XiaoMi-AI文件搜索系统
World File Search System通吃
数据价值链 - GSMA
由于数据收集的性质，许多数据驱动型企业受益于显著的规模和网络效应。这些可以越过临界点并自我强化——有时被称为“赢家通吃”条件。需要收集大量数据才能找到合适的数据子集或数据组合进行商业化，这也可能导致垂直整合，使公司能够扩大其收集的数据范围。平台类型的服务尤其如此，这些服务旨在将最大的用户群体（就社交媒体而言）或买家和卖家（就基于交易的平台而言）聚集在一起。数据可以同时用于多种用途，这意味着有些公司能够构建大型数据集，然后查询和利用它们在相邻的细分市场中建立强大的业务。虽然这种行为是一种长期存在的商业惯例，但数据价值链的间接网络效应可以让数据驱动平台在基本上不相关的服务中获得显著的竞争优势，而其他参与者很难复制这种优势。例如，虽然从消费者的角度来看，搜索、电子邮件和娱乐似乎是毫不相关的服务，但能够根据个人的兴趣和购物习惯建立个人资料，可以增加此类个人资料对潜在广告商的价值，广告商随后可以协调如何定位此类
转变跨境支付路线图...
支付行业很少经历如此充满活力和创新的时代。新技术的出现激发了人们提高支付速度和安全性的努力，同时也降低了成本并扩大了金融服务的渠道。国内支付进展迅速，廉价而快速的数字支付解决方案已经面世，包括移动支付已获得关注的新兴市场。然而，跨境支付的进展并不那么令人印象深刻，新兴市场的问题更为严重，高成本不成比例地落在那些最无力承担的人身上。连接不同的国内支付环境的问题非常复杂，其中许多环境的架构差异很大，而且正在探索许多解决方案。支付和市场基础设施委员会在定义问题和制定应对措施方面做得非常出色。传统参与者正在对其服务进行重要改进，通过新框架提高速度和安全性，但仍有重大障碍需要克服，包括数据本地化。在传统支付领域之外，我们研究了创新者为开发新的支付基础设施所做的努力，这些基础设施可以避开现有行业面临的一些挑战。这不太可能是一场“赢家通吃”的斗争。支付系统的多样性将不断增加，从而产生竞争和差异。
一种用于实现随机二进制尖峰时间相关可塑性的 CMOS-忆阻器混合系统
本文介绍了一个完全实验性的混合系统，其中使用定制的高阻态忆阻器和采用 180 nm CMOS 技术制造的模拟 CMOS 神经元组装了一个 4 × 4 忆阻交叉脉冲神经网络 (SNN)。定制忆阻器使用 NMOS 选择晶体管，该晶体管位于第二个 180 nm CMOS 芯片上。一个缺点是忆阻器的工作电流在微安范围内，而模拟 CMOS 神经元可能需要的工作电流在皮安范围内。一种可能的解决方案是使用紧凑电路将忆阻器域电流缩小到模拟 CMOS 神经元域电流至少 5-6 个数量级。在这里，我们建议使用基于 MOS 阶梯的片上紧凑电流分配器电路，将电流大幅衰减 5 个数量级以上。每个神经元之前都添加了这个电路。本文介绍了使用 4 × 4 1T1R 突触交叉开关和四个突触后 CMOS 电路的 SNN 电路的正确实验操作，每个电路都有一个 5 个十进制电流衰减器和一个积分激发神经元。它还演示了使用此小型系统进行的一次性赢家通吃训练和随机二进制脉冲时间依赖可塑性学习。
转变跨境支付路线图...
支付行业很少经历如此充满活力和创新的时代。新技术的出现激发了人们提高支付速度和安全性的努力，同时也降低了成本并扩大了金融服务的渠道。国内支付进展迅速，廉价而快速的数字支付解决方案已经面世，包括移动支付已获得关注的新兴市场。然而，跨境支付的进展并不那么令人印象深刻，新兴市场的问题更为严重，高成本不成比例地落在那些最无力承担的人身上。连接不同的国内支付环境的问题非常复杂，其中许多环境的架构差异很大，而且正在探索许多解决方案。支付和市场基础设施委员会在定义问题和制定应对措施方面做得非常出色。传统参与者正在对其服务进行重要改进，通过新框架提高速度和安全性，但仍有重大障碍需要克服，包括数据本地化。在传统支付领域之外，我们研究了创新者为开发新的支付基础设施所做的努力，这些基础设施可以避开现有行业面临的一些挑战。这不太可能是一场“赢家通吃”的斗争。支付系统的多样性将不断增加，从而产生竞争和差异。
具有最佳贝叶斯学习的神经自联想
神经联想记忆是具有快速突触学习的单层感知器，通常存储神经活动模式对之间的离散关联。先前的研究分析了在独立模式成分和异质关联的朴素贝叶斯假设下的最佳网络，其任务是从输入到输出模式学习关联。在这里，我研究了用于自动关联的最优贝叶斯联想网络，其中输入层和输出层相同。特别是，我将性能与近似贝叶斯学习规则的不同变体（如 BCPNN（贝叶斯置信传播神经网络））进行比较，并尝试解释为什么有时次优学习规则比（理论上）最优模型实现更高的存储容量。事实证明，性能可能取决于违反“朴素贝叶斯”假设的输入成分的微妙依赖关系。这包括具有恒定数量的活动单元的模式、通过循环网络重复传播模式的迭代检索以及最可能单元的赢家通吃激活。如果所有学习规则都包含一种新的自适应机制来估计迭代检索步骤 (ANE) 中的噪声，则其性能可以显著提高。具有 ANE 的贝叶斯学习规则再次实现了整体最大存储容量。
人工智能：朋友还是敌人？
本文回顾了研究人工智能潜在宏观经济影响的文献˃技术进步并不新鲜；新的是技术（包括人工智能技术）发展的速度。˃关于前几波技术浪潮对经济影响的文献大多认为，其带来的好处（以更高的生产力和生活水平的形式）是显著的。˃然而，文献也强调了成本，特别是在过渡阶段。˃许多新兴分析涉及通过“情景分析”评估人工智能的宏观经济影响；这反映了人工智能的采用仍处于相对早期阶段，这限制了现实世界经验数据的可用性。主要的经济渠道是通过生产力、集中度和收入分配˃通过提高每个工人的资本量，人工智能可以提高生产力，从而提高生活水平。˃由于进入成本高和先发优势，人工智能还可能产生“赢家通吃”的动态——可能导致市场集中。 ˃ 在某些情况下，人工智能与收入分配的平衡有关（资本和劳动力的相对回报，以及熟练和非熟练劳动力的相对回报）；在其他情况下，这些技术可能会加剧收入差距。人工智能是一种快速发展的技术，影响不确定——政策发挥着关键作用˃ 作为一种（可能的）通用技术——类似于蒸汽、电力、互联网——人工智能从经济角度来看具有变革性。˃ 事实证明，人工智能的“采用曲线”相对较短，因为这些技术的能力
量子计算和智能...
可扩展量子计算机的组件可以拥有哪些类型的知识产权？市场是否有足够的创新激励来开发和传播量子软件和硬件结构？还是需要开源生态系统、丰富公共领域，甚至量子技术的民主化？本文探讨了这些诱人问题的可能答案。本文表明，战略性地使用混合知识产权来最大化量子计算机所有者的知识产权组合的价值，可能会导致永久性的知识产权保护。重叠的知识产权保护制度可能导致先行者无限期地拥有全球独家开发权，而先行者往往是少数几所大学和大公司。随之而来的量子计算领域的知识产权过度保护导致了不必要的市场力量集中。信息的过度保护造成了市场壁垒，阻碍了良性竞争和行业创新。在这种情况下，它减缓了量子技术的一个重要应用领域，即量子计算的进展。总的来说，我们目前的知识产权框架并不是为量子技术而写的。知识产权应是信息产品可以不受限制地用于公共利益的规则的一个例外——在时间和范围上受到限制。知识产权法不能同时激励创造、防止市场失灵、解决赢家通吃效应、消除搭便车现象和禁止掠夺性市场行为。为了鼓励公平竞争和纠正市场偏差，反垄断法是首选工具。本文提出了一种适合量子时代创新速度的解决方案，即为量子和人工智能的创造和发明引入 3 至 10 年的较短知识产权保护期限。这些较短的期限可以适用于软件和硬件。明确建议的有限期限的专有权——结合强制许可或固定的有奖法定许可——
结合感觉运动节律和运动相关皮质电位特征降低脑机接口效率低下
摘要 目的.脑机接口(BCI)低效性意味着将有10%到50%的用户无法操作基于运动想象的BCI系统。值得注意的是，之前对BCI低效性的研究几乎都是基于感觉运动节律(SMR)特征的测试。在本研究中，我们利用SMR和运动相关皮层电位(MRCP)特征评估了BCI低效性的发生情况。方法.在不同的日子里，对93名受试者记录了2个会话中的静息态和运动相关脑电信号数据集。采用公共空间模式(CSP)和模板匹配两种方法提取SMR和MRCP特征，并采用赢家通吃策略利用线性判别分析的后验概率来评估模式识别，以结合SMR和MRCP特征。主要结果.结果表明，两类特征表现出高度的互补性，与它们的弱相互相关性相符。在二分类问题（右脚 vs. 右手）中 SMR 特征准确率较差（< 70%）的受试者组中，SMR 和 MRCP 特征的组合将平均准确率从 62% 提高到了 79%。重要的是，特征组合获得的准确率超过了效率低下阈值。意义。SMR 和 MRCP 的特征组合在 BCI 解码中并不新鲜，但使用 SMR 和 MRCP 特征对 BCI 效率低下进行大规模可重复的研究是新颖的。MRCP 特征对 SMR 特征准确率较差（< 70%）和良好（> 90%）的两个受试者组提供相似的分类准确率。这些结果表明，SMR 和 MRCP 特征的组合可能是降低 BCI 效率低下的一种实用方法。然而，在本研究之后，“BCI 效率低下”可能更恰当地被称为“SMR 效率低下”。
1 PPOL 5380：技术中断和公共...
PPOL 5380：技术颠覆与公共政策，2023-2024 年春季 2024 年 2 月 20 日 时间和地点：星期二，18:30-21:20 地点：2303 室（电梯 17-18） 讲师：YARIME Masaru 博士，公共政策部副教授 办公室：4616E 室 电子邮件：yarime@ust.hk 助教：DORRER Elizaveta 电子邮件：edorrer@connect.ust.hk 课程描述 过去二十年，颠覆性技术的快速发展极大地改变了我们的生活。它们颠覆了旧的商业模式，消除了许多行业的现有企业，破坏了传统的供应链并创造了新的供应链，并挑战了许多政府领域的传统政策和监管方法。我们可以预见，未来几年颠覆性技术的变化速度及其对经济和社会的影响将加快，这些进步将广泛影响整个经济、社会和政府。通常所说的“第四次工业革命”——一场由不断增强的计算能力、大数据和数据分析、物联网、人工智能和机器人技术以及区块链技术推动的革命——可能会在我们的一生中产生深刻而深远的变化。颠覆性技术的进步及其创造的颠覆性商业模式往往需要政府的政策、监管和立法回应。它们还可能扰乱就业和劳动力市场，加剧社会经济不平等。与此同时，“零工经济”的兴起引发了人们对社会保障应如何融资和组织的问题。虽然计算能力和数字技术的进步可能会显著提高（劳动）生产率，但其好处可能高度集中——随着这些技术的传播和更多行业呈现“赢家通吃”的特征，不平等现象将加剧。即使这些新数字技术创造的就业机会多于它们所消灭的就业机会，政府仍然必须处理劳动力流动和社会包容问题。虽然政府显然必须应对这些技术颠覆，但并不能保证它们会以促进新技术的早期采用、数字创新和创业以及包容性增长的方式做出回应。本模块向学生广泛介绍了可能在未来十年左右改变我们经济和社会的关键颠覆性技术。我们将研究这些技术的实际应用，并讨论它们的政策含义和社会经济影响。我们还将研究政府利用新数字技术提供新服务或改进现有服务以提高公共价值的潜力。最重要的是，我们将研究公共政策的影响以及政府应如何应对。特别是，我们将研究政府的四个不同角色：作为这些技术的用户；作为这些技术的推动者；作为监管者，增强公众对这些技术及其部署方式的信任和信心；作为社会平衡者，确保这些技术的好处得到广泛分享。学习成果在本课程中，学生可以期望：
将神经群体格式与功能联系起来
标题：将神经元群体格式与功能联系起来作者：Douglas A. Ruff 1、Sol K. Markman 1,2、Jason Z. Kim 3、Marlene R. Cohen 1 1 美国伊利诺伊州芝加哥大学神经生物学系 2 美国马萨诸塞州麻省理工学院脑与认知科学系 3 美国纽约州伊萨卡康奈尔大学物理系摘要 具有复杂行为的动物往往比简单生物具有更多不同的大脑区域，而执行多项任务的人工网络往往会自组织成模块 (1-3)。这表明不同的大脑区域发挥着不同的功能来支持复杂的行为。然而，一个常见的观察是，动物感觉、知道或做的任何事情基本上都可以从任何大脑区域的神经活动中解码 (4-6)。如果万物无处不在，为什么还要有不同的区域？这里我们表明，大脑区域的功能更多地与不同类型的信息在神经表征中如何组合（格式化）有关，而不仅仅与这些信息是否存在有关。我们比较了两个大脑区域：中颞区（MT），对视觉运动感知很重要（7，8），以及背外侧前额叶皮质（dlPFC），与决策和奖励预期有关（9，10））。当猴子根据运动和奖励信息的组合做出决策时，这两种类型的信息都会出现在两个大脑区域中。然而，它们的格式不同：在 MT 中，它们是单独编码的，而在 dlPFC 中，它们以反映猴子决策的方式联合表示。一个反映了 MT 和 dlPFC 中信息格式的循环神经网络（RNN）模型预测，操纵这些区域的活动将对决策产生不同的影响。与模型预测一致，电刺激 MT 偏向于视觉运动刺激和受刺激单元的首选方向之间的中间位置的选择（11），而刺激 dlPFC 则产生“赢家通吃”决策，有时反映视觉运动刺激，有时反映受刺激单元的偏好，但绝不会介于两者之间。这些结果与模块化结构通过灵活地重新格式化信息来实现行为目标，从而实现复杂行为的诱人可能性相一致。神经群体反应中不同信息源的格式化在单个神经元中并不明显。长期以来，人们都知道单个神经元的反应反映了多种感觉、认知和/或运动过程。例如，MT 神经元针对视觉运动方向进行调整（7、8、12-14），其反应受到奖励信息（例如与刺激或选择相关的预期奖励）和其他认知过程的调节（通常成倍增加）（15-18）。然而，从单个神经元研究中收集到的已知的调整和调制模式与群体中关于运动方向和奖励信息的多种格式化方式相一致（有时称为表征几何或神经群体几何（19, 20））。之所以出现不同的可能性，是因为即使是相同调整的神经元，也会受到认知过程的异质性调制。通过在对运动方向具有相同调整的神经元中增加一些奖励预期调制量的随机性来模拟这种异质性（图 1A；方法）可以产生运动方向和奖励预期的群体表示，这些表示要么是可分离的（在每个神经元的响应为一维的空间中以不同维度编码；图 1B、C、D），要么是组合的（以相同维度编码；图 1E、F、G）。可分离和组合群体格式之间的差异无法从单个神经元响应中得知，而是来自于奖励预期的调制如何以及是否在整个群体中协调。