XiaoMi-AI文件搜索系统
World File Search System符号
诺贝尔文学奖的符号经济学
根据布迪厄的理论，文学奖是那些从长远来看有助于将象征资本转化为经济资本的特定机构。正如卡萨诺瓦所描述的那样，诺贝尔奖在统一相对独立的国际文学空间方面发挥了重要作用。它帮助创造了世界文学的新经典，因为诺贝尔奖得主的作品被广泛翻译。但是，卡萨诺瓦强调的是自主性，而本文则强调了该奖项所传达的相对的他律性。文学权威在自主性和他律性标准之间进行谈判，无论是意识形态还是经济。本文探讨了诺贝尔奖的象征资本如何强化了统治模式。影响获奖者选择的交叉性和西方统治逐渐演变为更加多元化和包容性。然而，关注最近三十年，即全球化时代，我们观察到，尽管非西方作家越来越多，但主要是西方文化中介（出版商和文学代理人）将奖项的象征性和经济利润资本化。这些观察结果基于对 1990 年以来 33 位获奖者的出版商使用英语、德语和法语三种语言进行的定量分析。
神经符号人工智能的纲要
在过去的十年半的人工智能和学习中的一半中，一个关键的进步是开发从较低级别的原始输入特征（例如图像像素强度和单词性）[1，2，2，2，3，4，5，6，7]中学习更高级别的方法。这些较高级别表示的关键优势是它们捕获了更少的变量的富裕语义，因此，在其中，我们可以在其中学习统计上有效的模型，用于各种下游任务，例如预测，分类和聚类。近年来的关键进步是学习这些表示形式，而不是使用传统的手工制作的效果，这些效率很难正确，正确地指定。这导致了著名的应用程序，例如Dall-E，Stablediffusion，Chatgpt和Audiolm等。
神经符号人工智能（为什么、是什么以及如何）
摘要 — 人类通过感知（将来自环境的感官输入转换为符号）和认知（将符号映射到有关环境的知识以支持抽象、类比推理和长期规划）与环境进行交互。在人工智能的背景下，人类感知启发的机器感知是指使用使用自监督学习目标（例如下一个单词预测或对象识别）训练的神经网络从原始数据中进行大规模模式识别。另一方面，机器认知包含更复杂的计算，例如使用环境知识来指导推理、类比和长期规划。人类还可以控制和解释他们的认知功能。这似乎需要保留从感知输出到有关环境的知识的符号映射。例如，人类可以遵循和解释在医疗保健、刑事司法和自动驾驶等安全关键应用中推动其决策的准则和安全约束。虽然数据驱动的基于神经网络的人工智能算法可以有效地对机器感知进行建模，但基于符号知识的人工智能更适合对机器认知进行建模。这是因为符号知识结构支持从感知输出到知识的映射的显式表示，从而实现对人工智能系统决策的可追溯性和审计。通过跟踪人工智能系统的输入、输出和中间步骤，此类审计线索可用于执行安全的应用方面，例如法规遵从性和可解释性。神经符号人工智能部门的这篇第一篇文章介绍并概述了迅速兴起的神经符号人工智能范式，该范式结合了神经网络和知识引导的符号方法，以创建更强大、更灵活的人工智能系统。这些系统具有巨大的潜力，可以提高人工智能系统的算法级（例如抽象、类比、推理）和应用级（例如可解释和安全约束决策）能力。
神经符号递归机
当前的学习模型通常难以实现像人类一样的系统泛化，特别是在从有限的数据中学习组合规则并将它们推断为新的组合时。我们引入了神经符号递归机（NSR），其核心是根基符号系统（GSS），允许直接从训练数据中产生组合语法和语义。NSR采用模块化设计，集成了神经感知、句法分析和语义推理。这些组件通过一种新颖的演绎-溯因算法进行协同训练。我们的研究结果表明，NSR的设计充满了等变性和组合性的归纳偏差，使其具有良好的表现力，可以熟练地处理各种序列到序列任务并实现无与伦比的系统泛化。我们在四个旨在探测系统泛化能力的具有挑战性的基准上评估了NSR的有效性：用于语义分析的SCAN、用于字符串操作的PCFG、用于算术推理的HINT和组合机器翻译任务。结果证实了 NSR 在泛化和可转移性方面优于当代神经和混合模型。
一维符号替代系统的近似
在研究来自准晶体的薛定谔算子时，人们常常通过周期晶体近似底层动力学结构来研究它。这种方法的例子可以在早期的著作中看到，例如 [ OK85 、 MDO89 、 SB90 、 TFUT91 、 TCL93 ] 和最近的 [ SJ08 、 TGB + 14 、 EAMVD15 、 TDGG15 、 CRH19 、 BBDN20 ]。这是使用具有开放、周期或扭曲边界条件的有限体积近似值来完成的，同时试图最小化边界条件的影响。在本文中，我们处理具有周期势的无限近似值，用于估计来自无限晶格 Z 上非周期原子配置的薛定谔算子。使用 Bloch-Floquet 理论可以相对容易地理解这些无限周期近似值，该理论允许我们通过具有扭曲边界条件的有限体积算子来研究它们。例如，请参阅 [ MDMPAR06 ] 或 [ SV05 ]。我们考虑的薛定谔算子是紧束缚模型的简单情况，由下式给出
符号人工智能与联结人工智能
与人工智能社区的许多成员一样，我着迷地关注着符号人工智能和联结人工智能之间正在进行的讨论。符号人工智能认为，在推理和学习中使用知识对于产生智能行为至关重要，而联结人工智能则假定，从数据中学习关联（几乎不需要或完全不需要先验知识）对于理解行为至关重要。最近这两种人工智能范式之间的争论是由本世纪初联结人工智能的进步引发的，这些进步具有重要的应用价值。联结主义在面对大规模数据时所取得的技术成功，使其成为人工智能的主导范式。过去十年，这两种学派之间的对话通过学术文章（例如，LeCun、Bengio 和 Hinton，2015 年）、辩论（人工智能辩论，2017 年；人工智能辩论，2019 年）和社交媒体展开——其中社交媒体有时会引发尖锐的评论。我之所以对这场辩论如此着迷，是因为人工智能的主要问题非常重要：智能本身的性质。然而，我也发现这场辩论有点令人沮丧。原因如下。首先，我发现“符号人工智能”和“联结主义人工智能”这两个词组具有误导性。符号学派致力于知识及其在推理和学习中的应用（仅使用适度的输入数据），而不是符号本身：符号通常只代表知识抽象。同样，联结主义阵营的忠诚实际上是在几乎没有或完全没有先验知识的情况下从数据中学习关联，通常需要大规模数据。从认知科学的角度来看，符号人工智能与理性主义心智学派非常一致，后者强调
人工智能中的符号行为
人类使用符号的能力尚未在机器中复制。弥合差距需要考虑如何建立符号含义：如果符号用户同意符号含义，那么符号使用就包括导航含义协议的行为。我们利用这一见解来表达分级符号行为，包括构建新符号、改变先前符号以及反省含义和推理过程。然后，我们根据每个标准评估当代人工智能方法。最终，我们认为，当基于学习的代理沉浸在需要围绕观点和意义进行协调的人类社会文化互动中时，机器中流畅的符号使用就会出现。通过大规模收集这些场景，并包括交互式人类反馈，研究人员可以使用当代塑造行为算法来优化符号流畅性。
决策模型和符号 - Sparx Systems
该标准有助于消除业务人员和技术人员之间由来已久的沟通障碍，并允许企业在战略或战术层面定义和管理影响组织及其客户和供应商结果的决策。它是一种适用于所有季节和学科的工具，从定义问题和他们希望系统运行的答案集的战略家开始，到只需按下按钮即可实施决策的 Web 服务设计人员。价值主张是，可以使用图表和简单的规则表对决策进行建模，并使用简单的表达式，例如“客户的每月可支配收入是否 > 2000 美元”。一旦定义了规则，企业就可以使用自己的数据对其进行测试，而无需技术社区的任何参与。如果业务人员可以创建一个简单的电子表格，他们会发现 DMN 非常易于使用，并且能够创建和验证自己的决策模型。平台内置的通信功能有助于与其他业务和技术利益相关者进行即时讨论。