全部新闻
联合国的AI警告越来越大
2025-09-26 14:20:39
时代新的AI新闻通讯重点介绍了联合国大会在纽约举行的关键事件，以及在蒙特利尔举行的“ All in Ai in AI”会议。值得注意的时刻包括玛丽亚·雷萨（Maria Ressa）呼吁由200多个著名人物签署的“ AI红线”的呼吁，包括诺贝尔奖获得者；安全理事会对AI治理的讨论强调立即进行国际法规，以防止诸如自动武器之类的风险；联合国与秘书长安东尼奥·古特雷斯（AntónioGuterres）启动了全球对话论坛。此外，加利福尼亚州州长加文·纽瑟姆（Gavin Newsom）表示对SB 53的支持，这是一项更新的AI安全法案。该通讯还提到了Yoshua Bengio在蒙特利尔会议上重新设计AI安全性的讨论，并在冷战动力学与当前有关AI开发的技术行业实践之间取得了相似之处。
时代新的AI新闻通讯重点介绍了联合国大会在纽约举行的关键事件，以及在蒙特利尔举行的“ All in Ai in AI”会议。值得注意的时刻包括玛丽亚·雷萨（Maria Ressa）呼吁由200多个著名人物签署的“ AI红线”的呼吁，包括诺贝尔奖获得者；安全理事会对AI治理的讨论强调立即进行国际法规，以防止诸如自动武器之类的风险；联合国与秘书长安东尼奥·古特雷斯（AntónioGuterres）启动了全球对话论坛。此外，加利福尼亚州州长加文·纽瑟姆（Gavin Newsom）表示对SB 53的支持，这是一项更新的AI安全法案。该通讯还提到了Yoshua Bengio在蒙特利尔会议上重新设计AI安全性的讨论，并在冷战动力学与当前有关AI开发的技术行业实践之间取得了相似之处。
尼比乌斯与Palantir：以> 100倍的销售，哪种AI股票更好？（纳斯达克：PLTR）
2025-09-26 14:16:13
由于AI驱动的投资者热情，Nebius和Palantir以高价销售的贸易。尼比乌斯（Nebius）对预期的快速收入增长和利润率的扩大表示了强劲的买入，而帕兰蒂尔（Palantir）的售价很高，但由于估值过高，帕兰蒂尔（Palantir）的销售量很高。人工智能投资主题具有高度吸引力，具有彻底改变行业生产力的潜力。
由于AI驱动的投资者热情，Nebius和Palantir以高价销售的贸易。尼比乌斯（Nebius）对预期的快速收入增长和利润率的扩大表示了强劲的买入，而帕兰蒂尔（Palantir）的售价很高，但由于估值过高，帕兰蒂尔（Palantir）的销售量很高。人工智能投资主题具有高度吸引力，具有彻底改变行业生产力的潜力。
法国人工智能诊断市场研究报告2025-2033：组件，应用，最终使用，国家和公司分析
2025-09-26 14:14:14
“法国人工智能在诊断市场中按组件，应用，最终使用，州和公司分析的报告，2025-2033”表明，预计该市场将从2024年的4673万美元增长到2033年的16.22％的CAGR。关键驱动因素包括技术进步，精密医学计划以及在医疗机构之间的广泛采用。主要的区域市场是巴黎，Auvergne-Rhone-Alpes，Nouvelle-Aquitaine和Hauts-de-France。挑战涉及监管障碍和数据隐私问题。该报告涵盖了各种市场细分市场，包括组件（软件，服务，硬件），应用程序（神经病学，放射学，肿瘤学，心脏病学），最终使用部门（医院，诊断实验室，成像中心）和法国境内的州。领先的公司包括西门子卫生师，Riverain Technologies，Vuno Inc.，AIDOC，Neural Analytics，Imagen Technologies，GE Healthcare和Alivecor Inc.
“法国人工智能在诊断市场中按组件，应用，最终使用，州和公司分析的报告，2025-2033”表明，预计该市场将从2024年的4673万美元增长到2033年的16.22％的CAGR。关键驱动因素包括技术进步，精密医学计划以及在医疗机构之间的广泛采用。主要的区域市场是巴黎，Auvergne-Rhone-Alpes，Nouvelle-Aquitaine和Hauts-de-France。挑战涉及监管障碍和数据隐私问题。该报告涵盖了各种市场细分市场，包括组件（软件，服务，硬件），应用程序（神经病学，放射学，肿瘤学，心脏病学），最终使用部门（医院，诊断实验室，成像中心）和法国境内的州。领先的公司包括西门子卫生师，Riverain Technologies，Vuno Inc.，AIDOC，Neural Analytics，Imagen Technologies，GE Healthcare和Alivecor Inc.
AI记忆问题将重塑旅行
2025-09-26 14:14:10
本文讨论了数字旅行助理中的AI内存如何通过启用更多个性化和无缝的用户体验来重新定义旅行行业。它指出了零散的旅行技术系统所带来的挑战，并概述了四个用于管理AI内存的新兴模型：平台控制，设备，联合的个人保管库和便携式行业身份。这篇文章强调，旅行公司必须在让平台控制AI数据或赋予用户拥有所有权的用户以通过卓越的上下文体验获得客户忠诚度的能力。
本文讨论了数字旅行助理中的AI内存如何通过启用更多个性化和无缝的用户体验来重新定义旅行行业。它指出了零散的旅行技术系统所带来的挑战，并概述了四个用于管理AI内存的新兴模型：平台控制，设备，联合的个人保管库和便携式行业身份。这篇文章强调，旅行公司必须在让平台控制AI数据或赋予用户拥有所有权的用户以通过卓越的上下文体验获得客户忠诚度的能力。
AI课程飞行员在这30个马萨诸塞州的学区启动
2025-09-26 14:12:00
马萨诸塞州将在30个学区进行AI课程，涉及大约1,600名学生。该倡议是马萨诸塞州STEM咨询委员会，马萨诸塞州技术合作委员会的合作，并且项目领先。整个学期的课程“人工智能原则”的目标是八及以上等级，涵盖了基础AI概念，技术和社会意义。该飞行员旨在在未来几年扩大规模之前，最初支持45名教育工作者。
马萨诸塞州将在30个学区进行AI课程，涉及大约1,600名学生。该倡议是马萨诸塞州STEM咨询委员会，马萨诸塞州技术合作委员会的合作，并且项目领先。整个学期的课程“人工智能原则”的目标是八及以上等级，涵盖了基础AI概念，技术和社会意义。该飞行员旨在在未来几年扩大规模之前，最初支持45名教育工作者。
人工智能筛查在过境点进行
2025-09-26 14:05:30
加拿大使用AI在六个未公开的土地端口中引入了旅行合规指标（TCI），以预测分析为旅行者分配“合规性得分”。该系统旨在减少误报和处理延迟，同时增强边境安全性并改善旅行者的体验。CBSA计划在2027年底之前将TCI扩展到所有土地港口，然后是其现代化战略的一部分空气和海上入口点。
加拿大使用AI在六个未公开的土地端口中引入了旅行合规指标（TCI），以预测分析为旅行者分配“合规性得分”。该系统旨在减少误报和处理延迟，同时增强边境安全性并改善旅行者的体验。CBSA计划在2027年底之前将TCI扩展到所有土地港口，然后是其现代化战略的一部分空气和海上入口点。
使用Django建造机器学习应用-Kdnuggets
2025-09-26 14:00:54
本指南提供了将机器学习模型集成到Django Web应用程序中的全面练习，特别是通过创建Iris Flower预测器。以下是涵盖的关键步骤和组件：### 1。设置环境 - **依赖项**：确保您已安装了Python以及“ PIP”用于包装管理。 - ** Django安装**：使用PIP安装Django（`pip install django`）。 - **数据库设置**： - 初始化一个新的Django项目：`django-admin startproject ml_project` - 在项目中创建一个应用程序：`python manage.py startapp iris_predictor`### 2。培训和保存模型 - **模型创建**：使用Scikit-Learn或任何其他首选框架等库来训练您的机器学习模型。 - **序列化**： - 将训练的模型保存到文件（例如`iris_model.pkl`）。 - 使用Joblib或Pickle进行序列化：`joblib.dump（型号，'iris_model.pkl'）`。### 3。django应用结构 - **项目和应用结构**：通过适当的目录结构组织您的项目和应用程序。````````ml_project/iris_predictor/__init__.pyadmin.pyapps.py模型tests.pyurls.pyViews.pyforms.pyservices.py````````### 4。模型预测服务 - **服务文件**：创建一个``services.py''来处理模型预测。``python导入约伯利布DEF预测（功能）：型号= joblib.load（'iris_model.pkl'）预测= model.predict（[[功能]）返回预测[0]````````### 5。django浏览和表格 - **表格**：以```forms.s.py''定义表单类。``python从django导入表格iRisform类（forms.form）：sepal_length = forms.floatfield（）sepal_width = forms.floatfield（）petal_length = forms.floatfield（）petal_width = forms.floatfield（）```````` - **视图**：实施视图以处理表单提交和API请求。``python从django.http导入jsonresponse，httpresponsebadrequest来自django.shortcuts导入渲染从.forms导入IRISFORM从.Services导入预测DEF HOME（请求）：返回渲染（请求，“预测器/precadion_form.html”，{“ form”：irisform（）}）@require_http_methods（[“ post”]）def preadive_view（请求）：form = iRisform（请求。post）如果不是form.is_valid（）：返回渲染（请求，“预测器/preadive_form.html”，{“ form”：form}）data = form.cleaned_data预测=预测（[data [“ sepal_length”]，data [“ sepal_width”]，data [“ petal_length”]，data [“ petal_width”]]]）结果= {“ class_name”：预测}返回渲染（要求，“预测器/preceptir_form.html”，{“ form”：irisform（），“结果”：结果，“提交”：true}，）```````` - ** API端点**：``python@csrf_exemptdef predict_api（请求）：如果request.method =='post'：尝试：有效载荷= json.loads（request.body）功能= [pareload.get（“ sepal_length”），paryload.get（“ sepal_width”），payload.get（“ petal_length”），pareload.get（“ petal_width”）]预测=预测（功能）返回jsonresponse（{“ class_name”：预测}）除例外为E：返回httpresponsebadrequest（str（e））````````### 6。django模板 - ** html模板**：在`predive_form.html`中创建一个html表单。````html
本指南提供了将机器学习模型集成到Django Web应用程序中的全面练习，特别是通过创建Iris Flower预测器。以下是涵盖的关键步骤和组件：### 1。设置环境 - **依赖项**：确保您已安装了Python以及“ PIP”用于包装管理。 - ** Django安装**：使用PIP安装Django（`pip install django`）。 - **数据库设置**： - 初始化一个新的Django项目：`django-admin startproject ml_project` - 在项目中创建一个应用程序：`python manage.py startapp iris_predictor`### 2。培训和保存模型 - **模型创建**：使用Scikit-Learn或任何其他首选框架等库来训练您的机器学习模型。 - **序列化**： - 将训练的模型保存到文件（例如`iris_model.pkl`）。 - 使用Joblib或Pickle进行序列化：`joblib.dump（型号，'iris_model.pkl'）`。### 3。django应用结构 - **项目和应用结构**：通过适当的目录结构组织您的项目和应用程序。````````ml_project/iris_predictor/__init__.pyadmin.pyapps.py模型tests.pyurls.pyViews.pyforms.pyservices.py````````### 4。模型预测服务 - **服务文件**：创建一个``services.py''来处理模型预测。``python导入约伯利布DEF预测（功能）：型号= joblib.load（'iris_model.pkl'）预测= model.predict（[[功能]）返回预测[0]````````### 5。django浏览和表格 - **表格**：以```forms.s.py''定义表单类。``python从django导入表格iRisform类（forms.form）：sepal_length = forms.floatfield（）sepal_width = forms.floatfield（）petal_length = forms.floatfield（）petal_width = forms.floatfield（）```````` - **视图**：实施视图以处理表单提交和API请求。``python从django.http导入jsonresponse，httpresponsebadrequest来自django.shortcuts导入渲染从.forms导入IRISFORM从.Services导入预测DEF HOME（请求）：返回渲染（请求，“预测器/precadion_form.html”，{“ form”：irisform（）}）@require_http_methods（[“ post”]）def preadive_view（请求）：form = iRisform（请求。post）如果不是form.is_valid（）：返回渲染（请求，“预测器/preadive_form.html”，{“ form”：form}）data = form.cleaned_data预测=预测（[data [“ sepal_length”]，data [“ sepal_width”]，data [“ petal_length”]，data [“ petal_width”]]]）结果= {“ class_name”：预测}返回渲染（要求，“预测器/preceptir_form.html”，{“ form”：irisform（），“结果”：结果，“提交”：true}，）```````` - ** API端点**：``python@csrf_exemptdef predict_api（请求）：如果request.method =='post'：尝试：有效载荷= json.loads（request.body）功能= [pareload.get（“ sepal_length”），paryload.get（“ sepal_width”），payload.get（“ petal_length”），pareload.get（“ petal_width”）]预测=预测（功能）返回jsonresponse（{“ class_name”：预测}）除例外为E：返回httpresponsebadrequest（str（e））````````### 6。django模板 - ** html模板**：在`predive_form.html`中创建一个html表单。````html
iris预测
{如果结果％}预测类：{{result.class_name}}{％endif％}````````### 7。django URL - ** URL配置**：在`urls.py'中定义URL模式。``python来自django.urls导入路径从.Views导入HOME，PRODUCT_VIEW，PRODUCT_APIurlpatterns = [路径（''，家，名称='home'），路径（'preceptir/'，preditive_view，name ='precadive'），路径（'api/precadive/'，prectiv_api，name ='prective_api'），这是给出的````````### 8。运行应用程序 - **迁移**：应用数据库迁移：`python manage.py migrate` - **运行服务器**：启动Django开发服务器：`python manage.py runserver`### 9。测试应用程序 - **单位测试**：在`tests.py'中写测试。``python来自django.test Import Testcase从django.urls导入反向班级预测图（testCase）：def test_home_renders（self）：resp = self.client.get（反向（“ home”））self.Assertequal（resp.status_code，200）self.sersertContains（resp，“虹膜预测指标”）def test_api_predict（self）：url = reverse（“ prectiv_api”）有效载荷= {“ sepal_length”：5.0，“ sepal_width”：3.6，“ petal_length”：1.4，“ petal_width”：0.2，}resp = self.client.post（url，json.dumps（有效载荷），content_type ='application/json'）self.Assertequal（resp.status_code，200）data = resp.json（）self.assertin（“ class_name”，数据）```````` - **运行测试**：使用Django的测试命令执行测试：`python manage.py Test Iris_predictor`＃＃＃ 概括本指南展示了将机器学习模型集成到Django Web应用程序中。涵盖的步骤包括设置Django，培训和保存模型，创建表单和视图，处理API请求，编写模板，测试应用程序并在本地服务器上运行它。此处概述的项目结构可以用作涉及高级机器学习模型和生产级API的更复杂应用程序的模板。
美国股票基金每周吸收AI的流入
2025-09-26 14:00:28
截至9月24日的一周，美国股票基金的净流入净流入为120.6亿美元，在NVIDIA宣布对OpenAI的1000亿美元投资后，逆转了连续两周的流出。大型股票基金吸引了自4月9日以来最大的每周增加，为169.4亿美元，而中型和小型股基金经历了流出。部门基金的净流入量为4.07亿美元，工业公司的净流入为11亿美元。美国债券资金获得的净投资为119亿美元，是2021年2月以来最高的，主要是在政府和财政部。货币市场也吸引了267.1亿美元。
截至9月24日的一周，美国股票基金的净流入净流入为120.6亿美元，在NVIDIA宣布对OpenAI的1000亿美元投资后，逆转了连续两周的流出。大型股票基金吸引了自4月9日以来最大的每周增加，为169.4亿美元，而中型和小型股基金经历了流出。部门基金的净流入量为4.07亿美元，工业公司的净流入为11亿美元。美国债券资金获得的净投资为119亿美元，是2021年2月以来最高的，主要是在政府和财政部。货币市场也吸引了267.1亿美元。
Microsoft的AI芯片通过制造发出了寒意
2025-09-26 14:00:06
微软宣布了一种用于冷却数据中心芯片的新方法，该方法引起了工业部门的关注。
微软宣布了一种用于冷却数据中心芯片的新方法，该方法引起了工业部门的关注。
微软通过加沙的大规模监视报告，减少了以色列对云和AI产品的访问
2025-09-26 13:51:17
微软在发现其AI和云计算产品被用于对巴勒斯坦人的大规模监视之后，已经为以色列军事部门提供了残疾的服务。该决定遵循美联社和卫报的报告，透露微软的Azure平台是由以色列国防部在针对哈马斯和大规模监视的行动中使用的。微软副主席兼总裁布拉德·史密斯（Brad Smith）确认，该公司正在执行其服务条款，但没有指定哪个单位失去了服务。
微软在发现其AI和云计算产品被用于对巴勒斯坦人的大规模监视之后，已经为以色列军事部门提供了残疾的服务。该决定遵循美联社和卫报的报告，透露微软的Azure平台是由以色列国防部在针对哈马斯和大规模监视的行动中使用的。微软副主席兼总裁布拉德·史密斯（Brad Smith）确认，该公司正在执行其服务条款，但没有指定哪个单位失去了服务。