全部新闻
微软押注人工智能来推动核复兴——以及更多人工智能
该文本似乎是一项订阅促销活动，以 1 美元的价格限时访问《金融时报》的文章，随后的月费为 75 美元。它包括试用期内的完整数字访问和取消选项。
“这是人工智能与量子的结合”：新技术赋予人工智能第一次感知表面的能力
科学家们通过结合量子科学和人工智能，开发了一种能够“感知”表面的人工智能系统，利用反向散射光子准确辨别表面纹理。这项发表在《应用光学》上的研究测试了各种砂纸样品，达到了微米级的测量精度。由于该技术能够测量痣粗糙度的细微差异，因此可以应用于早期皮肤癌检测的医学环境。
Nvidia 仍然是 2025 年最值得持有的人工智能 (AI) 股票吗？|杂七杂八的傻瓜
Nvidia (NVDA)因其在人工智能开发中使用的领先GPU而成为2023年和2024年顶级人工智能股票之一。随着人工智能模型的复杂性不断增加，对 Nvidia GPU 的需求预计将在 2025 年进一步增加。尽管在此期间处于最昂贵的估值点，分析师预计 2026 财年收入将大幅增长。然而，这种增长是否会持续仍存在不确定性
YeagerAI的智能预言机：基于GenLayer区块链构建，用于实时数据访问 - AI新闻
区块链人工智能研究实验室 YeagerAI 推出了智能预言机，这是一个基于 GenLayer 区块链的人工智能驱动的预言机，旨在为去中心化应用程序（DApp）提供链上在线数据。该服务提供可扩展、高效的解决方案，用于获取任何类型的在线数据，并计划于 2024 年底在许可的本地网络上首次启动。它将 LLM 集成到 GenLayer 的乐观民主共识机制中，确保决策的准确和安全。与传统的预言机不同，智能预言机无需人工干预即可提供对各种数据类型的即时、灵活的访问，从而为预测市场、保险和金融衍生品中的 DApp 提供新的用例。早期合作伙伴包括 Radix DLT、Etherisc、PredX、Delphi Bets 和 Provously。
华盛顿特区进行人工智能防空摄像头升级——新系统取代了 9/11 事件后安装的 22 年前的摄像头
美国国防部部署了名为 ERSA 的基于人工智能的摄像头系统，以增强华盛顿特区周围的区域态势感知。该系统由东部防空部门监控，可以使用视觉识别和红外摄像头来评估不明飞行器，从而提供更多信息。比部署战斗机更具成本效益的解决方案。ERSA 包含机器学习功能，可实现更好的对象跟踪，并被描述为对之前系统的升级，类似于从 iPhone 4S 质量升级到 iPhone 16。
Bluesky 的开放 API 意味着任何人都可以抓取您的数据进行 AI 训练 |TechCrunch
Bluesky 尽管没有像其他社交网络一样在内部对人工智能系统进行用户内容培训，但仍面临第三方访问和使用公共用户数据的问题。一位 Hugging Face 图书管理员通过 API 收集了 100 万条 Bluesky 帖子用于研究，但后来因争议而删除了该数据集。Bluesky 承认它无法从外部强制执行同意，并且正在探索使用户能够向外部各方传达其偏好的方法。随着 Bluesky 越来越受欢迎，它正受到与主要社交平台类似的审查。
从 Meta 到 OpenAI，人工智能公司新的“抢地盘”是军事合同
这篇文章强调了科技公司（尤其是那些专门从事人工智能的公司）出于业务和技术进步原因与国防部（DoD）更密切合作的重大转变。以下是总结这一转变的要点：1. **态度转变**：科技高管看待与国防机构合作的方式发生了明显变化。两年前，安德森·霍洛维茨的《美国活力》文章提出，支持军队符合国家利益，影响许多高管重新考虑他们的立场。2. **政府合同和资金**：过去两年，国防部已为人工智能公司授予了近 10 亿美元的官方合同。这些合同通常价值数千万至数十亿美元，为科技公司及其投资者提供了可观的收入来源。3. **国防部的战略举措**：- 创建战略资本办公室（OSC），以确保通过直接贷款为人工智能等关键技术提供资金。- 2024 财年，OSC 将向专注于自主机器人和微电子制造（包括人工智能芯片开发）的公司分配 9.84 亿美元。4. **技术合作**：微软、亚马逊、谷歌等主要科技公司正在积极为其人工智能服务寻求国防部合同（例如，用于 OpenAI 模型的 Azure）。这种伙伴关系利用大规模的政府采购来加速技术创新。5. **历史背景和潜在影响**：- 军队历来对互联网（阿帕网）、雷达和 GPS 等基础技术做出了重大贡献。- 在政府或国防领域的大规模应用可以迅速提高人工智能产品的效用，使其对公共和私营部门产生更大的影响。6. **挑战**：虽然国防部渴望整合新技术解决方案，但当前大多数人工智能产品在实际应用方面仍然相对不成熟。然而，鉴于用于采购的巨额预算（2024 年将达到 1 万亿美元），尽管对资源分配效率存在担忧，但创新潜力巨大。7. **员工情绪和裁员**：大流行后的裁员减少了员工对国防合同的抵制，为科技公司提供了更多参与军事项目的自由度，而不会面临内部的强烈反对。这一转变强调了人工智能在国家安全背景下的战略重要性，并凸显了领先科技公司与国防部等政府机构之间日益增长的相互依赖性。
没有准备好应对人工智能冲击的组织必须做这四件事
思科对 7,985 名高级商业领袖进行的调查显示，虽然实施人工智能 (AI) 非常紧迫，但只有 13% 的人感到已做好充分准备。大多数人缺乏熟练的员工、足够的基础设施和格式正确的人工智能数据。尽管对人工智能的投资仍在继续，大约有一半的人投入了高达 30% 的 IT 预算，但人们仍然对其能否提供预期回报表示怀疑。公司面临人才短缺和基础设施准备不足导致成本高等挑战。建议包括投资可扩展的安全技术；加强数据管理实践；注重技能发展；培育支持人工智能采用的组织文化。
彭博社 - 你是机器人吗？
在您的网络上检测到异常活动。单击下面的框以确认您不是机器人。确保启用 JavaScript 和 cookie。请通过提供的参考 ID 联系支持人员寻求帮助。
催化中吸附构型的多模态语言和图学习
提供的文本似乎是来自学术论文或评论文章的参考文献和链接的集合，该论文或评论文章重点关注大语言模型 (LLM) 在材料科学中的应用，特别是催化剂研究。以下是提到的要点和资源的摘要：1. **法学硕士催化剂研究：**- 几篇论文讨论了如何使用大型语言模型来分析异质催化剂。例如，Ock 等人、Jadhav 等人和 M. Bran 等人的研究探索了使用多模式数据（基于文本和图形）来理解和预测催化特性。2. **项目和数据库：**- 开放量子材料数据库（OQMD）：基于密度泛函理论的材料科学高通量数据库。- NOMAD 平台：一个基于网络的分布式系统，旨在管理全球不同机构的材料科学研究数据。- FAIR-Chem/fairchem 和 Open-Catalyst-Project/AdsorbML 项目：这些 GitHub 存储库包含与化学和催化材料设计相关的软件工具和数据集。3. **数据资源：**- Ock 等人特别为 FigShare 上的多相催化剂研究提供了多模态数据集（文本和图形数据）。- J. Ock 的 hoon-ock/多视图存储库提供了与材料数据多视图分析相关的软件工具版本。4. **方法：**- 像博科等人一样工作。探索如何使用化学专用工具和知识来增强大型语言模型，以进行自主化学研究。- Hammer 等人、Boes 等人和 Liu 等人等论文。讨论使用密度泛函理论、图论方法以及 RoBERTa 和 BERT 等预训练方法来预测吸附能和结构的方法。5. **应用：**- 除了催化剂设计之外，还有应用这些模型来监视和控制 3D 打印过程的研究（Jadhav 等人），以及开发可以基于大语言模型功能充当机械设计师的代理（Jadhav 和 Farimani）。6. **软件工具：**- GitHub 存储库（例如 Karpathy 的 NanoGPT）提供为科学应用量身定制的语言模型的开源实现。这组参考文献指出了一个不断发展的前景，深度学习和自然语言处理越来越多地与传统材料科学研究方法相结合，为计算催化、材料设计和自动化实验开辟了新途径。如果您需要这些论文的详细分析或特定部分，请告诉我！
