纵观此类系统,有一个特性非常突出:复杂性。现代系统之系统已达到一定的结构和行为复杂程度,这使得理解它们变得困难(在许多情况下是不可能)。因此,设计、实施、维护和发展当今的许多系统之系统需要大量的工程工作和资金投入。由于引入了新特性,在形成系统之系统时(例如涌现行为,尤其是不可预测的涌现行为),也引入了新的风险因素。由于我们几乎完全依赖这种不断发展的系统之系统,因此我们需要可靠的方法、原则和工具来管理当今日益复杂、不断变化和充满不确定性的世界中系统之系统的演变。这本书正是在这条有趣而重要的道路上迈出的一步。
纵观历史,人工智能 (AI) 在研究中的构思和发展是一段令人着迷的旅程 (Russell & Norvig, 2016)。人工智能在研究中的起源可以追溯到 20 世纪中叶,当时人工智能的最初雏形被投入实际应用,主要是在数学和工程等领域。在过去的几十年里,我们目睹了人工智能能力的巨大转变,其中大量的进步无疑扩大了其范围。本论述对现有文献进行了深入回顾,阐明了人工智能在研究方法中的应用 (Kapoor, Dwivedi & Piercy, 2016)。这篇评论是理解人工智能的复杂性、其多种应用以及推动其成为研究方法前沿的因素融合的渠道。文献综述强调了在塑造当代研究方面对机器学习和自然语言处理等人工智能技术的日益依赖。
CNA 的自主和人工智能中心支持美国将自主、人工智能和相关技术有效纳入军事能力的目标。纵观历史,将技术进步应用于作战的能力已经导致战争方式和作战工具发生根本性变化。自主和人工智能代表了战争中的革命性技术,为美国提供了对抗和遏制新兴威胁、应对安全挑战和推进美国国家利益的机会。但这种机会绝非板上钉钉,因为自主也为近乎匹敌的竞争对手提供了潜在的不对称优势,其中一些竞争对手一直在积极追求这些能力。同样,私营部门和商业研发部门的快速创新远远超过美国军方,这也给美国带来了新的挑战,美国需要在这种迅速变化的环境中迅速识别和整合尖端技术发展。
物理学是由第一批开始问“为什么”问题的人所诞生的。例如,为什么会有白天和黑夜?为什么物体在空气中释放时会向下坠落而不是向上坠落?为什么,为什么,为什么为什么?这个问题总是需要你给出解释。第一批尝试回答这个问题的人是希腊人,他们在公元前 400 年(公元前)之前就开始这样做了。大约公元前 320 年,当时最伟大的物理学家之一亚里士多德对运动做出了全面的解释。 到公元 1543 年(Anedomino 表示公元后),尼古拉斯·哥白尼解释说地球绕着太阳转,而不是相反。到公元 1727 年,艾萨克·牛顿解释了为什么物体总是向地球坠落。到 1940 年,阿尔伯特·爱因斯坦已经解释了如何从原子中心获取核能。纵观历史,物理学一直在不断进步
在德卢斯市正式成立之前,原住民管理着该地区的自然土地、水体、树木繁茂的山丘、岩石峭壁和海岸线。纵观历史,自然环境一直吸引着人们,并随着时间的推移成为重大变革的中心。从围绕公共公园空间形成的社区,到海岸线沿线的大规模工业开发,再到将运河公园和湖滨步道从旧工业区和腐朽建筑改造成充满活力的目的地;公园和自然空间对于德卢斯的过去和未来至关重要。随着德卢斯的不断转型,公园系统必须获得必要的投资,以满足社区的社会、文化和娱乐需求,并确保该地区心爱的土地的长期可持续性和弹性。
金融体系的核心是处理和汇总大量信息,将其转化为协调经济参与者的价格信号。纵观历史,从简单的记账到人工智能 (AI),信息处理的进步已经改变了金融业。我们使用这个框架来分析生成式人工智能 (GenAI) 和新兴人工智能代理以及更具推测性的通用人工智能将如何影响金融。我们关注金融体系的四个功能:金融中介、保险、资产管理和支付。我们还评估了人工智能的进步对金融稳定和审慎政策的影响。此外,我们研究了人工智能对实体经济的潜在溢出效应,研究了乐观和颠覆性的人工智能情景。为了应对人工智能进步对金融体系的变革性影响,我们提出了一个基于成熟的人工智能治理一般原则升级金融监管的框架。
保障需要各指挥层级同时并持续同步。如果处理不当,保障作战功能会变得既复杂又难懂。保障作战需要各层级都具有全面而平衡的观点,单位才能取得成功。纵观多年来的保障,特别是财产责任制,公司供应层面存在多重挑战和缺乏同步。公司供应室必须配备经过培训的供应人员,他们在日常职责上相互配合才能取得成功。供应团队必须理解并分担角色和职责的平衡。为了更好地为成功创造条件,各单位需要投入时间培养具有适当培训和认证/资格的公司供应团队。保障团队认证将建立一种共同的语言和对标准的理解,使指挥官能够了解他们在供应室中承担的风险。
摘要:人工智能系统设计的一个关键挑战是如何帮助人们理解它们。我们通过将解释定位在日常生活中,置于人与人工智能代理之间的持续关系中来应对这一挑战。通过非人类设计重新定位可解释性,我们呼吁一种新方法,将人和人工智能代理都视为构建理解的积极参与者。为了阐明这种方法,我们首先回顾了解释人工智能前提的假设。然后,我们概念化了从解释到共享理解的转变,我们将其描述为情境化、动态化和表演性。最后,我们提出了两种支持共享理解的设计策略,即纵观人工智能和揭露人工智能的失败。我们认为这些策略可以帮助设计师揭示人工智能隐藏的复杂性(例如,位置性和基础设施),从而支持人们在自己的生活背景下理解代理的能力和局限性。
多份报告分析了航空运输业实现 2050 年实现二氧化碳净零排放目标所需的投资。估计在 27 年期间(2023-2050 年)需要进行的投资高达 5.3 万亿美元 [1] [2] [3]。这项投资对于确保航空业能够继续在推动全球经济发展中发挥关键作用是必不可少的。事实上,纵观经济史,各种形式的连通性的进步都有助于推动经济福利,世界上最贫穷的国家主要是那些严重缺乏这方面的国家,特别是非洲中部的内陆国家。显然,航空业不足以推动经济增长和发展,但它是必要因素,正如 COVID-19 危机所揭示的那样。航空运输行动小组 (ATAG) 还强调了航空运输业为实现联合国 17 个可持续发展目标 (SDG) 中的 15 个所做的贡献,其中减少贫困是首要目标。
近年来,很多学者或求职者都在讨论人工智能技术是否会带来大规模失业。对于这一问题的研究,古斯、马腾等学者认为,当工作任务可以通过一系列程序代码控制由计算机完成时,将导致劳动就业率的下降。然而,对于分布在技能水平两端的工作,由于非程序性的工作,需要适应环境、解决问题或创新的能力,高技能和低技能体力劳动者的就业比例反而会增加。奥托尔等(2013)研究发现,在过去的25年中,大多数低技能职业及其行业的劳动者的实际收入和就业率都处于停滞或下降的状态。纵观人工智能技术下劳动者的就业与工资变化研究,可以发现由于人工智能技术的广泛应用,就业率和工资率的两极分化现象存在。因此,在人工智能技术越来越广泛应用的当今社会,企业开展人力资源开发活动显得非常重要[2][3]。