XiaoMi-AI文件搜索系统
World File Search System类比
人工智能系统声明的准确性以及解释准确性的类比如何影响人类对该系统的依赖
人工智能系统越来越多地被用于支持人类决策。适当地遵循人工智能建议非常重要。然而，根据现有文献，用户通常对人工智能系统的依赖程度过低或过高，这导致团队绩效不佳。在这种情况下，我们通过对比贷款预测任务中系统信息的缺乏与系统准确性的存在来研究所述系统准确性的作用。我们通过调查数字能力水平并借助类比来解释系统准确性，探索人类理解系统准确性的程度如何影响他们对人工智能系统的依赖，这是一项首创的受试者间研究 (𝑁 = 281)。我们发现，用类比来解释系统的所述准确性并不能帮助用户适当地依赖人工智能系统（即，用户倾向于在系统正确时依赖系统，否则依赖自己）。为了消除对类比领域的主观态度的影响，我们进行了一项受试者内研究（𝑁 = 248），其中每个参与者都从事来自不同领域的基于类比的解释的任务。第二项研究的结果证实，用类比来解释系统的准确性不足以促进在贷款预测任务中对人工智能系统的适当依赖，无论个人用户有何差异。根据我们从这两项研究中得出的结论，我们推断，对人工智能系统的依赖不足可能是由于用户高估了自己解决给定任务的能力。因此，尽管熟悉的类比可以有效地提高系统所述准确性的可理解性，但对系统准确性的更好理解并不一定会导致系统依赖性和团队绩效的提高。
玻尔兹曼机与费曼路径积分的类比
摘要：机器学习对科学、技术、健康以及计算机和信息科学等多个领域产生了重大影响。随着量子计算的出现，量子机器学习已成为研究复杂学习问题的一种新的、重要的途径。然而，关于机器学习的基础存在着大量的争论和不确定性。在这里，我们详细阐述了一种称为玻尔兹曼机的通用机器学习方法与费曼对量子和统计力学的描述之间的数学联系。在费曼的描述中，量子现象源于路径的优雅加权和（或叠加）。我们的分析表明，玻尔兹曼机和神经网络具有相似的数学结构。这允许将玻尔兹曼机和神经网络中的隐藏层解释为路径元素的离散版本，并允许对机器学习进行类似于量子和统计力学的路径积分解释。由于费曼路径是对干涉现象和与量子力学密切相关的叠加原理的自然而优雅的描述，这种分析使我们能够将机器学习的目标解释为通过网络找到路径和累积路径权重的适当组合，从而累积地捕获给定数学问题的 x 到 y 映射的正确属性。我们不得不得出结论，神经网络与费曼路径积分有着天然的联系，因此可能提供了一种被视为量子问题的途径。因此，我们提供了适用于玻尔兹曼机和费曼路径积分的通用量子电路模型。
脑机类比——“特刊”
在这篇评论文章中，我们详细概述了《生态与进化前沿》特刊中收集的 12 篇文章，这些文章的研究主题是“关于脑机类比的最新想法——所有隐喻都是错误的，但有些是有用的”。摘要附有图形摘要，图形摘要是将文章与选定概念链接起来的矩阵。正如图灵首次指出的那样，本期特刊的所有作者都认为语义是脑机类比争论中的关键问题，并因此解决了许多此类问题。我们认为，缺少的是隐喻和类比之间的区别，我们重新评估了隐喻，详细描述了类比，并为后者提供了定义。为了丰富辩论，我们还认为有必要发展大脑的进化理论，我们对此进行了概述。本文以对科学创造力的思考作为结束，因为我们同意这样的观点：隐喻和类比及其美学影响对于创造过程至关重要，无论是在科学还是艺术领域。
将机器学习与现实世界联系起来：通过类比来增强学习理解
摘要。机器学习对许多人来说是一个令人兴奋的领域，但它的严谨性、数学和快速发展往往令人望而生畏，使他们无法学习和从事这一领域的职业。机器学习算法（如 K-最近邻、核方法、支持向量机）的相似性已被广泛探索，但在人类学习中却没有那么多探索，特别是在教授机器学习方面。在向本科生、研究生和普通学生教授这门课程的过程中，作者发现将概念与现实世界的例子联系起来大大提高了学生的理解能力，并使主题更容易理解，尽管涉及数学和方法。本文使用说明性示例将机器学习中的一些概念、工件和算法（如过度拟合、正则化和生成对抗网络）与现实世界联系起来。论文中的大部分类比在作者的教学过程中都得到了学生的一致好评，并被认为有助于提高理解力。希望本文介绍的材料能够让更多的读者受益，吸引更多的学习者进入该领域，从而为该领域做出更大的贡献。本文最后建议，深度学习可以自动生成相似性和类比性，这是未来的发展方向。
“人工智能可以类比蒸汽动力”或来自......
智能。它符合 Garvey 的观察，即虽然“这又是人工智能时代”，但这一次人工智能作为“一项划时代的技术，正在占领越来越多的领域”，因此“可能很快就会变得无处不在，与技术文明本身共存：成为现代性理所当然的特征，就像自来水或电一样。” 5 从这个意义上讲，智能的概念被修改了；它不再是单个机器的属性，而是扩散到相互关联的机器网络中。正如 Halpern、Mitchell 和 Geoghegan 所指出的，这体现在“冷战理性”与“智能指令”之间的对比中。冷战理性“主要源自少数资金雄厚的智库的概念出版物”，而“智能指令”则“渗透”到从手机、送货卡车到医疗保健系统等一切事物中，同时“本质上依赖于全球数百万甚至数十亿人之间的互动和个人特质”。6
基于数字孪生的多类比创新设计 - MDPI
摘要：类比设计是一种有效的创新设计方法。但现有的类比设计研究主要侧重于创新方案的形成方法，没有考虑应用的可行性和实用性。本研究提出了一种基于类比的多类比创新设计（M-AID）模型，该模型既考虑了以设计为中心的复杂性（DCC），也考虑了发明问题的解决方案（TRIZ）。为了提高实用性，引入数字孪生（DT），将真实的设计信息、制造生产数据和维护信息应用于设计过程。该方法包括6个步骤：（1）基于用户和市场需求对目标产品进行分析，综合一般功能需求；（2）利用知识库和专利库获取类比功能源；（3）调用数字孪生资源获取真实产品数据进行设计；（4）利用DCC理论降低融合后设计系统的复杂性； (5)利用TRIZ解决设计冲突问题；(6)根据产品需求评估设计方案。该方法提高了设计方案的可行性，减少了设计过程中从概念方案到最终方案的迭代次数，提高了创新设计过程的效率。以太阳能电池板除尘系统的创新设计为例，证明了该方法的适用性。
大脑如同计算机：隐喻、类比、理论还是事实？
无论是电子、模拟还是量子，计算机都是可编程机器。Wilder Penfield 认为大脑实际上是一台计算机，因为他是一个二元论者：心灵编程大脑。如果这种二元论被拒绝，那么将大脑与计算机联系起来需要定义大脑“程序”的含义以及谁可以“编程”大脑。如果大脑在学习时“编程”自己，那么这就是一个隐喻。如果进化“编程”大脑，那么这就是一个隐喻。事实上，在神经科学文献中，脑机通常不被用作类比，即作为明确的比较，而是被用作隐喻，通过将计算机领域的术语引入神经科学话语：我们断言大脑计算声音的位置，我们想知道感知算法如何在大脑中实现。当试图对这些术语进行精确的生物学描述时，会出现相当大的困难，这表明我们确实在处理一个隐喻。隐喻既有用又具有误导性。脑机隐喻的吸引力在于它有望连接生理和心理领域。但它具有误导性，因为这一承诺的基础是计算机术语本身是从心理领域（计算、记忆、信息）引入的。换句话说，脑机隐喻提供了一种还原论的认知观点（所有认知都是计算），而不是隐藏在隐喻背后的自然主义认知理论。
Gaole He 和 Ujwal Gadiraju。2022 年。如履薄冰：利用类比促进人机决策中的适当依赖
图 1. 该图展示了我们对基于类比的解释对统计概念（例如全局准确性）和人工智能系统整体行为的工作机制的理解。橙色代表用户日常观察中的元素，以及他们基于对世界的体验而不断发展的世界心理模型。蓝色代表与人工智能系统交互和体验的元素。一般来说，人们会建立一个强大的世界心理模型来解释日常情况下的观察结果。随着对更多世界观察的解释，这种心理模型会得到更新。借助类比推理，人们可以根据现有的世界心理模型建立一个新的人工智能系统心理模型。他们可以解释人工智能系统，然后更新这两个心理模型。
如何类比社会法律对器官移植的反应来促进生殖基因创新的合法化
诺贝尔基金会将 2020 年诺贝尔化学奖授予“CRISPR/Cas9 基因剪刀”，强调了基因创新对社会、科学和医学的重要意义。本文重点关注“生殖基因创新”，这一术语包括细胞质转移、线粒体转移以及种系或可遗传基因编辑技术，这些技术在美国均被归类为“实验性”。这些技术都使用体外受精，这是一种合法且广泛可用的做法。然而，生殖基因创新引起了争议和众多障碍，包括反复出现的联邦预算附加条款、联邦执法行动的威胁以及无法获得联邦资金。在开始时，器官移植也面临着类似的争议和障碍，包括对外科医生的检察审查以及因患者非正常死亡而对外科医生的诉讼。现在，器官移植的保险覆盖范围和机动车管理部门普遍提供的器官捐赠选择系统表明，器官移植已被社会接受并成为常规做法。乍一看，器官捐赠和生殖遗传创新几乎没有共同之处，原因是紧迫感、生殖选择问题和遗传变化等因素不同。然而，尽管存在这些差异，但这两种技术具有重要且未被充分重视的相似之处，例如使用外来生物材料、基因转移、对分配的担忧以及开始时的广泛争议。