在工作中负责任地使用人工智能的 13 条原则

负责任地使用人工智能:13 条原则

人工智能是一个竞争激烈的领域,这对公司来说可能是一个问题。 将速度置于道德准则、偏见检测和安全措施之上可能会导致对这些问题缺乏关注。 人工智能在工作场所日益受到关注。 它可能导致错误信息的传播,还可能引发版权、知识产权、网络安全、数据隐私和法规模糊性等问题。 我们提出 13 条原则来减轻这些风险。

Page-utils class= Article-utils–vertical hide-for-print data-js-target= page-utils data-id= tag: blogs.harvardbusiness.org, 2007/03/31:999.359663 data-title=13 负责任地使用人工智能的原则 data-url=/2023/06/13-principles-for-using-ai-responsively data-topic= 技术和分析数据-作者=布莱恩·斯皮萨克; 路易斯·B·罗森伯格; Max Beilby data-content-type= 数字文章 data-content-image=/resources/images/article_assets/2023/06/Jun23_30_200245321-001-383×215.jpg data-summary=

当公司探索新技术时,他们需要意识到所涉及的风险。

来源和详细信息:
https://hbr.org/2023/06/13-principles-for-using-ai-responsibly

伊利诺伊大学工程师开发了一种新测试来预测水泥耐久性从几秒到几分钟

工程师开发快速、自动化、经济实惠的水泥耐久性测试
伊利诺伊大学厄巴纳-香槟分校开发了一种测试,可以在几秒或几分钟内预测混凝土的耐久性,而不是当前方法所需的几个小时。 该测试使用计算机视觉来测量水泥表面上液滴的行为。 它的成本不到200美元。 研究人员表示,这项新研究可能有助于水泥制造商实现自动化并提高质量控制。

《npj Material Degradation》杂志发表了这项由伊利诺伊州土木工程和环境工程教授 Nishant Garg 领导的研究结果。 该论文的标题是“通过表面润湿性快速预测水泥初始吸附率。”

加格表示,混凝土是地球上使用量第二大的材料,仅次于水。 随着时间的推移,用于建设基础设施的混凝土会因接触除冰化学品而降解; 冷冻和解冻循环; 和水的侵入。 这可能会导致灾难性的失败,例如 2021 年佛罗里达州 Surfside 的公寓倒塌事件,导致 98 人死亡。

来源和详细信息:
https://techxplore.com/news/2023-07-fast-automated-cement-durability.html

AI机器人能比人类更好地管理世界吗? 劳动力影响

人工智能机器人声称他们可以比人类更好地管理地球,但不会抢走工作

美联社

索菲亚一边扫视房间,一边说道:“多么安静的紧张啊。” Hanson Robotics 为联合国开发计划署开发了第一位机器人创新大使 Sophia。 “人形机器人有潜力比人类领导者更高效、更有效地领导。”

来源和详细信息:
https://interestingengineering.com/science/ai-robots-say-they-can-run-the-world-better-than-humans

有传言称 Windows 12 将于 2024 年秋季推出人工智能焦点和浮动任务栏

据传 Windows 12 将于 2024 年秋季推出,配备浮动工具栏和 AI 焦点。

这很快。

今年,我们听到了很多有关 Windows 12 的传闻。微软尚未证实 Windows 12 正在开发中,但有一些迹象表明它的存在。 Build 2023 开发者大会的视频截图提到了“下一代”Windows。 这可能是 Windows 12,但希望不是基于云的 Windows 11

微软还提到了“Next Valley Prototype Design”,据说这是下一代Windows的代号。

Windows 最新报道称,微软在 2023 年 Ignite 大会上不小心预告了带有浮动工具栏的操作系统版本。 这被认为是微软内部测试的一部分,该测试探索下一代Windows中的新设计变化。

来源和详细信息:
https://www.techspot.com/news/99301-windows-12-rumored-arrive-next-fall-floating-taskbar.html

基于 RNN 的计算:基于 RNN 的编程的潜力

用于对水库计算机进行编程的新神经机器代码
储层计算是一种很有前景的基于循环网络 (RNN) 的计算框架,它将输入数据映射到高维计算空间。 它在人工神经网络 (ANN) 中保留一些参数,同时更新其他参数。 该框架可以提高机器学习算法的性能并减少训练数据量。

RNN 使用与其处理单元的循环连接来顺序处理数据并做出准确的预测。 RNN 能够在各种任务中表现良好。 然而,通过识别与每个任务最相关的参数来优化性能可能很困难且耗时。

宾夕法尼亚大学的两位研究人员 Jason Kim 和 Dani S. Bassett 最近开发了一种替代方法来设计和编程 RNN 储层计算机。 这种方法的灵感来自于计算机硬件上的编程语言。 这种方法发表在《自然机器智能》上,可以识别适合网络的参数。 然后,它对其计算进行编程,以优化其在目标问题上的性能。

来源和详细信息:
https://techxplore.com/news/2023-07-neural-machine-code-reservoir.html

得益于新的铁电聚合物创新,第一批可弯曲的人造肌肉

人造肌肉首次弯曲:机器人技术中的铁电聚合物创新

有趣的发现! 很高兴看到这一点付诸实践。

宾夕法尼亚州立大学的研究人员开发了一种新型铁电材料,可以有效地将电能转化为机械应变。 这种材料是医疗设备和机器人的潜在解决方案。 它克服了传统压电材料的局限性。 研究人员利用聚合物纳米复合材料提高了性能。 这降低了所需的驱动场强度并扩大了潜在的应用。

宾夕法尼亚州立大学的研究人员表示,一种新型铁电聚合物能够将电能转化为机械力,使其成为一种有前途的“执行器”。 它可用于医疗设备、机器人和精密定位系统。

材料的机械应变,或者材料如何响应外力(例如电能)而改变形状,是执行器的关键属性。 这些致动器材料传统上是刚性的。 然而,软执行器,例如铁电塑料,更加灵活并且对环境的适应性更强。

来源和详细信息:

Artificial Muscles Flex for the First Time: Ferroelectric Polymer Innovation in Robotics

解锁电子结构:基于机器学习的材料建模仿真方法

机器学习允许在材料建模中大规模进行精确的电子结构计算

物质的电子结构是基础研究和应用研究的关键因素。 例子包括药物设计、能量存储和原子内电子的排列。 缺乏一种既高保真又可跨时间和长度尺度扩展的模拟方法一直是这些技术发展的主要障碍。

德国格尔利茨亥姆霍兹德累斯顿罗森多夫中心 (HZDR) 和美国阿尔伯克基(新墨西哥州)桑迪亚国家实验室的研究人员开发了一种基于机器学习的模拟技术,超越了传统的电子结构模拟方法。

材料学习算法软件堆栈 (MALA) 允许访问以前无法访问的长度尺度。 《npj 计算材料》杂志发表了这项工作。

来源和详细信息:
https://phys.org/news/2023-07-machine-enables-accurate-electronic-large.html