XiaoMi-AI文件搜索系统
World File Search System模仿性
大脑中的新颖性和模仿性：组合问题的达尔文神经动力学方法
在广阔的组合空间（例如可能的动作序列、语言结构或因果解释）中进行有效搜索是智能的重要组成部分。是否有任何计算领域足够灵活，可以为如此多样化的问题提供解决方案，并且可以在神经基质上稳健地实现？根据以前的论述，我们提出达尔文过程是一个有希望的候选者，该过程在连续的不完美复制和神经信息模式选择周期中运行。在这里，我们通过一个储存器计算单元教另一个储存器计算单元来实现不完美的信息复制。根据对读出信号的评估，动态分配教师和学习者角色。我们证明，新兴的达尔文读出活动模式群体能够在崎岖的组合奖励景观上维持并不断改进现有解决方案。我们还证明了存在一个尖锐的错误阈值，即神经噪声水平，超过该水平，进化过程积累的信息就无法维持。我们介绍了一种新的分析方法，即神经系统发育，它展示了神经进化过程的展开。
1 理查德·鲁梅尔特纪念特刊简介
“不确定的可模仿性是一种解释企业间效率差异的起源和持续性的理论。” “……不确定的可模仿性与垄断或合谋寡头垄断的区别在于，现有企业之间的利润率分散程度不同。” Lippman 和 Rumelt (1982: 436)。 “企业的战略可以用创造（或将创造）潜在租金的意外事件以及（将）用于保留租金的隔离机制来解释。如果缺少任何一个解释要素，分析都是不充分的。” Rumelt (1984:142) “……经济租金的最重要来源是特定于企业的；行业成员资格是次要的来源……” Rumelt (1991: 167)。 “压倒性的证据表明，组织具有相当大的惯性，但战略内容模型（包括基于资源的企业观点）往往回避了这个问题。完整的“企业战略理论”必须直接处理惯性问题。” （Rumelt，1995：23）
国防部的生成式人工智能用例 - DTIC
• 当今的人工智能 (AI) 模型在统计上是模仿性的 — 它们不是通用人工智能 (AGI)，而是“AGI-ish”。 • 遵循 Karpathy（5 月 24 日）：1 • 低风险应用，有人类监督。• 灵感、建议的来源。• 自主代理的副驾驶。• 技术限制不断变化（例如，上下文长度、模态、许可）。• 文本到文本大型语言模型 (LLM) 目前是国防部 (DoD) 最有用的模型。• 如果得到适当的授权，不断增长的用户群将找到我们无法预测的用途。
文本与案例
4.1 引言 97 4.2 资源与能力的基础 98 4.2.1 资源与能力 98 4.2.2 门槛和独特资源与能力 100 4.3 独特资源与能力作为竞争优势的基础 101 4.3.1 V – 资源与能力的价值 101 4.3.2 R – 稀缺性 102 4.3.3 I – 不可模仿性 102 4.3.4 O – 组织支持 104 4.3.5 组织知识作为竞争优势的基础 105 4.4 诊断资源与能力 107 4.4.1 VRIO 分析 107 4.4.2 价值链和价值体系 107 4.4.3 活动系统 111 4.4.4 基准测试 114 4.4.5 SWOT 115 4.5 动态能力119 总结 124 作业 124 推荐阅读材料 125 参考文献 125 案例：Rocket Internet – 山寨者会被模仿吗？ 128
理论就是一切：人工智能、人类认知和因果推理 †
摘要 学者们认为人工智能可以产生真正的新颖性和新知识，反过来，人工智能和计算认知模型将取代人类在不确定情况下的决策。我们不同意。我们认为人工智能基于数据的预测不同于人类基于理论的因果逻辑和推理。我们以大型语言模型 (LLM) 为例，强调了几十年来将计算机与大脑作为输入输出设备进行类比的问题。与人工智能强调的信息处理和基于数据的预测相比，人类认知最好概念化为一种基于理论的因果推理。人工智能使用基于概率的方法来获取知识，并且在很大程度上是回顾性和模仿性的，而人类认知是前瞻性的，能够产生真正的新颖性。我们引入“数据信念不对称”的概念来强调人工智能与人类认知之间的差异，并以“重于空气的飞行”为例来说明我们的论点。基于理论的因果推理为人类提供了一种认知机制，使人类能够“干预”世界并进行定向实验以生成新数据。在整篇文章中，我们讨论了我们的论点对于理解新颖性、新知识和不确定性决策的起源的影响。关键词：认知、人工智能、预测、因果推理、决策、策略、基于理论的观点