XiaoMi-AI文件搜索系统
World File Search System忘却
AMS 2026 年可持续行动计划
作为代表 UBC 60,000 多名学生组成的多元化社区的学生会，我们认识到，大学作为殖民机构无疑在为土著人民设置障碍方面发挥着积极作用，而 AMS 也参与了这一过程，无论是积极参与还是以附属关系参与。除了破坏其祖传土地上的自然和生命之外，土著社区还面临着健康和环境问题、歧视和传统遗址破坏等持续的边缘化问题。作为学生领袖，我们必须将个人和组织的努力作为持续的过程，不断学习和忘却。许多维持现状的行动和过程延续并复制了定居者殖民的影响，因此，我们的非殖民化努力必须超越土地承认，并以反压迫为目标。我们必须努力找出延续殖民暴力的叙述，以及我们如何努力创造对所有人都具有包容性和公平性的新叙述。通过该计划，AMS 可持续发展希望引领协会的忘却、去殖民化和本土化进程。该行动计划提出的框架旨在帮助 AMS 领导层认识到他们在这方面的角色和责任，并将可操作的、协作的土著协调行动纳入协会的优先事项。
耶拿大学 - 内部新闻 1 25
1 月 29 日下午 6 点，《自由的面貌》系列第三次小组讨论将聚焦“记忆中的历史——我们允许哪种过去？”这一主题。纽约的 Omri Boehm 教授和特拉维夫的 Natan Sznaider 教授将与耶拿当代历史学家 Stefanie Middendorf 教授和耶拿东欧历史学家 Joachim von Puttkamer 教授讨论以下问题：我们是忘却了历史，还是沉迷于历史？过去是否为现在提供了普遍的教训？在德国的记忆文化受到批评的同时，历史修正主义正在全球范围内兴起。与此同时，大屠杀和殖民主义的记忆似乎是不可调和的。冲突很多，这意味着可以期待一场非常有趣的双语小组讨论，这也是第一次“耶拿当代历史讲座”。需要注册。
马修·格雷戈里·维特沃 - 讣告
不工作时，马特喜欢与家人共度时光，支持他最喜欢的球队，包括犹他爵士队、杨百翰大学美洲狮队、科罗拉多洛矶队和旧金山 49 人队，斯塔西则在他身边大声欢呼。马特和斯塔西喜欢一起度过时光，经常一起旅行，游览新地方，寻找新餐馆并在那里用餐，逗彼此开心。马特喜欢阅读历史，尤其是那些对世界产生积极影响的领导人，他试图效仿他们。他喜欢划船、四轮驱动，也许最重要的是，他喜欢去家庭小屋放松，忘却一切，享受长时间的午睡，这有助于他恢复精力。他经常与一生挚爱分享这些活动，这让马特和斯塔西有机会留下终生难忘的回忆。
美国海军反潜战的瓦解与复兴
“忘却历史的人注定要重蹈覆辙”是一条不言而喻的真理。1 正如约翰·摩根上校五年多前就美国海军反潜战 (ASW) 发出的警告：“承认并理解反潜战‘盛衰’循环可以加速海军的觉醒。我们必须避免进一步的瓦解。”2 现任海军作战部长 (CNO) 海军上将弗农·克拉克最近采取了许多相关措施，最引人注目的是在加利福尼亚州圣地亚哥建立了新的舰队反潜战司令部。3 本文的一个核心前提是，我们可以从以前的成功和失败中吸取教训，重振反潜战。重振反潜战至关重要；反潜战需要“作为海军的一项核心竞争力来维持”。 4 反潜战是海上盾牌（从海上投射防御力量）的重要组成部分，而海上盾牌又使海上打击（从海上投射进攻力量）和海上基地（支持广泛分布和网络化的舰队）成为可能。这三个作战概念是海军作战部长“海上力量 21”愿景的精髓。5 如果没有有效的反潜战，就无法确保航母打击群、远征打击群、水面行动群、作战后勤部队、海上预置部队、海上前沿部署部队因潜艇威胁而遭受的损失保持在可接受的水平
通用人工智能程序合成语言Pro5Lang的情景记忆机制
我们设计了一种陈述性记忆机制，它尽可能与神经科学和认知科学的发现保持一致，同时不违反证明合理性的数学逻辑要求。其主要特点如下。 寄存器和内容可寻址存储器中存储的值仅限于已证明的命题。由于信息处理的最小单位（一个已被证明的命题）有自足的意义，记忆管理（比如忘记不必要的知识）就变得更容易。另一个优点是，即使在合成过程中执行不完整的程序，数据结构也不太可能崩溃。由于程序执行的顺序也将变得更加灵活，因此在时间允许的情况下规划未来的行动将变得更加容易。 每次进行推理时，都会自动将已证明的命题添加到已证明命题集合中，即将信息写入联想记忆机制。目的是减轻程序负担，提高程序综合的性能。 我们计划提供两种类型的陈述性知识回忆：自动回忆和主动回忆。 （目前仅实现了主动回忆。）事件回忆并不涉及重现某一特定时刻大脑的整个内部状态，而是仅重现一个已证实的命题。这使得信息处理能够实现，例如从一个命题推断另一个命题。 回忆陈述性知识的机制也被设计成不破坏证明的合理性（第 3.7 节）。 陈述性知识分为证实命题（情景记忆）和语义记忆。 Pro5Lang 中的语义记忆是多个已证明命题的压缩和抽象版本，旨在使用 [5]2 中描述的方法通过归纳推理来获取。 （然而，在当前的实现中，语义记忆也是从一开始就手动提供的。）由于存在过度概括和获取不正确的语义记忆的可能性，因此有必要提供单独的机制来选择和忘记不正确的语义记忆。这将在第 5 节中讨论。 由于记忆空间有限，即使正确的陈述性知识也会被适当地遗忘。即使不时随机选择和删除已证明命题集合中的元素，图 2 和 Pro5Lang 中的算法也不会失去健全性。然而，证明可能需要更长的时间并且可能变得越来越难以完成。为了避免降低证明的效率，需要使用一些启发式方法来选择需要遗忘的知识。 （目前实施中尚未采取此类措施。）
适合对象操作的工作记忆的人工智能架构研究
1分钟大概就在大脑皮层上。例如，有报道称，在将多种形式的信息整合到工作记忆中时，前额叶皮层会被激活[6]。我们认为大脑皮层是一种贝叶斯网络[7]。如果这是正确的，大脑皮层的工作记忆功能也应该利用贝叶斯网络来实现。在设计模型时，大脑中唯一物理存在的节点是那些代表当前时间 t 的信息的节点，并且每个节点只能引用时间 t-1 的信息。假设为了表示该模型，我们使用 BESOM [7]，我们提出它是大脑皮层的计算模型。 BESOM 是一种贝叶斯网络，通过对条件概率表施加约束来限制参数数量的激增。 BESOM 的最新版本能够使用门来控制节点之间的连接[8][9][10]。我们之前展示了如何使用生成模型 [3] 来表示工作记忆，但在本节中我们将更详细地解释它。图2中，节点W表示工作记忆状态，S表示传感器输入，A表示强化学习机制选择的动作规则。 P 指定记忆状态的默认行为（保留或忘记值）。更新内存值时，A t +1 会抑制 P t +1 的影响。它由一个门（黑色圆圈）表示，控制从 A t +1 到 P t +1 和 W t +1 的转换。工作记忆的更新规则在这个模型上被表述为推理，但由于大脑在物理上不可能向后发送循环信念传播的信息，因此大脑必须做出某种近似的推理。 转到