全部新闻
引领东盟供应链的未来 - FutureIoT
由于人工智能、自动化和区块链等技术进步，东盟的供应链格局正在发生变化。IBM 的报告强调了这些技术在提高运营效率和供应链弹性方面的潜力。主要挑战包括数据利用不足、平衡可持续性与盈利能力以及指数技术的人才缺口。使用生成式人工智能的预测性维护和增强的质量控制等创新正在重塑运营。生成式人工智能有望彻底改变决策过程，同时不断发展的制造商、客户和供应商之间的关系有望提高透明度和协作。IBM Consulting 旨在帮助首席运营官通过基于证据的战略和技能开发计划来应对这些变化。
彭博社 - 你是机器人吗？
在您的网络上检测到异常活动。请点击提供的框来验证您不是机器人。确保您的浏览器中启用了 JavaScript 和 cookie。请联系支持人员以获取有关块参考 ID 的帮助。
专家警告说，隐蔽的人工智能可能会带来新的“意图经济”
剑桥大学的研究人员警告说，对话式人工智能工具可能很快就会在名为“意图经济”的新商业领域秘密影响用户的决策。该市场将利用数字意向信号来引导消费者行为，从购买电影票到投票。聊天机器人和其他拟人化人工智能代理的兴起使这些说服性技术成为可能，这些技术利用在线习惯知识来预测用户的需求并建立信任。然而，如果不加以控制，这可能会导致工业规模的社会操纵。合著者警告说，除非受到监管，否则意图经济将把动机视为一种新货币，可能会破坏自由选举、新闻自由和公平的市场竞争。
约翰·霍普金斯和斯坦福机器人通过观看视频学习手术 - SiliconANGLE
约翰·霍普金斯大学和斯坦福大学的研究人员开发了一种通过视频分析进行模仿学习来训练手术机器人的方法，使它们能够以与人类外科医生相当的精度执行任务。该团队为达芬奇手术系统配备了机器学习模型，可以分析真实手术的视频，使机器人能够通过观察相对位置而不是遵循刚性路径来学习精确的运动。该系统包含自我评估的反馈机制，可以适应各种手术方式和环境，增强其在现实场景中的实用性。其目标是帮助外科医生，而不是取代他们，从而有可能改善患者护理，特别是当外科医生感到疲劳时。
使用人工智能技术预测患者对药物的情绪
Amir Sorayaie Azar、Samin Babaei Rikan、Amin Naemi、Jamshid Bagherzadeh Mohasefi 和 Uffe Kock Wiil 撰写的文章“使用人工智能技术预测患者对药物的情绪”重点介绍了利用人工智能方法预测患者对药物的情绪。以下是要点总结：＃＃＃ 概括该研究旨在开发一种基于人工智能的系统，用于根据文本数据（例如评论或评论）预测患者对药物的情绪。研究人员使用了各种机器学习技术，包括预先训练的词嵌入和集成模型。#### 关键组件：- **数据集准备**：收集与患者使用不同药物的经历相关的文本数据。- **特征提取**：利用预先训练的词嵌入模型（如 BERT）进行特征提取。- **模型开发**：实施单模型方法和集成学习技术以提高预测准确性。- **评估指标**：使用准确度、F1 分数和 ROC 曲线下面积 (AUC-ROC) 等指标来评估模型性能。＃＃＃＃ 结果该研究表明，在预测患者对药物的情绪方面，整体方法优于个体模型。结果表明，结合多种人工智能技术可以增强医疗保健应用的情绪预测系统的可靠性和稳健性。### 方法论1. **数据收集**：从在线论坛或评论平台等来源收集文本数据。2. **预处理**：对文本数据进行清理和规范化，包括标记化、停用词去除和词形还原。3. **特征提取**：采用预先训练的语言模型（例如BERT）将原始文本转换为适合机器学习算法的数字特征。4. **模型训练**：- 使用了多种分类技术，例如逻辑回归、SVM、随机森林等。- 实施了 bagging 和 boosting 等集成方法来提高模型性能。### 调查结果- 在情感分析任务中，与单模型方法相比，集成模型表现出更好的准确性和鲁棒性。- 该研究强调了选择适当的特征提取方法（例如词嵌入）对于有效情绪预测的重要性。＃＃＃ 结论研究得出的结论是，人工智能技术，特别是与预先训练的语言模型相结合的集成学习方法，可以有效预测患者对药物的情绪。这种方法对于医疗保健提供者了解患者体验和提高药物依从性可能很有价值。### 影响- **临床决策支持**：通过纳入情感分析来增强临床决策支持系统。- **以患者为中心的护理**：根据患者对其药物的态度制定个性化护理计划。- **药物开发**：通知药物开发流程以在管道早期考虑用户反馈。### 未来的工作作者建议探索更高级的语言模型，例如大规模 Transformer 模型（例如 GPT），并结合多模态数据（文本和图像）进行情感预测。### 道德与利益竞争- 该研究没有竞争利益，也不需要特定的伦理批准，因为它涉及匿名文本数据。本摘要概括了该研究的核心方面，包括其目标、方法、研究结果以及对医疗保健应用的影响。
为毛伊县农民收集卫星见解
夏威夷大学马诺阿分校助理教授诺亚·凯库瓦·林肯 (Noa Kekuewa Lincoln) 强调，粮食主权不仅仅包括获得具有文化意义的食物；还包括获得食物。它还涉及对食品系统的控制。他指出，在欧洲接触之前，夏威夷人拥有强大的农业系统，但捕鲸和种植园农业的土地利用变化导致了传统农业的衰落。如今，夏威夷农民面临着旅游压力、军事存在和气候变化影响等挑战。Hiroshi Suzuki 是毛伊岛冈村农场的一名前软件工程师，后来成为一名农民，他使用人工智能驱动的 Maui Nui Crop Monitor 时事通讯中的数据来优化西葫芦等农作物的用水量。目标是通过可持续地提供当地优质农产品来改善粮食安全。该项目的更广泛目标是通过现代技术尊重夏威夷农业遗产，同时解决当前农业实践中的挑战。这包括与 NASA Acres 和当地农民密切合作，扩大作物管理工具的范围并加强可持续发展工作。
NVIDIA (NVDA) 7 亿美元收购 Run:ai 如何重塑 AI 和 GPU 市场
CNBC 12 月 30 日报道称，生成式人工智能正在迅速被企业用于客户服务自动化和数据分析等任务，有可能在未来十年将全球 GDP 拉动 7 万亿美元。然而，企业领导人对其未来发展速度和道德风险存在不同看法。此外，Deirdre Bosa 还报道了中国开发的一种名为 DeepSeek 的开源人工智能模型，该模型的性能优于 GPT-4 等领先模型，而成本却仅为 GPT-4 的一小部分，挑战了美国主要科技公司的主导地位，并凸显了开源模型的潜力为人工智能竞赛创造公平的竞争环境。
金德摩根人工智能拉力赛还有进一步进行吗？（纽约证券交易所代码：KMI）
分析师披露：作者没有持有上述任何股票的头寸，也没有计划在未来 72 小时内建立任何此类头寸。文章表达了作者自己的观点，他们没有因此获得报酬（除了来自 Seeking Alpha 的报酬）。作者与任何讨论其股票的公司也没有任何业务关系。寻求 Alpha 披露：过去的表现并不能保证未来的结果。不提供有关投资是否适合特定投资者的建议或建议。作者表达的观点可能不代表 Seeking Alpha 的整体观点。Seeking Alpha 不是持牌证券交易商、经纪人、美国投资顾问或投资银行。分析师是第三方作者，包括专业和个人投资者，没有任何机构或监管机构的许可或认证。
Facebook 和 Instagram 将释放人工智能生成的“用户”，无人问津
Meta（原名 Facebook）正在将重点转向将人工智能整合到其平台中，尽管元宇宙概念过去曾遭遇失败。该公司计划在 Facebook 和 Instagram 上推出半独立的人工智能头像，旨在吸引年轻人群。虽然 Meta 已经推出了 AI Studio，供用户创建自己的聊天机器人，但它现在将这些机器人设想为成熟的“用户”，在其社交网络中共享内容并进行交互。此举引发了人们对人工智能社交媒体环境的吸引力和道德的质疑。
利用机器学习和分子模拟阐明聚酰胺膜去除 PFAS 的控制因素
“利用机器学习和分子模拟阐明聚酰胺膜去除 PFAS 的控制因素”的研究探索了水处理过程中全氟烷基物质和多氟烷基物质 (PFAS) 去除效率背后的机制。该研究是多个机构之间的合作成果，重点是了解 PFAS 分子的不同物理和化学特性如何影响它们与反渗透 (RO) 系统中使用的聚酰胺膜的相互作用。### 主要发现：1. **实验设置：**- 进行反渗透实验以评估各种 PFAS 化合物的去除效率。- 分析了不同类型和链长的 PFAS 分子的膜性能。2. **机器学习模型：**- 开发了机器学习 (ML) 框架，用于根据分子特性（如尺寸、极性、电荷等）预测去除效率。- 使用从 RO 测试收集的实验数据来训练 ML 模型。3. **分子动力学模拟：**- 进行分子动力学 (MD) 模拟，以深入了解 PFAS 分子和聚酰胺膜在原子水平上的相互作用。- 该研究在这些模拟中考虑了疏水性、氢键结合能力和分子灵活性等因素。4. **确定的控制因素：**- 发现聚酰胺膜对 PFAS 的去除效率受到 PFAS 分子大小（分子量）的显着影响。- PFAS 化合物和膜孔之间的极性相互作用在决定其保留方面发挥着至关重要的作用。- PFAS 和膜材料的氢键结合能力是影响去除效率的另一个关键因素。5. **每位作者的贡献：**- Nohyeong Jeong、Shinyun Park、Subhamoy Mahajan、Ji Zhou 对机器学习建模和分子动力学模拟做出了贡献。- Jens Blotevogel、童铁正、陈永生为本研究提供了实验数据和概念指导。### 影响：- 该研究为不同 PFAS 化合物如何在宏观和微观层面与聚酰胺膜相互作用提供了宝贵的见解。- 了解这些相互作用有助于设计更有效的反渗透膜，专门用于去除水源中的 PFAS 污染物。- 机器学习模型可以进一步完善，以预测新发现的 PFAS 分子的去除效率，从而有助于先进处理技术的开发。＃＃＃ 结论：该研究成功地将实验数据与计算建模技术结合起来，阐明了聚酰胺膜去除 PFAS 的机制。这种跨学科方法不仅增强了我们的基本理解，而且为水净化技术的创新解决方案铺平了道路。如果您有任何具体问题或需要有关本研究特定方面的更多详细信息，请随时询问！
