活动模式区分了“for”循环和“if”条件代码函数。就底层神经基础而言，代码理解与形式逻辑和数学重叠程度较小。与执行过程和语言的重叠程度较低，但语言和代码的侧向性在个体之间共变。包括代码在内的文化符号系统依赖于独特的额顶叶皮层网络。
Mobileye – 从 ADAS 到自动驾驶
Mobileye 提出了一种技术中立的数学安全模型，帮助定义自动驾驶汽车安全驾驶的含义。我们的模型由形式逻辑和规则组成，称为责任敏感安全 (RSS)，遵循五条安全规则：
CAP5605/CAP4601：人工智能 2024 年秋季
我们首先概述人工智能现代发展的历史和哲学考量。然后，我们将学习一些形式逻辑和推理系统，特别是命题演算和一阶谓词逻辑的语法和语义。接下来，我们将深入研究搜索算法，直至启发式搜索和著名的 A* 算法，该算法在机器人和计算机游戏等许多领域都有应用。然后，我们将逻辑与搜索结合起来，研究专家推理系统背后的算法。最后，我们将学习 Prolog 编程语言，并使用它来实现一个简单的专家系统、各种搜索算法和一个简单的机器人运动规划系统。接下来，我们将研究 Prolog 以及其他自动推理系统的基础——解析定理证明。我们还将介绍使用自动推理的自动规划。
全球市场条件下的内容营销策略及其对客户的影响
摘要。营销世界是一个动态且不断变化的环境，永不停滞。本文的目的是根据所提出问题的分析来确定全球营销策略对于与客户沟通的重要性。本文由四部分组成，第一部分侧重于全球内容营销的理论方面。第二部分侧重于进行分析所需的数据收集方法，也是第四部分的基础。第三部分侧重于使用 Spss 程序和讨论的分析结果。在结果和讨论部分，我们使用了两个因变量平均值的 t 检验。第四部分包括结论、最合适的方法以及在全球市场制定全球营销战略的建议。本文的结果全面概述了如何使用全球内容营销策略来影响用户兴趣以及与客户沟通的重要性。它使用统计分析方法、比较方法以及综合和其他形式逻辑方法
模块指南人工智能和数据科学
人工智能系统和著名的人工智能示例基于形式逻辑。大多数数据科学方法直接源自统计学，而统计学又基于概率。这个领域（概率）也为最突出的现代人工智能和数据科学方法——机器学习奠定了基础。此外，学生还将了解复杂性估计和验证选项，以及数据处理系统的基本功能。学生将在本模块中实现以下学习目标：专业技能学生了解人工智能和数据科学的理论基础。他们能够应用这些。此外，他们可以设计、评估和改进软件概念和实现的性能。学生可以制定自己算法的数学细节，并可以使用这些细节来改进自己的实现。方法技能通过本模块获得的知识，学生能够掌握更高级的主题并独立研究它们。软技能学生可以从人工智能和数据科学的理论基础解释复杂的主题并评估他人的想法。
从贝特森心智生态学看人工智能
格雷戈里·贝特森提出了许多与人工智能相关的思想，特别是与心灵、意识、灵性和神圣等品质的归属有关。讨论了贝特森主要作品的相关部分，总结了他的心灵生态学知识框架，特别是他的心灵、学习和神圣概念。然后应用这些来讨论人工智能应用程序是否可以被认为拥有“心灵”。结论是，符号人工智能不符合贝特森对心灵的标准，神经网络也是如此，尽管更接近。基于形式逻辑规则的计算机也无法与神圣接触，这在本质上是矛盾的。然而，人工智能应用程序可以成为心灵生态学的一部分，并可以参与神圣的体验。贝特森的著作仍然是理解人工智能的性质和能力的思想的丰富源泉。
可认证的人工智能
摘要：隐式随机模型，包括“深度神经网络”（dNN）和最近的无监督基础模型，是无法解释的。也就是说，无法确定它们的工作原理，因为它们方程中包含的数百万或数十亿个项之间的相互作用无法以因果模型的形式捕获。由于随机人工智能系统的用户希望了解它们的运行方式，以便能够安全可靠地使用它们，因此出现了一个名为“可解释人工智能”（XAI）的新领域。然而，当我们研究 XAI 文献时，很明显它的倡导者已经将“解释”一词重新定义为其他含义，即“解释”。解释有时确实是可能的，但我们表明，它们充其量只能提供对模型如何工作的主观理解。我们提出了一种可替代 XAI 的方法，即认证 AI (CAI)，并描述了如何指定、实现和测试 AI 以获得认证。最终方法将本体论和形式逻辑与统计学习相结合，以获得可安全用于技术应用的可靠 AI 系统。