全部新闻
虚拟现实和人工智能可以帮助香港保存武术，狮子舞吗？
2025-01-30 07:37:25
香港Shue Yan University的研究团队开发了一个虚拟现实项目，旨在使用当地协会的3D扫描来促进中国武术和传统舞蹈。该项目包括一个基于对七个高级大师的访谈，包括AI驱动的聊天机器人，通过虚拟互动为全球获得文化知识的访问权限。
香港Shue Yan University的研究团队开发了一个虚拟现实项目，旨在使用当地协会的3D扫描来促进中国武术和传统舞蹈。该项目包括一个基于对七个高级大师的访谈，包括AI驱动的聊天机器人，通过虚拟互动为全球获得文化知识的访问权限。
哈佛在人工智能时代的任务|意见|哈佛深红色
2025-01-30 06:10:53
随着AI在智力任务中的进步，哈佛必须专注于培养独特的人类品质，例如同理心，道德深度和情感智力。这些能力对于除了技术处理能力和模式识别能力之外，与世界有意义地互动至关重要。该大学的使命应该通过建立信任和相互尊重的面对面审议来强调培养这些技能，并反对日益数字世界中人类联系的潜在侵蚀。这种方法旨在确保毕业生不仅知识渊博，而且是明智的，善解人意的和深人类的。
随着AI在智力任务中的进步，哈佛必须专注于培养独特的人类品质，例如同理心，道德深度和情感智力。这些能力对于除了技术处理能力和模式识别能力之外，与世界有意义地互动至关重要。该大学的使命应该通过建立信任和相互尊重的面对面审议来强调培养这些技能，并反对日益数字世界中人类联系的潜在侵蚀。这种方法旨在确保毕业生不仅知识渊博，而且是明智的，善解人意的和深人类的。
Kodesage筹集了230万欧元，以彻底改变了旧软件现代化的现代化|欧盟开始
2025-01-30 06:00:18
位于布达佩斯的Kodesage是AI驱动的旧软件现代化专家，筹集了230万欧元的预种植资金，以加速平台开发。这一轮由投资组合资本合作伙伴与包括前Uipath高管在内的天使投资者领导。Kodesage成立于2024年，旨在增强和发展旧系统，而无需完整的替换，提供自动化文档，登上加速度和现代化简化，同时确保合规性和数据安全性。
位于布达佩斯的Kodesage是AI驱动的旧软件现代化专家，筹集了230万欧元的预种植资金，以加速平台开发。这一轮由投资组合资本合作伙伴与包括前Uipath高管在内的天使投资者领导。Kodesage成立于2024年，旨在增强和发展旧系统，而无需完整的替换，提供自动化文档，登上加速度和现代化简化，同时确保合规性和数据安全性。
欧洲对AI的巨大希望错过了时刻吗？
2025-01-30 05:00:44
摘要：订阅服务可为金融时报的新闻和专家分析提供全面的数字访问，每月565美元，年度预付款享受20％的折扣。
摘要：订阅服务可为金融时报的新闻和专家分析提供全面的数字访问，每月565美元，年度预付款享受20％的折扣。
人工智能的环境影响
2025-01-30 04:26:52
随着AI迅速融入全球行业，决策者正在努力制定法规，以解决该技术的社会和环境含义。尽管AI在缓解气候变化和适应性方面具有潜在的好处，但其开发和使用对环境产生了重大有害影响，包括高能量消耗，导致碳排放量增加和大量用水量导致当地水短缺问题。AI的监管目前不发达，需要国际合作和标准化的环境影响测量，以利用AI的积极潜力，同时减轻其不良影响。
随着AI迅速融入全球行业，决策者正在努力制定法规，以解决该技术的社会和环境含义。尽管AI在缓解气候变化和适应性方面具有潜在的好处，但其开发和使用对环境产生了重大有害影响，包括高能量消耗，导致碳排放量增加和大量用水量导致当地水短缺问题。AI的监管目前不发达，需要国际合作和标准化的环境影响测量，以利用AI的积极潜力，同时减轻其不良影响。
“对人工智能发展的速度感到非常恐惧”：Openai研究人员退出，声称实验室正在采取“非常风险的赌博”
2025-01-30 03:14:28
史蒂文·阿德勒（Steven Adler）是OpenAI的前安全研究员，由于对AI技术的快速发展而担心，在四年后离开了公司。在X帖子中，阿德勒（Adler）对AI进步的步伐表示恐惧，并批评了对AGI的种族，因为它具有很大的弊端。他指出，没有实验室找到AI对齐的解决方案，这表明实验室应该对必要的安全法规更透明。阿德勒（Adler）现在休息一下，但有兴趣探索AI安全和政策中的重要但被忽视的想法。
史蒂文·阿德勒（Steven Adler）是OpenAI的前安全研究员，由于对AI技术的快速发展而担心，在四年后离开了公司。在X帖子中，阿德勒（Adler）对AI进步的步伐表示恐惧，并批评了对AGI的种族，因为它具有很大的弊端。他指出，没有实验室找到AI对齐的解决方案，这表明实验室应该对必要的安全法规更透明。阿德勒（Adler）现在休息一下，但有兴趣探索AI安全和政策中的重要但被忽视的想法。
Facebook所有者Meta支付2500万美元以解决特朗普的禁令诉讼
2025-01-30 02:21:25
美国总统唐纳德·特朗普（Donald Trump）在2021年1月的国会大厦暴动之后就暂停了他的账户，与Meta（Facebook和Instagram的所有者）签署了大约2500万美元的Meta和解。总统图书馆基金，而其余的则涵盖了诉讼的法律费用和其他涉及的原告。梅塔（Meta）在2024年7月在美国大选之前没有承认不当行为，并取消了对特朗普的账目的限制。此外，梅塔（Meta）捍卫了对人工智能（65亿美元）的大量投资（65亿美元），因为担心中国人工智能的进步，例如DeepSeek，强调了开放源AI，并强调了至关重要的AI。在全球保持竞争优势。
美国总统唐纳德·特朗普（Donald Trump）在2021年1月的国会大厦暴动之后就暂停了他的账户，与Meta（Facebook和Instagram的所有者）签署了大约2500万美元的Meta和解。总统图书馆基金，而其余的则涵盖了诉讼的法律费用和其他涉及的原告。梅塔（Meta）在2024年7月在美国大选之前没有承认不当行为，并取消了对特朗普的账目的限制。此外，梅塔（Meta）捍卫了对人工智能（65亿美元）的大量投资（65亿美元），因为担心中国人工智能的进步，例如DeepSeek，强调了开放源AI，并强调了至关重要的AI。在全球保持竞争优势。
评估沙特阿拉伯医学人工智能的学生兴趣与教育之间的脱节
2025-01-30 02:02:10
Almarzouki等人发表在BMC医学教育上的Almarzouki等人的文章“评估了沙特阿拉伯医学的人工智能教育之间的脱节和教育之间的脱节”，强调了学生在医学教育中对人工智能（AI）的兴趣之间的巨大差距它目前在教育课程中实施。该研究旨在评估沙特阿拉伯吉达国王阿卜杜勒齐兹大学的医学生中的这种脱节。###文章的要点1。**背景**： - AI技术的快速发展已改变了包括医疗保健在内的各个部门。 - 人们对将AI纳入医学教育的重要性越来越认识到为未来的医疗保健专业人员准备越来越多的技术驱动的环境。2。**目标**： - 评估学生在医学教育中的兴趣和感知的相关性。 - 调查大学课程中AI教育的当前状态。3。**方法**： - 这项研究利用定量调查设计来收集阿卜杜勒齐兹国王大学医学生的数据。 - 询问参与者对AI技术及其在医学中的应用的认识，理解和兴趣。 - 有关大学课程中AI教育现状的数据，还通过与教职员工的访谈收集了。4。**结果**： - 大量学生表达了AI在医学实践中的高度兴趣和感知的相关性。 - 但是，这种兴趣与AI相关内容与现有课程的实际集成之间存在明显的差距。5。**讨论**： - 调查结果表明，尽管学生热衷于将AI纳入他们的教育，但他们认为当前的教育计划无法充分解决这些技术进步。 - 这种脱节可能会阻碍未来医学专业人员有效利用和整合AI技术在临床实践中所需的基本技能。6。**含义**： - 这项研究表明，需要进行课程改革，以更好地与学生的兴趣和医疗保健技术不断发展的景观保持一致。 - 紧急呼吁将有关AI应用，道德和实践技能的更全面的培训整合到医学教育中。###道德考虑 - 研究方案得到了阿卜杜勒齐兹国王的研究伦理委员会（REC）的批准。 - 所有参与者在参与之前均提供了知情同意书。 - 遵守有关道德研究实践的沙特阿拉伯法律的数据收集以及国家生物伦理学委员会（NCBE）的指南。＃＃＃ 结论该研究表明，学生对AI的兴趣与其目前的医学教育课程中的兴趣之间存在关键差距。解决此脱节是为准备未来的医疗保健专业人员准备的，这些医疗保健专业人员擅长利用先进技术来增强患者护理并改善医疗保健结果。###建议： - 课程改革，包括对AI应用的更广泛培训。 - 开发跨学科课程，重点是与医学中的AI相关的道德，数据隐私和实践技能。 - 教育机构，行业专家和政策制定者之间的合作，以有效地整合AI教育纳入医学课程。这项研究强调了将教育产品与技术进步和学生兴趣保持一致的重要性，以培养能够利用AI技术来更好的患者护理的准备充分做好准备的未来医疗保健专业人员。＃＃＃ 参考：1。您可以参考文章中提供的有关该主题的进一步阅读的参考文献，例如Almarzouki等人，Guerrero DT等人，Pinto dos Santos d等人的研究，以及其他探索了类似主题的人医学教育和AI整合。该摘要涵盖了研究的主要发现，并强调了其对旨在将人工智能融入医学课程的教育改革的影响。研究
Almarzouki等人发表在BMC医学教育上的Almarzouki等人的文章“评估了沙特阿拉伯医学的人工智能教育之间的脱节和教育之间的脱节”，强调了学生在医学教育中对人工智能（AI）的兴趣之间的巨大差距它目前在教育课程中实施。该研究旨在评估沙特阿拉伯吉达国王阿卜杜勒齐兹大学的医学生中的这种脱节。###文章的要点1。**背景**： - AI技术的快速发展已改变了包括医疗保健在内的各个部门。 - 人们对将AI纳入医学教育的重要性越来越认识到为未来的医疗保健专业人员准备越来越多的技术驱动的环境。2。**目标**： - 评估学生在医学教育中的兴趣和感知的相关性。 - 调查大学课程中AI教育的当前状态。3。**方法**： - 这项研究利用定量调查设计来收集阿卜杜勒齐兹国王大学医学生的数据。 - 询问参与者对AI技术及其在医学中的应用的认识，理解和兴趣。 - 有关大学课程中AI教育现状的数据，还通过与教职员工的访谈收集了。4。**结果**： - 大量学生表达了AI在医学实践中的高度兴趣和感知的相关性。 - 但是，这种兴趣与AI相关内容与现有课程的实际集成之间存在明显的差距。5。**讨论**： - 调查结果表明，尽管学生热衷于将AI纳入他们的教育，但他们认为当前的教育计划无法充分解决这些技术进步。 - 这种脱节可能会阻碍未来医学专业人员有效利用和整合AI技术在临床实践中所需的基本技能。6。**含义**： - 这项研究表明，需要进行课程改革，以更好地与学生的兴趣和医疗保健技术不断发展的景观保持一致。 - 紧急呼吁将有关AI应用，道德和实践技能的更全面的培训整合到医学教育中。###道德考虑 - 研究方案得到了阿卜杜勒齐兹国王的研究伦理委员会（REC）的批准。 - 所有参与者在参与之前均提供了知情同意书。 - 遵守有关道德研究实践的沙特阿拉伯法律的数据收集以及国家生物伦理学委员会（NCBE）的指南。＃＃＃ 结论该研究表明，学生对AI的兴趣与其目前的医学教育课程中的兴趣之间存在关键差距。解决此脱节是为准备未来的医疗保健专业人员准备的，这些医疗保健专业人员擅长利用先进技术来增强患者护理并改善医疗保健结果。###建议： - 课程改革，包括对AI应用的更广泛培训。 - 开发跨学科课程，重点是与医学中的AI相关的道德，数据隐私和实践技能。 - 教育机构，行业专家和政策制定者之间的合作，以有效地整合AI教育纳入医学课程。这项研究强调了将教育产品与技术进步和学生兴趣保持一致的重要性，以培养能够利用AI技术来更好的患者护理的准备充分做好准备的未来医疗保健专业人员。＃＃＃ 参考：1。您可以参考文章中提供的有关该主题的进一步阅读的参考文献，例如Almarzouki等人，Guerrero DT等人，Pinto dos Santos d等人的研究，以及其他探索了类似主题的人医学教育和AI整合。该摘要涵盖了研究的主要发现，并强调了其对旨在将人工智能融入医学课程的教育改革的影响。研究
扩大对人工智能研究的新资助计划
2025-01-30 01:41:00
提供的文本不包含新闻文章或任何可以汇总的连贯内容。请提供一篇适当的新闻文章以进行摘要。
提供的文本不包含新闻文章或任何可以汇总的连贯内容。请提供一篇适当的新闻文章以进行摘要。
用亚马逊基岩自定义模型进口部署DeepSeek-R1蒸馏型美洲驼型号|亚马逊网络服务
2025-01-30 01:10:15
要将诸如DeepSeek-R1（例如DeepSeek-r1）的公开模型导入亚马逊基岩中并利用其特定用例的功能，请遵循以下步骤：###导入DeepSeek-R1蒸馏型的逐步指南#### 1。**了解模型** - **模型概述**：熟悉DeepSeek提供的DeepSeek-R1蒸馏版（DeepSeek-R1-Distill-lllama-70B和DeepSeek-R1-Distill-Lalama-8B）。 - **绩效基准**：回顾将这些模型与基本乳拉的基准相比，以了解其性能指标的基准。#### 2。**设置AWS环境** - ** AWS帐户**：确保您拥有一个AWS帐户，并具有使用亚马逊基石的必要权限。 - ** IAM角色和政策**：设置IAM角色和策略，用于访问基岩，S3（用于模型存储）和CloudWatch（用于监视）。#### 3。**准备模型伪像** - **型号格式**：确认您的DeepSeek-R1模型是由Amazon Bedrock支持的格式（通常是Pytorch或TensorFlow）。 - ** S3存储**：将型号上传到S3存储桶中。#### 4。 - **自定义模型端点**：使用Amazon Bedrock SDK/API的`create_custom_model`端点。``python导入boto3bedrock_client = boto3.client（'Bedrock'，region_name ='us-east-1'）model_details = {'ModelArn'：F'ARN：AWS：BEDROCK：{region}：{account_id}：models/{your_model_identifier}'，'ModelName'：“ DeepSeek-r1-Distill-lalama-8b”，“描述”：“ DeepSeek蒸馏骆驼80亿参数版本。”，'resourcearn'：f'arn：aws：s3 ::: {bucket_name}/{model_key}'，＃s3位置}响应= bedrock_client.create_custom_model（** model_details）打印（响应['modelid']）```````` - **模型版本**：确保您在``MoteName''中包括版本的后缀或标识符来管理模型的不同版本。#### 5。**配置推理设置** - **环境变量和资源**：定义环境变量并指定所需的资源（例如S3存储桶，IAM角色）用于推理。 - **推理配置**：如果需要为模型执行配置自定义设置，请使用`create_inference_configuration`端点。#### 6。**监视器和优化** - ** CloudWatch指标**：使用Amazon CloudWatch设置监视，以跟踪模型性能和用法指标。``pythoncloudWatch_client = boto3.client（'CloudWatch'，region_name ='us-east-1'）响应= cloudwatch_client.put_metric_data（名称空间='Bedrock'，metricdata = [{'metricname'：'推论架'，'方面'： [{'name'：'modelid'，'value'：model_id}，，]，，'timestamp'：dateTime.utcnow（），“价值”：1，'单位'：'count'}，，这是给出的）```````` - **成本优化**：使用AWS成本浏览器来监视与您的自定义模型相关的成本，并根据需要调整并发配额。#### 7。**部署和测试** - **推理端点**：导入模型后，使用`Invoke_model`API来测试推理请求。``python响应= bedrock_client.invoke_model（modelid = model_id，输入= {'正文'：{“ text_inputs”：[“生成此文本的摘要：...”]}，'contentType'：“ application/json”}）打印（响应['结果']）````````#### 8。**评估和迭代** - **绩效调整**：根据现实情况案例不断评估模型性能，并根据需要进行迭代。 - **反馈循环**：实现一个反馈循环，其中使用用户交互来进一步训练和优化模型。###其他注意事项 - **型号版本控制策略**：始终在模型名称中包含版本号或标签，以方便跟踪。 - **监视和可观察性**：利用Amazon CloudWatch进行全面监视部署模型。 - **并发管理**：从保守的并发限制开始，并根据通过监视观察到的实际需求进行扩展。＃＃＃ 结论通过遵循以下步骤，您可以有效地导入并部署强大的公开模型（例如DeepSeek-R1）中的Amazon Bedrock。这种方法使您可以利用模型的功能，同时从AWS的托管基础架构中受益，以实现无缝操作和成本优化。有关更多详细的文档和API参考，请参阅[Amazon Bedrock用户指南]（https://docs.aws.amazon.com/bedrock/latest/userguide/）和相关的SDK。
要将诸如DeepSeek-R1（例如DeepSeek-r1）的公开模型导入亚马逊基岩中并利用其特定用例的功能，请遵循以下步骤：###导入DeepSeek-R1蒸馏型的逐步指南#### 1。**了解模型** - **模型概述**：熟悉DeepSeek提供的DeepSeek-R1蒸馏版（DeepSeek-R1-Distill-lllama-70B和DeepSeek-R1-Distill-Lalama-8B）。 - **绩效基准**：回顾将这些模型与基本乳拉的基准相比，以了解其性能指标的基准。#### 2。**设置AWS环境** - ** AWS帐户**：确保您拥有一个AWS帐户，并具有使用亚马逊基石的必要权限。 - ** IAM角色和政策**：设置IAM角色和策略，用于访问基岩，S3（用于模型存储）和CloudWatch（用于监视）。#### 3。**准备模型伪像** - **型号格式**：确认您的DeepSeek-R1模型是由Amazon Bedrock支持的格式（通常是Pytorch或TensorFlow）。 - ** S3存储**：将型号上传到S3存储桶中。#### 4。 - **自定义模型端点**：使用Amazon Bedrock SDK/API的`create_custom_model`端点。``python导入boto3bedrock_client = boto3.client（'Bedrock'，region_name ='us-east-1'）model_details = {'ModelArn'：F'ARN：AWS：BEDROCK：{region}：{account_id}：models/{your_model_identifier}'，'ModelName'：“ DeepSeek-r1-Distill-lalama-8b”，“描述”：“ DeepSeek蒸馏骆驼80亿参数版本。”，'resourcearn'：f'arn：aws：s3 ::: {bucket_name}/{model_key}'，＃s3位置}响应= bedrock_client.create_custom_model（** model_details）打印（响应['modelid']）```````` - **模型版本**：确保您在``MoteName''中包括版本的后缀或标识符来管理模型的不同版本。#### 5。**配置推理设置** - **环境变量和资源**：定义环境变量并指定所需的资源（例如S3存储桶，IAM角色）用于推理。 - **推理配置**：如果需要为模型执行配置自定义设置，请使用`create_inference_configuration`端点。#### 6。**监视器和优化** - ** CloudWatch指标**：使用Amazon CloudWatch设置监视，以跟踪模型性能和用法指标。``pythoncloudWatch_client = boto3.client（'CloudWatch'，region_name ='us-east-1'）响应= cloudwatch_client.put_metric_data（名称空间='Bedrock'，metricdata = [{'metricname'：'推论架'，'方面'： [{'name'：'modelid'，'value'：model_id}，，]，，'timestamp'：dateTime.utcnow（），“价值”：1，'单位'：'count'}，，这是给出的）```````` - **成本优化**：使用AWS成本浏览器来监视与您的自定义模型相关的成本，并根据需要调整并发配额。#### 7。**部署和测试** - **推理端点**：导入模型后，使用`Invoke_model`API来测试推理请求。``python响应= bedrock_client.invoke_model（modelid = model_id，输入= {'正文'：{“ text_inputs”：[“生成此文本的摘要：...”]}，'contentType'：“ application/json”}）打印（响应['结果']）````````#### 8。**评估和迭代** - **绩效调整**：根据现实情况案例不断评估模型性能，并根据需要进行迭代。 - **反馈循环**：实现一个反馈循环，其中使用用户交互来进一步训练和优化模型。###其他注意事项 - **型号版本控制策略**：始终在模型名称中包含版本号或标签，以方便跟踪。 - **监视和可观察性**：利用Amazon CloudWatch进行全面监视部署模型。 - **并发管理**：从保守的并发限制开始，并根据通过监视观察到的实际需求进行扩展。＃＃＃ 结论通过遵循以下步骤，您可以有效地导入并部署强大的公开模型（例如DeepSeek-R1）中的Amazon Bedrock。这种方法使您可以利用模型的功能，同时从AWS的托管基础架构中受益，以实现无缝操作和成本优化。有关更多详细的文档和API参考，请参阅[Amazon Bedrock用户指南]（https://docs.aws.amazon.com/bedrock/latest/userguide/）和相关的SDK。