XiaoMi-AI文件搜索系统
World File Search System证伪
量子力学可以证伪吗？ - 约翰·普雷斯基尔 - 加州理工学院
由于 QIS 的时间跨度长且本质上是跨学科的，因此其发展面临着特殊的问题。该领域的研究人员在传统学科的边缘工作，因此有时很难获得资金或发展自己的事业。最优秀的学生被 QIS 带来的兴奋所吸引，但他们不确定如何在传统的学术部门内追求这种兴趣。最令人担忧的是，那些通过 QIS 研究获得高级学位的优秀年轻科学家经常被迫离开该领域，因为缺乏稳定的资金来支持他们的工作……
奥卡姆剃刀和大桶之脑
Beppe Brivec 2024 年 9 月 1 - 简介：奥卡姆剃刀和概括 我将要在本节中写的内容仅指休谟问题，而不是古德曼悖论，古德曼悖论是一个更普遍的问题，它涉及归纳法，但不仅仅涉及归纳法。 让我们比较一下假设 A“所有祖母绿都是绿色的”与假设 B“所有祖母绿细分为绿色和蓝色”，后者指出不仅有绿色祖母绿，还有蓝色祖母绿。 假设 A 和 B 是不相容的。 我们不知道先验理由来偏爱一个假设而不是另一个假设；因此，我们寻找后验理由来偏爱一个假设而不是另一个假设。 [尾注 1]。在“所有 F 都是 G”这种科学概括中，F 的数量被假定为无限数（如果 F 的数量是有限数，那么休谟问题将很容易通过概率计算（客观概率）来处理），因此，不可能检验所有 F。因此，如果 A 为真，B 就永远无法证伪（因为不可能检验所有 F，所以不可能检验所有绿宝石；因此，我们永远无法证明没有蓝色绿宝石）。相反，如果 B 为真，A 被证伪并非不可能（观察蓝色绿宝石会证伪 A）。换句话说，A 的真实性意味着 A 和 B 都不可能证伪；相反，B的真实性并不意味着A不可能被证伪。因此，目前A和B都未被证伪是A的必然结果，而不是B的必然结果。所以，押注A比押注B更合理，我们宁愿押注A而不是押注B。换句话说，A的真实性意味着A和B都不可能被证伪；相反，B的真实性并不意味着A不可能被证伪。命题A必然意味着预测A和B都未被证伪；命题B不一定意味着预测A和B都未被证伪。目前的证据是A和B都未被证伪：假设A必然预测A和B都未被证伪；假设B不一定预测A和B都未被证伪。所以，押注A比押注B更合理。
Scenic 和 VerifAI：确保基于人工智能的自主性的工具
第一部分：概述 • 自动驾驶系统保证面临的挑战 • VerifAI 和 Scenic 概述 • 模拟和道路上基于场景的正式测试案例研究 第二部分：教程 • 使用 Scenic 进行空间建模、数据生成和基于 ML 的感知调试 • 使用 Scenic 和 VerifAI 进行时空场景建模、测试、证伪、调试和再训练 • 展望
简单性假设和模拟论证对我们文明的一些启示
根据对模拟论证最常见的解释，我们很可能生活在祖先模拟中。有趣的是，在所有模拟空间中，某些模拟家族是否比其他模拟家族更有可能出现。我们认为，计算复杂性给出了一个自然的概率度量：更简单的模拟更有可能运行。值得注意的是，这使我们能够从我们生活在模拟中的事实中提取实验预测。例如，我们表明，人类很可能无法实现星际旅行，人类也不会在宇宙中遇到其他智慧物种，从而解释了费米悖论。另一方面，任何这些预测的实验证伪都将构成反对我们的现实是模拟的证据。
如何（以及为什么）认为大脑实际上是一台计算机
人们通常认为大脑和计算机之间的关系只是一种比喻。然而，真正的计算系统几乎可以在任何媒介中实现；因此，人们可以认真对待大脑确实可以计算的观点。但是，如果没有经验标准来判断什么使物理系统真正成为计算系统，计算就仍然是一个视角问题，尤其是对于那些没有明确设计和设计为计算机的自然系统（例如大脑）。从真实的物理计算机示例（模拟和数字、当代和历史）中考虑，可以清楚地知道这些经验标准必须是什么。最后，将这些标准应用于大脑表明了我们如何将大脑视为计算机（可能还是模拟计算机），这反过来又阐明了这一说法既具有启发性又可证伪。
人力资源领域的人工智能伦理
然而，这些产品引发的伦理问题是多方面的。首先，这些技术是否有效：它们是否真的能预测未来的能力，它们的招聘判断是否真的稳健（可重复且不可证伪）（Bayerischer Rundfunk，2021 年）。然而，即使 AI/HR 技术能像制造商声称的那样发挥作用，在人力资源领域使用 AI 也会引发重大的伦理和法律问题（Bogen & Rieke，2018 年；Sánchez-Monedero 等人，2020 年；Tambe 等人，2019 年）。与 AI 的其他应用领域类似，这些问题包括与歧视、隐私、可解释性和问责制有关的担忧。对于求职者和工作者来说，人类尊严的多个维度都受到威胁，包括他们的个人自主权。鉴于工作在人们生活中的重要性，这些以及其他围绕人力资源领域使用 AI 的伦理问题对个人和整个社会都至关重要。
这是一篇原创文章的自存档版本... - Doria
态势感知 (SA) 已经取代传统的“方向舵和操纵杆”技能，成为空战中取胜的主要因素 (Endsley，1995；Svenmarckt 和 Dekker，2003)。态势感知通常被定义为一个人对当前状况的感知 (SA 级别 1)、对当前状况的理解 (SA 级别 2) 和对近期事件的预测 (SA 级别 3) 的三级结构 (Endsley，1995)。态势感知作为一个概念可能是有争议的。例如，Dekker 和 Hollnagel (2004) 将该概念描述为“民间模型”，并采用还原论方法，认为态势感知可以分解为可测量的具体组成部分 (例如决策、感知、理解和长期记忆)。他们还认为，态势感知不容易被证伪 (另见 Flach，1995)。即使承认 SA 确实存在，该概念的科学性仍有待商榷。例如，它存在于用户的认知中，还是更广泛系统的突发属性，以及最合适的测量方法是什么（有关更多详细信息，请参阅 Salmon 等人，2008 年；Endsley，2015 年；Stanton 等人，2017 年；Nguyen 等人，2019 年的广泛评论）？尽管如此，很明显，SA 的概念已成为评估系统和人类表现的重要指标。正如 Wickens (2008) 指出的那样“……人们可以说，该构造在理论和应用中的使用增加证明了
模拟空战的团队态势感知精度测量技术 - 感知与性能之间的曲线关系
态势感知 (SA) 已经取代传统的“方向舵和操纵杆”技能，成为空战中取胜的主要因素 (Endsley，1995；Svenmarckt 和 Dekker，2003)。态势感知通常被定义为一个人对当前状况的感知 (SA 级别 1)、对当前状况的理解 (SA 级别 2) 和对近期事件的预测 (SA 级别 3) 的三级结构 (Endsley，1995)。态势感知作为一个概念可能是有争议的。例如，Dekker 和 Hollnagel (2004) 将该概念描述为“民间模型”，并采用还原论方法，认为态势感知可以分解为可测量的具体组成部分 (例如决策、感知、理解和长期记忆)。他们还认为，态势感知不容易被证伪 (另见 Flach，1995)。即使承认 SA 确实存在，该概念的科学性仍有待商榷。例如，它存在于用户的认知中，还是更广泛系统的突发属性，以及最合适的测量方法是什么（有关更多详细信息，请参阅 Salmon 等人，2008 年；Endsley，2015 年；Stanton 等人，2017 年；Nguyen 等人，2019 年的广泛评论）？尽管如此，很明显，SA 的概念已成为评估系统和人类表现的重要指标。正如 Wickens (2008) 指出的那样“……人们可以说，该构造在理论和应用中的使用增加证明了
意识与
态势感知 (SA) 已经取代传统的“方向舵和操纵杆”技能，成为空战中取胜的主要因素 (Endsley，1995；Svenmarckt 和 Dekker，2003)。态势感知通常被定义为一个人对当前状况的感知 (SA 级别 1)、对当前状况的理解 (SA 级别 2) 和对近期事件的预测 (SA 级别 3) 的三级结构 (Endsley，1995)。态势感知作为一个概念可能是有争议的。例如，Dekker 和 Hollnagel (2004) 将该概念描述为“民间模型”，并采用还原论方法，认为态势感知可以分解为可测量的具体组成部分 (例如决策、感知、理解和长期记忆)。他们还认为，态势感知不容易被证伪 (另见 Flach，1995)。即使承认 SA 确实存在，该概念的科学性仍有待商榷。例如，它存在于用户的认知中，还是更广泛系统的突发属性，以及最合适的测量方法是什么（有关更多详细信息，请参阅 Salmon 等人，2008 年；Endsley，2015 年；Stanton 等人，2017 年；Nguyen 等人，2019 年的广泛评论）？尽管如此，很明显，SA 的概念已成为评估系统和人类表现的重要指标。正如 Wickens (2008) 指出的那样“……人们可以说，该构造在理论和应用中的使用增加证明了
当网络物理系统遇上人工智能：基准、评估和前进之路
信息物理系统 (CPS) 已广泛应用于安全关键领域，例如汽车系统、航空电子设备、医疗设备等。近年来，人工智能 (AI) 越来越多地被用于控制 CPS。尽管人工智能 CPS 很受欢迎，但公开的基准测试却很少。人们对不同工业领域的人工智能 CPS 的性能和可靠性也缺乏深入了解。为了弥补这一差距，我们提出了七个领域的行业级 CPS 公共基准，并通过最先进的深度强化学习 (DRL) 方法为它们构建人工智能控制器。在此基础上，我们进一步对这些人工智能系统与传统系统进行系统评估，以确定当前的挑战和未来的机遇。我们的主要发现包括：(1) AI 控制器并不总是优于传统控制器；(2) 现有的 CPS 测试技术（具体来说，证伪）不足以分析支持 AI 的 CPS；(3) 构建一个混合系统，在 AI 控制器和传统控制器之间进行战略性组合和切换，可以在不同领域实现更好的性能。我们的结果强调了对支持 AI 的 CPS 的新测试技术的需求，以及对混合 CPS 进行更多研究以实现最佳性能和可靠性的需要。我们的基准、代码、详细评估结果和实验脚本可在 https://sites.google.com/view/ai-cps-benchmark 上找到。