XiaoMi-AI文件搜索系统
World File Search System有意
研究文章垃圾邮件发送者和诈骗者如何利用 Facebook 上的 AI 生成图像来增加受众关于人工智能 (AI) 图像生成器（如 DALL-E 和 Midjourney）的风险的大部分研究和讨论都集中在它们是否会被用来在政治话语中注入虚假信息。我们表明，垃圾邮件发送者和诈骗者（似乎是受到利润或影响力而不是意识形态的驱使）已经在使用 AI 生成的图像在 Facebook 上获得显著的关注。有时，Facebook Feed 会向既没有关注发布图片的页面也没有意识到图片是 AI 生成的用户推荐未标记的 AI 生成的图片，这凸显了随着 AI 模型的激增，需要提高透明度和出处标准。作者：Renée DiResta (1)、Josh A. Goldstein (2) 所属机构：(1) 美国斯坦福大学斯坦福互联网观察站，(2) 美国乔治城大学安全与新兴技术中心 引用方式：DiResta, R., & Goldstein, J. A. (2024)。垃圾邮件发送者和诈骗者如何利用 Facebook 上的 AI 生成图像来增加受众。哈佛肯尼迪学院 (HKS) 错误信息评论，5 (4)。收稿日期：2024 年 4 月 21 日。接受日期：2024 年 7 月 24 日。发表日期：2024 年 8 月 15 日。研究问题
研究文章 垃圾邮件发送者和诈骗者如何利用 Facebook 上的 AI 生成图像来增加受众 关于人工智能 (AI) 图像生成器（例如 DALL-E 和 Midjourney）的风险的大部分研究和讨论都集中在它们是否可用于将虚假信息注入政治话语。我们表明，垃圾邮件发送者和诈骗者（似乎是出于利润或影响力而不是意识形态的动机）已经在使用 AI 生成的图像在 Facebook 上获得显著的关注。有时，Facebook Feed 会向既不关注发布图像的页面也不意识到图像是 AI 生成的用户推荐未标记的 AI 生成的图像，这凸显了随着 AI 模型的激增，需要提高透明度和出处标准。作者：Renée DiResta (1)、Josh A. Goldstein (2) 所属机构：(1) 美国斯坦福大学斯坦福互联网观测站，(2) 美国乔治城大学安全与新兴技术中心 引用方式：DiResta, R., & Goldstein, J.A.(2024)。垃圾邮件发送者和诈骗者如何利用 Facebook 上的 AI 生成图像来增加受众。哈佛肯尼迪学院 (HKS) 错误信息评论，5 (4)。收到日期：2024 年 4 月 21 日。接受日期：2024 年 7 月 24 日。发布日期：2024 年 8 月 15 日。研究问题
人们是否有可能对人形机器人产生同情心并与它们建立有意义的关系？
换句话说，情感同理心使个人能够受到他人情绪的影响，以帮助对自己的情绪和对话者的情感，这使他们能够对室友的思想和情感状态产生心理表达（Leite等，2013）。同理心是一个极具适应性和多才多艺的过程，可以在各种环境中进行社交行为。尽管可以将其视为人类的特定特征，但同情带来的亲社会行动有时可能受到外部环境的约束。Hoffman（2001）表明，对同理心的限制源于两个主要因素：同理心和人际际交往动力学之间的同理心和同理心目标之间的人际交往动力学。同理心的过度谨慎，如果遇险的迹象异常强烈；在这种情况下，移情的关注转移到了个人困扰状态。此外，观察者与移情对象之间关系的性质显着塑造了观察者采取的亲社会行为的形式。例如，与陌生人相比，人们更有可能与朋友和亲戚同情（Krebs，1970）。可以通过个人特征或情境环境来调节移情反应（De Vignemont and Singer，2006年）。
迈向有意识的服务机器人
深度学习在视觉感知，语音识别，自然语言处理和多模式模型等领域取得了巨大的成功，这激发了人们对自主机器人技术革命进步的希望。但是，现实世界中的机器人应用提出了独特的挑战，包括许多可变性来源，高维状态和动作空间，非线性依赖性以及部分遵守性。关键挑战是机器人及其环境的非平稳性，当训练的模型遇到分布外数据时，这会导致性能问题。不像当前的机器学习模型一样，人类有效地适应变化并迅速学习新任务，这是人类思想的认知建筑的能力。这包括利用组合性的系统概括，使人通过重新组合已知组件来理解和操纵新的对象和任务。人的大脑同时采用习惯和受控的处理，并通过系统1和更复杂的，更复杂的，有意识的方式以有意识的方式管理的快速，常规动作来处理系统2 [1] [1]，[2]（图1）。尽管能力有限，System 2仍可以灵活地解决问题和自我监控。要实现人类般的学习和推理，机器人必须整合因果模型，工作记忆，计划和元认知处理。我主张一种自下而上的方法，通过扩展高成功的系统1处理而无需更改工具，将意识启发的认知功能集成到服务机器人中。我的我设想开发学习感知和计划的方法，使机器人能够处理新颖的情况和自我监测。这可以通过三个特定的研究目标来实现：（i）通过快速，惯常的处理，从原始感觉数据中创建机器人工作空间的结构化表示，以及为这些表示形式学习预测模型以管理常规技能。（ii）通过为工作记忆选择几个元素，学习抽象的预测以及基于推出和搜索的计划操作来确定有意识的预测和计划。（iii）实施有意识的自我监控，以评估对在需要时收集信息并避免危险的预测和学习政策的信心。直观的沉浸式远程敏感系统可以实时运输到偏远地区。
使用有意的教学策略：实践（QKLG 2024）
合作与孩子合作共同建设学习，使他们能够在与他们合作的同时掌握他们的学习，以贡献而不是主导体验的方向。这也可以包括参与其他人（例如家庭成员和社区成员）可能具有特殊的专业知识或知识，可以告知和支持学习
洞察有意识的认知信息处理
一个多世纪以来，意识的神经和病理生理、行为和认知相关性一直是现代众多学科理论研究和实证研究的活跃领域。有意识的认知信息处理无法直接观察到，但可以从学习表现中的阶梯式不连续性或基于突然顿悟的问题解决行为改进中推断出来。据推测，与顿悟相关的知识突然进步需要创造性地重组任务或问题相关信息的心理表征，并分别重组任务或问题以克服认知死胡同或僵局。顿悟事件后学习表现或问题解决的不连续性可用作时间标签，以捕捉有意识的认知信息处理必须发生的时间窗口。根据有意识的认知信息处理的平台理论，重组和重构过程需要在工作记忆中维护任务或问题相关信息，以便执行功能对这些心理表征进行操作。电生理学证据表明，在基于洞察力的问题解决方案之前的工作记忆中的重组和重构过程伴随着包括前额叶皮层在内的皮质区域伽马振荡功率的增加。经验证据和理论假设表明，缝隙连接通道和连接蛋白半通道参与了皮质伽马振荡和工作记忆过程。学习或问题解决表现中的不连续性可以用作时间标签，以研究缝隙连接通道和半通道在有意识的认知处理中的含义。
有意义地与减少伤害组织和其他基于社区的组织合作
在2023年1月至2024年3月之间，项目人员对17个卫生部门，公共卫生机构，大学和减少危害的组织进行了重要的线人访谈，这些组织从事过量的监视和预防工作。代表的组织和部门位于15个州：阿拉巴马州，亚利桑那州，科罗拉多州，佐治亚州，伊利诺伊州，堪萨斯州，肯塔基州，肯塔基州，密歇根州，明尼苏达州，内华达州，内华达州，新墨西哥州，纽约，北卡罗来纳州，北卡罗来纳州，华盛顿，华盛顿和威斯康星州。为了促进访谈，工作人员制定了半结构化访谈指南。大约长达一个小时的访谈是使用Zoom视频会议软件进行的，并在参与者的同意下进行了记录和转录。向每位完成面试的主要线人提供了75美元的电子礼品卡。
未来准备就绪：重新想象年轻的有意义的工作...
我们为年轻人和十二个有意义的工作标准设计了一个新的定义。这项工作是通过与年轻人和年轻人的协作和同情精心制作的，不仅仅是纸上的一套单词。这是一种通用语言，是一种共同的愿景，我们邀请在工作生态系统中使用利益相关者。从雇主到教育工作者，从决策者到社区组织，从非营利组织到个人联系 - 我们呼吁你们每个人都加入我们的共同努力和责任。年轻人现在比以往任何时候都需要有意义的工作，但是我们不能独自这样做。本报告的核心是采取行动呼吁，提醒我们，有意义的工作的未来取决于集体努力和坚定不移的变革奉献。
