XiaoMi-AI文件搜索系统
World File Search System立地
理解和避免人工智能故障：实用指南
就目前的人工智能技术而言，人工智能造成的危害仅限于我们直接控制的权力。正如 [59] 中所说，“对于狭义人工智能，安全故障的重要性与一般网络安全同等重要，但对于 AGI 而言，情况则截然不同。” 尽管 AGI（通用人工智能）仍然遥不可及，但人工智能灾难的性质在过去二十年中已经发生了变化。自动化系统现在不仅会孤立地发生故障，而且还会实时与人类和彼此交互。这种转变使传统的系统分析更加困难，因为人工智能比以前的软件更具复杂性和自主性。针对此问题，我们分析了历史上与复杂控制系统相关的风险是如何管理的，以及当代人工智能故障的模式以及任何人工智能系统的运行会产生哪些类型的风险。我们基于传统系统分析和开放系统理论以及人工智能安全原则，提出了一个分析人工智能系统的框架，以便在它们无法理解它们如何改变其所嵌入系统的风险格局之前对其进行分析。最后，我们根据人工智能系统的属性提出了应采取的建议措施。我们给出了来自不同领域的几个案例研究，作为如何使用该框架和解释其结果的示例。
投资者介绍
此类陈述使用了“预期”、“相信”、“计划”、“估计”、“期望”、“打算”、“可能”、“将”等词语和其他类似术语。此列表并未详尽列出可能影响本演示文稿中前瞻性信息的因素。这些陈述反映了对未来事件和经营业绩的当前预期，并且仅代表本演示文稿发布之日的观点。涉及重大风险和不确定性的前瞻性陈述不应被视为对未来业绩或结果的保证，也不一定准确表明是否会实现此类结果。许多因素可能导致实际结果与前瞻性陈述中讨论的结果存在重大差异。可能引用某些非 IFRS 指标，例如“EBITDA”。这些非 IFRS 指标不是国际财务报告准则 (IFRS) 认可的指标，不具有 IFRS 规定的标准化含义，因此不太可能与其他公司提出的类似指标进行比较。相反，这些非国际财务报告准则指标是作为补充国际财务报告准则指标的附加信息提供的，通过从管理层的角度进一步了解我们的经营成果。因此，这些非国际财务报告准则指标不应孤立地考虑，也不应将其作为对根据国际财务报告准则报告的财务信息分析的替代。
投资者介绍
此类陈述使用了“预期”、“相信”、“计划”、“估计”、“期望”、“打算”、“可能”、“将”等词语和其他类似术语。此列表并未详尽列出可能影响本演示文稿中前瞻性信息的因素。这些陈述反映了对未来事件和经营业绩的当前预期，并且仅代表本演示文稿发布之日的观点。涉及重大风险和不确定性的前瞻性陈述不应被视为对未来业绩或结果的保证，也不一定准确表明是否会实现此类结果。许多因素可能导致实际结果与前瞻性陈述中讨论的结果存在重大差异。可能引用某些非 IFRS 指标，例如“EBITDA”。这些非 IFRS 指标不是国际财务报告准则 (IFRS) 认可的指标，不具有 IFRS 规定的标准化含义，因此不太可能与其他公司提出的类似指标进行比较。相反，这些非国际财务报告准则指标是作为补充国际财务报告准则指标的附加信息提供的，通过从管理层的角度进一步了解我们的经营成果。因此，这些非国际财务报告准则指标不应孤立地考虑，也不应将其作为对根据国际财务报告准则报告的财务信息分析的替代。
调节科学和技术不确定性
孤立地考虑到基因组学和人工智能（AI）提出的道德和社会挑战是深刻的，其中包括与自治，隐私，平等，偏见，偏见，歧视和滥用权力有关的问题。合并这两种技术时，道德，法律和社会问题大大增加，变得更加复杂，可以大大缩放，从而增加影响。除了这些复杂性外，基因组学和支持AI的技术都充满了科学和技术不确定性，这使得对这些技术的调节本身不仅具有挑战性，而且会造成法律上的不确定性。在科学中，预防原则已在全球范围内用于控制不确定性，具体目的是防止对人类的不可逆转伤害。对AI支持的技术中不确定性的监管是基于欧盟委员会最近提出的AI法规中规定的风险。然而，当将基因组学和人工智能结合在一起时，不仅不确定性会加倍，而且考虑到对人类安全使用的这种不确定性的规定似乎是矛盾的，考虑到这方面的科学和技术采取了不同的方法。在本文中，我探讨了对科学和技术不确定性的调节，并认为在人类基因组学和AI的背景下应用预防原则似乎是调节这两种技术结合所带来的不确定性的最有效方法。
成年人诊断偏头痛（有或没有光环）的人工智能：系统评价
使用机器学习（ML）或深度学习（DL）的数据驱动方法正在医疗领域进行测试，以避免归因于人为因素的偏见。人工智能（AI）模型加速了来自多个来源和感兴趣领域的相关医疗数据的识别和解释15。ml方法分析了大量的“训练”案例，以对测试用例的给定输入产生正确的输出。根据他们打算解决的任务类型，基本的ML算法大致分为两类：受监督和无监督。“监督”算法从预先标记的数据集中学习，以对特定结果进行分类（例如，在当前研究的背景下存在或不存在偏头痛）。较新的“无监督”的AI系统（例如DL分析）未标记的数据发现了先前未认可的模式中的复杂共同关系（例如，将主成分分析用于特征选择）。监督模型可能会达到高精度，因为用于培训的数据已经被标记。可以使用不同的结果度量，例如准确性，接收器操作特征曲线（AUC），召回（灵敏度），精度（正面预测值）和校准（拟合的好处）等不同结果度量进行评估。虽然准确性和AUC是最常报告的性能指标，但如果孤立地考虑它们，它们可能并不总是反映模型16的真实性能。
劳动力空间：通过大型语言模型统一劳动力市场的表征
劳动力市场是一个复杂的生态系统，由各种相互关联的实体组成，例如行业、职业、技能和公司。由于缺乏将这些异构实体映射到一起的系统方法，每个实体都是孤立地或仅通过成对关系进行分析，从而阻碍了对整个生态系统的全面理解。在这里，我们引入了劳动力空间，这是异构劳动力市场实体的向量空间嵌入，通过应用经过微调的大型语言模型得出。劳动力空间揭示了各种劳动力市场成分的复杂关系结构，促进了对行业、职业、技能和公司的连贯综合分析，同时保留了特定类型的聚类。我们展示了其前所未有的分析能力，包括将异构实体定位在经济轴上，例如“制造业-医疗保健和社会援助”。此外，通过允许对这些实体进行向量运算，劳动力空间可以探索复杂的单位间关系，随后估计经济冲击对单个单位的影响及其对劳动力市场的连锁反应。我们认为，劳动力空间为政策制定者和商业领袖提供了一个全面的统一的劳动力市场分析和模拟框架，促进了更细致、更有效的战略决策。
谈论人工智能的产生：版权和生成式人工智能供应链（简短版）
“生成式人工智能是否侵犯版权？”是一个紧迫的问题。这也是一个难题，原因有二。首先，“生成式人工智能”不仅仅是一家公司的产品。它是一个庞大的松散相关技术生态系统的统称。这些系统的行为不同，并引发不同的法律问题。其次，版权法非常复杂，而生成式人工智能系统设法触及了它的许多角落。它们引发了作者身份、相似性、直接和间接责任以及合理使用等诸多问题。这些问题不能孤立地分析，因为到处都有联系。我们的目标是让混乱变得有序。为此，我们引入了生成式人工智能供应链：一组相互关联的阶段，将训练数据转化为生成数据。供应链揭示了公司和用户做出对版权产生影响的选择的所有地方。它使我们能够追踪上游技术设计对下游使用的影响，并评估在这些复杂的社会技术系统中，当发生侵权时，谁应对侵权负责。由于我们与生成式人工智能技术密切相关，因此我们能够更多地阐明版权问题。我们确定了法院在处理这些问题时需要做出的关键决定，并指出了不同责任制度可能产生的后果。本文是即将在《版权协会杂志》上发表的一篇法律评论文章的精简版。
种子接种耐盐菌株可促进十字花科植物在盐渍条件下的幼苗生长
摘要：土壤盐分抑制作物发芽和幼苗生长，导致作物立地不均、生长不均匀、产量低下。本研究旨在评估接种从盐渍土中分离的植物生长促进细菌 (PGPB) 菌株 (E1 和 T7) 的十字花科种子的早期耐盐性。在对照和盐度条件下培养未接种和接种的 Lobularia maritima、Sinapis alba 和 Brassica napus 种子，首先在琼脂平板中评估每种盐的发芽抑制浓度，然后在用含有 0 或 75 mM NaCl 的水灌溉的土壤中培养。我们的结果表明，T7 是唯一能够在盐渍条件下增加 L. maritima 发芽的菌株。然而，接种 T7 的 L. maritima 和 S. alba 植物以及接种 E1 的 B. napus 植物的茎生物量、根长和分枝数均有所增加。同时，这些幼苗表现出较少的氧化损伤和更强的平衡植物活性氧生成的能力。这项研究表明，用耐盐 PGPB 菌株接种种子是一种适合在早期阶段改善盐度负面影响的策略。尽管如此，观察到的特定植物-宿主相互作用凸显了针对特定不利环境条件建立定制的 PGPB-作物关联的必要性。
谈论人工智能一代：版权和......
“生成式人工智能是否侵犯版权？”是一个紧迫的问题。这也是一个难题，原因有二。首先，“生成式人工智能”不仅仅是一家公司的一种产品。它是一个庞大的松散相关技术生态系统的统称，包括像 ChatGPT 这样的对话式文本聊天机器人、像 Midjourney 和 DALL·E 这样的图像生成器、像 GitHub Copi-lot 这样的编码助手，以及作曲和制作视频的系统。生成式人工智能模型具有不同的技术架构，并使用不同的算法在不同种类和来源的数据上进行训练。有些需要数月时间和数百万美元的训练，而有些则可以在一个周末内完成。这些模型以非常不同的方式提供给用户。一些是通过付费在线服务提供的，另一些则以开源模型分发，任何人都可以下载和修改它们。这些系统的行为不同，并引发不同的法律问题。第二个问题是，版权法非常复杂，而生成式人工智能系统却触及了其中的很多方面。它们提出了作者身份、相似性、直接和间接责任、合理使用和许可等诸多问题。这些问题不能孤立地进行分析，因为它们之间无处不在。生成式人工智能系统的输出是否合理使用可能取决于其训练数据集的组装方式。
自主武器和作战风险
自动化正在各种军事系统中日益普及，包括未来的武器。作为回应，越来越多的声音呼吁紧急讨论人类和机器决策在使用致命武力方面应发挥的适当作用。新美国安全中心的道德自主项目研究了与自主武器（可以自行选择和攻击目标的武器）相关的法律、道德、伦理和政策问题。本系列的前几篇论文探讨了自主武器的技术方面和“有意义的人类控制”的概念。本文旨在帮助国防专业人员清晰客观地思考与自主武器相关的可能风险。自主武器通常不存在，它们的军事成本和收益可以推测，但目前尚不清楚。然而，很明显的是，它们提出了新的风险问题。自主的本质是将以前由人完成的任务委托给机器。这提出了一个重要的问题，即如何保持对机器行为的有效人类控制，以及失去控制所带来的风险（包括概率和后果）。本文研究了自主武器相对于半自主武器的风险，半自主武器可以让人类“参与”选择和打击特定目标的过程。自主武器不能孤立地看待。战争是危险的，而旨在