XiaoMi-AI文件搜索系统
World File Search System符号处理
认知作为形态学/形态发生学的体内体现计算
摘要：认知，历史上被认为是人类独有的能力，但最近发现它是所有生物体（从单细胞开始）都具备的能力。本研究从信息计算的角度探讨认知，其中自然界的结构被视为信息，过程（信息动态）被视为计算，从认知主体的角度来看。认知被理解为并发形态/形态发生计算的网络，它是物理、化学和生物主体的自组装、自组织和自创生的结果。当今以人为中心的认知观仍然在各大百科全书中盛行，存在各种未解决的问题。本文探讨了形态计算、形态发生、代理、基础认知、扩展进化综合、自由能原理、认知作为贝叶斯学习、主动推理和相关主题的最新研究，为旧计算主义认知模型固有的问题提供了新的理论和实践视角，这些模型基于抽象符号处理，没有意识到认知代理体现的实际物理约束和可供性。更好地理解认知对于未来的人工智能、机器人技术、医学和相关领域至关重要。
SOA-REAM辅助突触受体，用于加权 -
摘要 - 非形态光子学是一个有前途的研究领域，因为它有可能应对von-Neumann计算体系结构的瓶颈产生的局限性。受到生物大脑的特征和行为的启发，光子神经网络被吹捧为解决需要在低潜伏期和低功耗下运行的复杂问题的解决方案。这种神经网络的基本构建块是低复杂性多重积累操作，为此寻求光学域中的有效功能实现。向这个方向迈出了一个突触受体，该突触受体可以在功能上整合加权和信号检测。通过单片集成的半导体光学放大器和反射性电吸收调制器来完成此光学多重积累操作，该操作将充当无色频率解调器和频率编码信号的检测器。此外，我们表明可以同时处理两个尖峰列车，并以交替的符号处理并将其视为加权总和。通过低位误差比的信号速率低于10 GB/s，提出的突触受体的性能得到了进一步验证。索引项 - 光学信号检测，神经网络硬件，神经形态光子学，突触受体
第 1 章：多传感器数据融合
近年来，军事和非军事应用领域的多传感器数据融合备受关注。数据融合技术将来自多个传感器的数据和相关信息结合起来，实现比使用单个独立传感器更具体的推断。多传感器数据融合的概念并不新鲜。随着人类和动物的进化，他们已经发展出使用多种感官帮助自己生存的能力。例如，仅使用视觉可能无法评估可食用物质的质量；视觉、触觉、嗅觉和味觉的结合更为有效。同样，当视觉受到建筑物和植被的限制时，听觉可以提前警告即将发生的危险。因此，动物和人类自然会进行多传感器数据融合，以更准确地评估周围环境并识别威胁，从而提高生存机会。虽然数据融合的概念并不新鲜，但新传感器、先进处理技术和改进的处理硬件的出现使得实时数据融合越来越可行。正如 20 世纪 70 年代早期符号处理计算机（例如 SYMBOLICs 计算机和 Lambda 机）的出现推动了人工智能的发展一样，计算和传感领域的最新进展也提供了在硬件和软件上模拟人类和动物的自然数据融合能力的能力。目前，数据融合系统广泛用于目标跟踪、目标自动识别和有限的自动推理应用。数据融合技术已从一组松散的相关技术迅速发展成为一门新兴的真正的工程技术
简单算术处理过程中人脑连续激活的时空动态
先前的神经影像学研究提供了关于大脑激活和失活的空间组织的独特见解；然而，这些研究无法结合个体大脑层面的精确解剖信息源，探索亚秒级事件的确切时间。因此，我们对给定认知任务期间不同大脑区域的参与顺序知之甚少。使用实验算术任务作为人类独有符号处理的原型，我们使用颅内脑电图直接记录了 85 名人类受试者（52% 为女性）的 10,076 个大脑部位。我们的数据显示，几乎一半的采样部位的活动变化分布非常均匀。在每个激活的大脑区域中，我们发现并列的神经元群优先对目标或控制条件做出反应，并以解剖学上有序的方式排列。值得注意的是，在个体大脑中观察到一组大脑区域的有序连续激活——在受试者中解剖学上一致。这些部位的激活时间顺序在受试者和试验之间是可复制的。此外，部位之间的功能连接程度随着区域之间的时间距离而降低，这表明信息在处理链中部分泄露或转换。我们的研究补充了之前的成像研究，提供了迄今为止未知的有关算术处理过程中大脑事件时间的信息。这些发现可以作为开发人类特定认知符号系统的机械计算模型的基础。
对...的历史回顾和哲学审视
即使在神话时代，人类也渴望创造智能机器。古埃及人为自己设计了一条“捷径”，即建造雕像，牧师可以隐藏雕像，同时向民众提供明智的指导。这种“骗局”在人工智能的整个发展过程中一直在发生。人工智能的概念起源于哲学、逻辑和数学，现在已成为现实。公元前四世纪，亚里士多德开创了数据抽象。他的形式逻辑为有效的科学推理提供了一个框架，并为进一步的研究奠定了基础。物质和形式之间的差异仍然是当今计算机科学的基本原则之一。数据抽象是将概念与其实际表示或程序（形式）从封装方法的外壳中分离出来。17 世纪的哲学家 G. Leibniz 对现代代数、算法和符号逻辑产生了重大影响。他认为符号可以用来表达人们的思维方式。莱布尼茨的工作影响了 19 世纪的数学家 G. Boole。在他的书中，[1] 描述了一种符号推理的基本方法，并声称用纯符号处理具有任意项的逻辑命题，以做出合理的逻辑推理。要表现出智能，计算机必须能够推理；这就是布尔代数的作用所在。计算机科学家 A. 图灵 [2] 在 20 世纪的一本哲学杂志上发表了一篇论文。这篇论文的发表被认为是人工智能的“启航”。它描述了著名的图灵测试，并推测了在计算机中编程智能的可能性 [3]。达特茅斯会议的组织者 J. 麦卡锡在 1956 年提出了人工智能的具体概念，将给予的科学
计算科学发现集成系统
引言科学事业是人类最令人瞩目的成就之一，而科学发现则是推动科学进步的引擎。人工智能界早已认识到科学发现的重要性，这从该领域四十多年来的活跃研究就可以看出。Simon (1966) 提出了自动化发现过程的想法，第一个显著的成功出现在 20 世纪 70 年代，出现了 DENDRAL（Lindsay 等人，1980 年）和 Bacon（Langley，1981 年）等系统。20 世纪 80 年代和 90 年代，科学事业继续取得进展，研究人员在天体物理学、生物学、化学、生态学、粒子物理学和社会科学等不同领域解决了越来越广泛的科学问题。到世纪之交，有许多计算机辅助发现发表在同行评审的科学文献中的案例（Langley，2000 年）。近年来，计算科学发现变得更加活跃，来自应用数学、物理学、机械工程和其他学科的研究人员加入了发起这一运动的人工智能科学家的行列。早期的方法主要依赖于符号处理和在离散结构空间中的搜索，而后来的许多努力则转向执行参数搜索的统计技术和神经网络。这两个群体的共同点是他们致力于开发能够重现人类发现的全部深度和广度的通用机制。自 1989 年以来，至少有 12 场研讨会和讲习班以及多本报告该领域进展的编辑书籍（Shrager 和 Langley，1990 年；Dˇzeroski 和 Todorovski，2007 年；Addis 等人，2019 年）反映了人们对这一主题的持续关注。
人工智能：未来前景
具有低基础设施和低浪费的创新产品和服务。随着一些信息系统的使用，一个特别的类别“信息系统 - 人工智能系统”帮助企业完成必须由人完成的任务。与其他信息系统相比，AIS 具有不同的特点。常见的 AIS 具有符号处理、直觉知识、学习能力和推理能力等特点。人工智能系统 (AIS) 的作用包括自动执行枯燥的任务、提供专业建议、游戏、帮助对话识别、支持计算机辅助指导、语言翻译等。AIS 的普及和使用已大大增加，因为它提供了一些优势，如更快的性能、在不影响质量的情况下提高性能、比传统智能更便宜、更不随机并提供可靠的结果等。[2]。然而，许多新兴人工智能系统（人工智能）仍在讨论中，因为它们仍然需要更多关于其解决任务的方法的研究。因此，人工智能机器或系统应该能够执行必要的任务而不会犯错误。同样，机器人技术应该能够在没有人类控制或帮助的情况下执行各种任务[2]。今天的人工智能，例如，汽车，正在以显著的限制而发展，例如，控制交通，限制速度，从自动驾驶汽车到SIRI，人工智能正在迅速发展[2]。将人工智能描绘成机器人以创造类似人类的特征的想法极大地增强了人类对技术的依赖。同样，人工智能（AI）能够有效地执行每一个小而复杂的任务，从而扩大了社会对技术的依赖。[3]人工智能（AI）设备能够通过计算机处理大量数据，从而为控制它们的人提供并分解所有数据。今天，这大大增加了威胁，使人们能够以巨大的方式分离和提取信息[3]。近年来，人工智能被视为人类大脑的人工智能代表，它试图模仿人类的学习过程，以期达到人类的学习能力。必须让每个人都相信人工智能能够达到人类的智力水平，这是无法制造的[3]。