○ 军事 - 智能和“负责任”武器 ○ 医学 - 蛋白质结构测定、通过分析电子健康记录进行预测建模、对社交媒体进行自然语言分析 ○ 交通运输 - 自动驾驶汽车、在复杂环境中驾驶、提高安全性、使交通民主化 ○ 教育 - 个性化教育、超越一刀切、满足学生的需要、使高等教育和专业援助的获取民主化 ○ 商业 - 流程自动化、数字营销、供应链优化、利用数据分析做出更好的决策以加强和发展经济 ○ 刑事司法系统 - 评估未来犯罪行为的可能性并为与假释、缓刑或释放相关的决策提供信息。 ○ 政府 - 提高公共服务的质量、效率和成果、发现欺诈和逃税行为、制定战略性财务决策以产生经济乘数
生成式人工智能包括多种内容创建技术,涵盖文本、图像和其他视听元素。它由大型机器学习模型(称为基础模型 (FM))驱动,其中一个名为大型语言模型 (LLM) 的子集经过数万亿个单词的训练,可用于各种自然语言任务。包括银行业在内的各个行业采用生成式人工智能具有巨大的潜力,可以提高客户满意度、增强员工体验、提高员工生产力、降低成本、增强决策能力并降低风险。具体而言,在银行业,埃森哲使用美国劳动力数据进行的研究和分析 1 发现,许多日常任务和工作时间水平都很有可能通过部署生成式人工智能解决方案而受到影响。
摘要 算法预测价值观和偏好的准确性不断提高,这增加了人工智能技术能够作为无行为能力患者的代理决策者的可能性。继 Camillo Lamanna 和 Lauren Byrne 之后,我们将这项技术称为自主算法 (AA)。这种算法将挖掘医学研究、健康记录和社交媒体数据来预测患者的治疗偏好。开发 AA 的可能性引发了一个伦理问题:在患者未签发医疗授权书的情况下,AA 或亲属是否应该充当代理决策者。我们认为,在这种情况下,与赋予家庭代理人决策权的标准做法相反,AA 应该拥有唯一的决策权。这是因为 AA 可能更善于预测患者会选择哪种治疗方案。它也能更好地避免偏见,从而以更以患者为中心的方式做出选择。此外,我们认为这些考虑因素凌驾于患者与亲属的特殊关系的道德重量之上。
在这篇推测性文章中,我认为太空经济活动的扩张可能提供一种独特而有希望的方式,可以无限期地摆脱经济学家所说的“长期停滞”——一种自我实现的、持续低迷的经济增长状态,这种状态日益威胁着高收入国家。经济学家指出,长期停滞的驱动因素既有供应方也有需求方,而将太空作为投资焦点至少在原则上可以解决这两个问题。在供应方面,太空是一个无限的前沿,就像过去的前沿一样,它可能激发个人主义、创新和世界建设,从而可持续地提高生产力和人口增长。在需求方面,如果美国对增加太空经济活动的公共投资达到历史最高水平,则可以显著增加总需求。
使用生成式人工智能为自主系统生成行动计划。联系人 Damien Pellier (Damien.Pellier@imag.fr) LIG-Marvin Humbert Fiorino (Humbert.Fiorino@imag.fr) LIG-Marvin,关键词 自动规划,生成式人工智能 上下文 自动规划 [1] 是人工智能的一个领域,其目的是设计决策算法用于自主系统,即机器人、无人机、机器人等代理。由于这些系统无需人工监督即可“自主”运行,因此它们必须始终制定行动计划以实现分配给它们的目标。众所周知,自主规划是 NP 难问题,而领域特定语言 (DSL)(如 PDDL(规划领域描述语言)[2])被设计用于将代理任务(行动、目标和世界状态等)建模/指定为规划问题。计划生成基于许多经典的 AI 技术,例如树搜索和启发式搜索、SAT 或 CSP 问题求解等(有关更多详细信息,请参阅 PDDL4J [3] 和 [1])。同时,生成人工智能(也称为生成 AI 或 GenAI [4])是能够使用生成模型生成文本、图像或其他媒体的人工智能 [5][6][7]。生成 AI 模型学习其输入训练数据的模式和结构,然后生成具有相似特征的新数据。在 2020 年代初期,基于 Transformer 的深度神经网络的进步使许多生成 AI 系统成为可能,这些系统以接受自然语言提示作为输入而闻名。其中包括大型语言模型聊天机器人(如 ChatGPT、Bing Chat、Bard 和 LLaMA)以及文本到图像的人工智能艺术系统(如 Stable Diffusion、Midjourney 和 DALL-E)。
本材料代表对特定时间点的市场环境的评估,并非对未来事件的预测或对未来结果的保证。读者不应将此信息视为有关基金或任何特定股票的研究或投资建议。投资涉及风险,包括可能损失本金。基金可投资的公司范围可能有限。基金投资的公司可能会受到技术的快速变化、激烈的竞争、产品和服务的快速过时、知识产权保护的丧失、行业标准的发展和新产品的频繁生产以及商业周期和政府监管变化的影响。国际投资可能因货币价值的不利波动、公认会计原则的差异或其他国家的社会、经济或政治不稳定而面临资本损失的风险。新兴市场涉及与相同因素相关的更高风险,以及波动性增加和交易量下降。这些基金没有实现多元化。
1. 参见 Tim W. Dornis,《人工智能与创新:我们所知的专利法的终结》,23 Y ALE JL & T ECH. 97, 101–04 (2020)。2. Susan Decker,《法官称,只有人类而非人工智能机器才能获得美国专利》,B LOOMBERG:TECH.(2021 年 9 月 3 日下午 3:06),https://www.bloomberg.com/news/articles/2021-09-03/only-humans-not-ai-machines-can-get-aus-patent-judge-rules [https://perma.cc/2LWK-4JZY];参见 Thaler v. Hirshfeld,558 F. Supp. 3d 238 (ED Va. 2021); Thaler v. Vidal,43 F.4th 1207 (Fed. Cir. 2022)。3. Dabus 描述,IMAGINATION E NGINES I NC.,https://imagination-en-gines.com/dabus.html [https://perma.cc/3DWC-CE47](上次访问时间为 2022 年 10 月 17 日);Matthew Bultman,专利与人工智能:一个“明显”的滑坡,B LOOMBERG L AW(2021 年 10 月 8 日上午 7:03),https://www.bloomberglaw.com/bloomberglawnews/ip-law/X9O35824000000?bna_news_filter=ip-law#jcite [https://perma.cc/X29C-WPC2]。4.专利和申请,A RTIFICIAL I NVENTOR P ROJECT,https://artificialinventor.com/patent-applications/ [https://perma.cc/3JB7-5L6F](最后访问时间为 2022 年 10 月 17 日)。5. 参见 O FF . CHIEF E CONOMIST , US P AT . & T RADEMARK O FF ., I NVENTING AI T RACING THE D IFFUSION OF A ARTIFICIAL I INTELLIGENCE WITH US P ATENTS,2 (2020 年 10 月),https://www.uspto.gov/sites/default/files/documents/OCE-DH-AI.pdf [https://perma.cc/6SKR-DGW2](注意到从 2002 年到 2018 年,每年的人工智能专利申请增长了 100% 以上); Ryan Abbott,《我思故我发明:创造性计算机和专利法的未来》,57 BCL R EV。1079, 1079–80 (2016)。
疫情过后,人工智能 (AI) 对心理健康护理的支持变得越来越重要。提供充分护理所需的重大挑战的广度和复杂性包括:(a) 个性化的患者理解,(b) 安全约束和医学验证的聊天机器人患者互动,以及 (c) 使用聊天机器人与患者互动支持持续基于反馈的设计改进。我们提出了 Alleviate,这是一个聊天机器人,旨在通过个性化护理帮助患有心理健康问题的患者,并帮助临床医生更好地了解他们的患者。Alleviate 借鉴了一系列公开的临床有效的心理健康文本和数据库,使 Alleviate 能够做出医学上合理且明智的决策。此外,Alleviate 的模块化设计和可解释的决策有助于其设计进行稳健且持续的基于反馈的改进。在本文中,我们解释了 Alleviate 的不同模块,并提交了一个简短的视频来展示 Alleviate 的功能,以帮助患者和临床医生更好地相互理解,从而促进最佳护理策略。
人类死亡的最大单一因素是心血管疾病,而其最大的风险因素是高血压 (HTN)。过去二十年,人们非常重视识别导致高血压的遗传因素。因此,超过 1,500 个遗传等位基因与人类高血压有关。使用高血压遗传模型的绘图研究已经产生了数百个血压 (BP) 基因座,但它们对血压的个体影响很小,这限制了在临床上针对它们的机会。收集全基因组关联数据的价值在正在进行的研究中显而易见,该研究开始利用这些数据在个体层面的遗传差异,结合人工智能 (AI) 策略来开发用于预测高血压的多基因风险评分 (PRS)。然而,仅 PRS 可能不足以解释高血压的发病率和进展,因为遗传因素占影响高血压发病病因的风险因素的不到 30%。因此,整合影响血压调节的其他非遗传因素的数据对于增强 PRS 的能力非常重要。其中一个因素是肠道微生物的组成,这是最近发现的导致高血压的重要因素。迄今为止的研究已清楚地表明,从正常血压稳态到血压升高状态的转变与肠道微生物的组成变化及其与宿主的相互作用有关。在这里,我们首先记录了对动物模型和高血压患者肠道菌群失调研究的证据,然后讨论了使用微生物数据开发高血压宏基因组风险评分 (MRS) 并与 PRS 和临床风险评分 (CRS) 相结合的前景。最后,我们建议整合人工智能从 PRS、MRS 和 CRS 的组合中学习,可能会进一步增强对高血压易感性和进展的预测能力。
摘要《人工智能为何失败:视差》是“人工智能为何失败”系列中的一个互动视觉艺术装置。这件作品旨在通过滑动屏幕展示人工智能从无法解释的“黑匣子”到可解释的“白匣子”的转变。其目的是让人们,无论他们对人工智能的了解程度如何,都能直观地理解人工智能错误分类背后的原因。通过与滑动屏幕交互,用户可以点击他们感兴趣的错误分类图像,探索影响分类的主要因素。他们还可以比较有偏见的人工智能实例和正常的人工智能实例之间的数据和模型差异。这个装置是跨越技术差距的桥梁。与各种AI模型集成,帮助艺术家和设计师更深入地了解AI如何做出与艺术设计风格、特征、图像、材料、音乐节奏、旋律和和弦相关的决策。