全部新闻
Sanas攻击AI，以实时更改呼叫中心的工人口音|TechCrunch
2025-02-19 17:00:00
对语音和言语识别技术的需求正在增长，到2027年可能达到281亿美元。成立于2020年的Sanas使用AI实时调整扬声器的口音，同时保持其情感和身份。该公司已筹集了超过6500万美元的资金，其估值超过5亿美元。萨纳斯计划开发新算法，在全球范围内扩展，并建立大约150人的团队。尽管对潜在的质量口音面临批评，但萨纳斯旨在通过其技术来减少歧视。
对语音和言语识别技术的需求正在增长，到2027年可能达到281亿美元。成立于2020年的Sanas使用AI实时调整扬声器的口音，同时保持其情感和身份。该公司已筹集了超过6500万美元的资金，其估值超过5亿美元。萨纳斯计划开发新算法，在全球范围内扩展，并建立大约150人的团队。尽管对潜在的质量口音面临批评，但萨纳斯旨在通过其技术来减少歧视。
Caixabank概述了50亿欧元的人工智能意图|每周计算机
2025-02-19 16:15:35
Caixabank作为其50亿欧元的名为Cosmos的战略计划的一部分，将大力投资于人工智能（AI），以增强客户服务和内部运营。该计划包括在三年内雇用1,000名IT员工，并旨在利用AI来更好地数据分析，过程自动化和改进的决策。此外，Caixabank将使用对话式AI协助员工和客户，与银行业的更广泛趋势保持一致，以增加AI的采用。
Caixabank作为其50亿欧元的名为Cosmos的战略计划的一部分，将大力投资于人工智能（AI），以增强客户服务和内部运营。该计划包括在三年内雇用1,000名IT员工，并旨在利用AI来更好地数据分析，过程自动化和改进的决策。此外，Caixabank将使用对话式AI协助员工和客户，与银行业的更广泛趋势保持一致，以增加AI的采用。
有史以来最大的AI生物学模型按需写DNA
2025-02-19 16:09:36
科学家发布了EVO-2，这是对从人类到单细胞生物的128,000个基因组进行培训的最大生物学AI模型。能够生成整个染色体并理解现有的DNA，包括与疾病相关的非编码基因变体，EVO-2可以通过Web接口或可下载的软件访问。该模型是由ARC研究所，斯坦福大学和NVIDIA的研究人员开发的，可以预测遗传突变的影响并有助于鉴定引起疾病的患者基因组变化。在形成结论性意见之前，研究人员乐观但正在等待独立验证。
科学家发布了EVO-2，这是对从人类到单细胞生物的128,000个基因组进行培训的最大生物学AI模型。能够生成整个染色体并理解现有的DNA，包括与疾病相关的非编码基因变体，EVO-2可以通过Web接口或可下载的软件访问。该模型是由ARC研究所，斯坦福大学和NVIDIA的研究人员开发的，可以预测遗传突变的影响并有助于鉴定引起疾病的患者基因组变化。在形成结论性意见之前，研究人员乐观但正在等待独立验证。
与Muse一起推进游戏构想：第一世界和人类行动模型（WHAM）
2025-02-19 16:05:46
您的团队发行和出版Muse标志着生成AI领域的重要里程碑，尤其是关于视频游戏中人类游戏动态的重要里程碑。以下是您分享的一些要点和含义：1。**出版和发行：** - 您的作品在自然界发表，这是一本著名的科学杂志。 - 缪斯举重，WHAM演示器工具和样本数据的开源发布可供社区探索。2。**模型功能：** - 缪斯可以生成遵守游戏物理和规则的一致游戏序列。 - 它在从相同的初始提示中产生各种可能的结果展示了多样性，反映了不同的玩家行为或视觉元素。 - 该模型还通过将用户修改整合到生成的序列中来显示持久性。3。**评估指标：** - 使用FVD（Fréchet视频距离）评估一致性，以将生成的视觉效果与真实的游戏录像进行比较。 - 通过Wasserstein距离量化多样性，将模型生成的序列与人类游戏录音进行了比较。 - 持久性展示了缪斯如何将修改纳入其输出。4。**技术改进：** - 高分辨率图像编码器（300x180像素）已实现，以提高视觉质量。 - 较大的模型和在所有七个出血边缘地图上的扩展表明框架的可扩展性和鲁棒性。5。**研究贡献：** - 这项研究为未来的基于AI的游戏体验铺平了道路，包括游戏玩法和新颖的互动功能。 - 它支持Xbox同事在探索视频游戏中生成AI模型的创新用例中。6。**未来的前景：** - 开源版本使研究人员和开发人员能够在这项工作的基础上进行构建，从而在不同的游戏环境和场景上扩展其应用程序。 - 潜在的探索领域包括将缪斯与其他创意工具集成，增强游戏设计过程或开发新形式的交互式内容生成。7。**社区影响：** - 通过释放权重并演示如何使用WHAM演示者，您正在培养可以集体进步的协作环境。 - 这可能会导致AI生成的游戏玩法的应用程序和改进，从而使开发人员和最终用户都受益。总体而言，您与Muse的合作不仅为学术研究做出了重大贡献，而且为游戏行业的实践创新奠定了基础。该项目的开源性质尤其值得注意，因为它使获得最先进技术的访问权限并加速了游戏生成AI的协作进展。
您的团队发行和出版Muse标志着生成AI领域的重要里程碑，尤其是关于视频游戏中人类游戏动态的重要里程碑。以下是您分享的一些要点和含义：1。**出版和发行：** - 您的作品在自然界发表，这是一本著名的科学杂志。 - 缪斯举重，WHAM演示器工具和样本数据的开源发布可供社区探索。2。**模型功能：** - 缪斯可以生成遵守游戏物理和规则的一致游戏序列。 - 它在从相同的初始提示中产生各种可能的结果展示了多样性，反映了不同的玩家行为或视觉元素。 - 该模型还通过将用户修改整合到生成的序列中来显示持久性。3。**评估指标：** - 使用FVD（Fréchet视频距离）评估一致性，以将生成的视觉效果与真实的游戏录像进行比较。 - 通过Wasserstein距离量化多样性，将模型生成的序列与人类游戏录音进行了比较。 - 持久性展示了缪斯如何将修改纳入其输出。4。**技术改进：** - 高分辨率图像编码器（300x180像素）已实现，以提高视觉质量。 - 较大的模型和在所有七个出血边缘地图上的扩展表明框架的可扩展性和鲁棒性。5。**研究贡献：** - 这项研究为未来的基于AI的游戏体验铺平了道路，包括游戏玩法和新颖的互动功能。 - 它支持Xbox同事在探索视频游戏中生成AI模型的创新用例中。6。**未来的前景：** - 开源版本使研究人员和开发人员能够在这项工作的基础上进行构建，从而在不同的游戏环境和场景上扩展其应用程序。 - 潜在的探索领域包括将缪斯与其他创意工具集成，增强游戏设计过程或开发新形式的交互式内容生成。7。**社区影响：** - 通过释放权重并演示如何使用WHAM演示者，您正在培养可以集体进步的协作环境。 - 这可能会导致AI生成的游戏玩法的应用程序和改进，从而使开发人员和最终用户都受益。总体而言，您与Muse的合作不仅为学术研究做出了重大贡献，而且为游戏行业的实践创新奠定了基础。该项目的开源性质尤其值得注意，因为它使获得最先进技术的访问权限并加速了游戏生成AI的协作进展。
用于建模传染病流行病的人工智能
2025-02-19 16:05:37
所提供的文本似乎是书目参数以及与人工智能，机器学习，传染病建模和公共卫生领域的各种研究和文章有关的参考。以下是从这些参考文献中提取的一些关键点：1。** AI和机器学习模型**： - 几篇论文讨论了有关预测流行病的AI和机器学习模型的进步（例如，Garza＆Mergenthaler-Canseco的“ Nixtla：TimeGpt-1”）。 - 像SEQ2SEQ替代流行模型的一项研究一样，探索了如何使用这些模型促进贝叶斯推断。 - 使用GPT-4及其技术报告（OpenAI等人）等语言模型的使用突出了自然语言处理在预测分析中的整合。2。**公共卫生影响评估**： - 一项关于“美国公共卫生影响枢纽的影响”的研究，讨论了如何使用模型来评估不同方案对公共卫生的影响。3。**传染病建模和遏制策略**： - Mehrjou等人诸如“ Pyfectious：一个个人级别的模拟器”之类的论文，旨在发现对流行病的最佳遏制政策”，专注于开发了解和减轻感染性疾病传播的工具。4。**流行病学方法和数据分析**： - 诸如专注于估计病例死亡比率的研究（“ Ghani等人的新型，新兴的传染病的病例死亡率的方法”提供了重要的流行病学数据。5。**预测和监视**： - 通过基于图的主动学习改善疾病监测的研究（TSUI等人）突出了优化公共卫生监测的创新方法。6。**通用生物医学AI系统**： - Tu等人的NEJM AI文章“ to通用生物医学AI”讨论了用于生物医学应用的多功能和通用AI系统的开发。7。**道德考虑和数据共享**： - 讨论了大流行过程中数据共享义务的数据互惠，团结和道德限制的问题（Silva＆Smith）。8。**模型校准和概括**： - 诸如van Calster等人的“校准：预测分析的阿喀琉斯高跟鞋”之类的论文强调了模型校准对提高预测精度的重要性。这些参考文献概述了AI，机器学习及其在公共卫生和传染病管理中的当前研究趋势。
所提供的文本似乎是书目参数以及与人工智能，机器学习，传染病建模和公共卫生领域的各种研究和文章有关的参考。以下是从这些参考文献中提取的一些关键点：1。** AI和机器学习模型**： - 几篇论文讨论了有关预测流行病的AI和机器学习模型的进步（例如，Garza＆Mergenthaler-Canseco的“ Nixtla：TimeGpt-1”）。 - 像SEQ2SEQ替代流行模型的一项研究一样，探索了如何使用这些模型促进贝叶斯推断。 - 使用GPT-4及其技术报告（OpenAI等人）等语言模型的使用突出了自然语言处理在预测分析中的整合。2。**公共卫生影响评估**： - 一项关于“美国公共卫生影响枢纽的影响”的研究，讨论了如何使用模型来评估不同方案对公共卫生的影响。3。**传染病建模和遏制策略**： - Mehrjou等人诸如“ Pyfectious：一个个人级别的模拟器”之类的论文，旨在发现对流行病的最佳遏制政策”，专注于开发了解和减轻感染性疾病传播的工具。4。**流行病学方法和数据分析**： - 诸如专注于估计病例死亡比率的研究（“ Ghani等人的新型，新兴的传染病的病例死亡率的方法”提供了重要的流行病学数据。5。**预测和监视**： - 通过基于图的主动学习改善疾病监测的研究（TSUI等人）突出了优化公共卫生监测的创新方法。6。**通用生物医学AI系统**： - Tu等人的NEJM AI文章“ to通用生物医学AI”讨论了用于生物医学应用的多功能和通用AI系统的开发。7。**道德考虑和数据共享**： - 讨论了大流行过程中数据共享义务的数据互惠，团结和道德限制的问题（Silva＆Smith）。8。**模型校准和概括**： - 诸如van Calster等人的“校准：预测分析的阿喀琉斯高跟鞋”之类的论文强调了模型校准对提高预测精度的重要性。这些参考文献概述了AI，机器学习及其在公共卫生和传染病管理中的当前研究趋势。
现在可通过Nvidia bionemo获得生物分子科学的大型基础模型
2025-02-19 16:02:40
现在，科学家可以使用EVO 2，这是一种开创性的AI模型，旨在理解所有生命领域的遗传代码的基因组数据。EVO 2由ARC Institute和Stanford University使用NVIDIA DGX Cloud Platform开发，可在NVIDIA Bionemo平台上使用NVIDIA NIM Microservice，可轻松部署。经过近9万亿个核苷酸的训练，它可以预测蛋白质结构，鉴定新分子并评估基因突变影响。研究人员认为，EVO 2可以通过实现更快，更有效的生物设计过程来彻底改变医疗保健，环境科学以及更多。
现在，科学家可以使用EVO 2，这是一种开创性的AI模型，旨在理解所有生命领域的遗传代码的基因组数据。EVO 2由ARC Institute和Stanford University使用NVIDIA DGX Cloud Platform开发，可在NVIDIA Bionemo平台上使用NVIDIA NIM Microservice，可轻松部署。经过近9万亿个核苷酸的训练，它可以预测蛋白质结构，鉴定新分子并评估基因突变影响。研究人员认为，EVO 2可以通过实现更快，更有效的生物设计过程来彻底改变医疗保健，环境科学以及更多。
微软的Majorana 1芯片雕刻量子计算的新路径 - 来源
2025-02-19 16:02:31
微软在创建和测量主要粒子方面的突破标志着拓扑量表的发展是一个重要的里程碑，这对于能够解决能够解决古典计算机无法有效处理的复杂问题的可伸缩量子计算机至关重要。主要进步包括：1。**发现Majorana颗粒**：微软成功地创建了Majoraana颗粒，外来的准粒子在特定条件下（二胺和超导性）从某些材料中出现。这些粒子对于拓扑量子计算至关重要，因为它们可以以固有抵抗错误的方式存储量子信息。2。**精确的测量技术**：公司已经开发了一种使用微波的方法来精确测量Majorana颗粒状态，从而实现数字控制并简化扩大量子计算机所需的体系结构。3。**简化的体系结构**：与其他量子位不同，基于Majoaranas的拓扑量表可以简单地将其铺有瓷砖，从而降低复杂性并使其更容易扩展系统。4。**量子芯片（Majorana 1）**：Microsoft创建了第一个由拓扑量表提供动力的量子芯片。该芯片既包含Qubits又包含周围的控制电子产品，表明这些外来颗粒可以集成到实用的计算设备中。5。**寒冷的温度**：使用稀释冰箱在极低的温度下稳定下的主要颗粒，这对于维持其存在所需的超导状态是必不可少的。6。**端到端系统集成**：Microsoft围绕其拓扑设备构建了整个生态系统，包括可以与经典计算机和AI系统集成的控制逻辑和软件堆栈。7。**材料科学进步**：该公司的研究涉及开发新材料（砷化胺）和创造Majorana颗粒所需条件的技术，并证明了量子材料科学方面的专业知识。这些进步位置Microsoft位于拓扑量子计算的最前沿，并为构建能够解决现实世界中问题的更强大，可扩展的量子计算机铺平了道路。
微软在创建和测量主要粒子方面的突破标志着拓扑量表的发展是一个重要的里程碑，这对于能够解决能够解决古典计算机无法有效处理的复杂问题的可伸缩量子计算机至关重要。主要进步包括：1。**发现Majorana颗粒**：微软成功地创建了Majoraana颗粒，外来的准粒子在特定条件下（二胺和超导性）从某些材料中出现。这些粒子对于拓扑量子计算至关重要，因为它们可以以固有抵抗错误的方式存储量子信息。2。**精确的测量技术**：公司已经开发了一种使用微波的方法来精确测量Majorana颗粒状态，从而实现数字控制并简化扩大量子计算机所需的体系结构。3。**简化的体系结构**：与其他量子位不同，基于Majoaranas的拓扑量表可以简单地将其铺有瓷砖，从而降低复杂性并使其更容易扩展系统。4。**量子芯片（Majorana 1）**：Microsoft创建了第一个由拓扑量表提供动力的量子芯片。该芯片既包含Qubits又包含周围的控制电子产品，表明这些外来颗粒可以集成到实用的计算设备中。5。**寒冷的温度**：使用稀释冰箱在极低的温度下稳定下的主要颗粒，这对于维持其存在所需的超导状态是必不可少的。6。**端到端系统集成**：Microsoft围绕其拓扑设备构建了整个生态系统，包括可以与经典计算机和AI系统集成的控制逻辑和软件堆栈。7。**材料科学进步**：该公司的研究涉及开发新材料（砷化胺）和创造Majorana颗粒所需条件的技术，并证明了量子材料科学方面的专业知识。这些进步位置Microsoft位于拓扑量子计算的最前沿，并为构建能够解决现实世界中问题的更强大，可扩展的量子计算机铺平了道路。
用于分配加固学习的对手纹状体电路
2025-02-19 16:01:40
Lowet等人在本质上发表的“用于分布强化学习的对手纹状体回路”，对纹状体中的分布加强学习（RL）的神经机制进行了详细研究。这是提供信息的摘要和关键点：###主要发现1。**纹状体神经元编码值预测因子**：研究表明，在纹状体编码值预测因子中，直接径向道路D1多巴胺能神经元和间接pathway d2 gabaergic神经元对分布RL至关重要。2。** D1和D2神经元的反对角色**：-D1神经元（直接途径）倾向于乐观地行动，预测更高的奖励。-D2神经元（间接途径）表现悲观，预测较低的奖励。3。**舔速度响应**： - 抑制或激发D1或D2 MSN会导致动物舔率与分布RL模型下的理论预测一致的动物舔率的变化。4。**模型模拟**： - 该研究使用各种模型（REDRL，基于分数，基于预期的，分类和累积代码）来模拟D1或D2 MSN的扰动如何影响预测的奖励分布。5。**与其他模型的比较**： - REDRL模型预测与实验数据非常匹配，这表明它可以最好地捕获纹状体中观察到的动力学。###关键人物和分析 - **图4-7 **：这些图说明了不同模型如何预测D1或D2 MSN的抑制性或兴奋性操作引起的平均奖励变化。 - **表**：包括REDRL和替代模型之间的详细比较，表明REDRL提供了最适合实验观察结果的比较。###方法论研究人员使用光遗传学技术来操纵D1（直接途径）和D2（间接播音道）纹状体神经元在执行增强学习任务的啮齿动物中。通过抑制或激发这些途径，他们可以观察神经活动的变化如何影响行为结果，例如在奖励预期期间舔率。＃＃＃ 讨论本文将他们的发现与基于非RPE的多巴胺的说明进行了对比，并更广泛地讨论了大脑中概率编码的含义： - **期望与分位数**：作者强调了基于期望的模型和基于分位数的模型之间的区别。 - **多巴胺的非RPE帐户**：他们解决了他们的结果如何挑战或补充有关增强学习中多巴胺信号传导的替代解释。###结论该研究支持一个模型，其中D1和D2神经元在反对方面起作用，分别代表了对预期奖励的乐观和悲观观点。该二元表示为在不确定性下与分配RL原则保持一致的更细微的决策提供了基础。这项研究极大地有助于我们理解如何在神经电路水平，尤其是纹状体内实施复杂的奖励预测和学习过程。###其他资源 - **补充信息**：提供有关模型，方法和讨论的更多详细信息。 - **表**：包括分析中使用的所有线性混合效应模型的规格（补充表1）。为了全面了解这项工作，建议审查全文以及补充材料。
Lowet等人在本质上发表的“用于分布强化学习的对手纹状体回路”，对纹状体中的分布加强学习（RL）的神经机制进行了详细研究。这是提供信息的摘要和关键点：###主要发现1。**纹状体神经元编码值预测因子**：研究表明，在纹状体编码值预测因子中，直接径向道路D1多巴胺能神经元和间接pathway d2 gabaergic神经元对分布RL至关重要。2。** D1和D2神经元的反对角色**：-D1神经元（直接途径）倾向于乐观地行动，预测更高的奖励。-D2神经元（间接途径）表现悲观，预测较低的奖励。3。**舔速度响应**： - 抑制或激发D1或D2 MSN会导致动物舔率与分布RL模型下的理论预测一致的动物舔率的变化。4。**模型模拟**： - 该研究使用各种模型（REDRL，基于分数，基于预期的，分类和累积代码）来模拟D1或D2 MSN的扰动如何影响预测的奖励分布。5。**与其他模型的比较**： - REDRL模型预测与实验数据非常匹配，这表明它可以最好地捕获纹状体中观察到的动力学。###关键人物和分析 - **图4-7 **：这些图说明了不同模型如何预测D1或D2 MSN的抑制性或兴奋性操作引起的平均奖励变化。 - **表**：包括REDRL和替代模型之间的详细比较，表明REDRL提供了最适合实验观察结果的比较。###方法论研究人员使用光遗传学技术来操纵D1（直接途径）和D2（间接播音道）纹状体神经元在执行增强学习任务的啮齿动物中。通过抑制或激发这些途径，他们可以观察神经活动的变化如何影响行为结果，例如在奖励预期期间舔率。＃＃＃ 讨论本文将他们的发现与基于非RPE的多巴胺的说明进行了对比，并更广泛地讨论了大脑中概率编码的含义： - **期望与分位数**：作者强调了基于期望的模型和基于分位数的模型之间的区别。 - **多巴胺的非RPE帐户**：他们解决了他们的结果如何挑战或补充有关增强学习中多巴胺信号传导的替代解释。###结论该研究支持一个模型，其中D1和D2神经元在反对方面起作用，分别代表了对预期奖励的乐观和悲观观点。该二元表示为在不确定性下与分配RL原则保持一致的更细微的决策提供了基础。这项研究极大地有助于我们理解如何在神经电路水平，尤其是纹状体内实施复杂的奖励预测和学习过程。###其他资源 - **补充信息**：提供有关模型，方法和讨论的更多详细信息。 - **表**：包括分析中使用的所有线性混合效应模型的规格（补充表1）。为了全面了解这项工作，建议审查全文以及补充材料。
精神分裂症，AI预测的躁郁症
2025-02-19 16:00:47
由阿尔胡斯大学（Aarhus University）的拉斯·汉森（Lasse Hansen）领导的新研究表明，使用电子健康记录中的常规临床数据，AI可以以合理的精度预测精神分裂症和躁郁症的发作。该研究利用XGBoost机器学习算法，可预测精神分裂症的AUROC得分为80％，双相情感障碍得分为62％。尽管这些结果是有希望的，但在临床环境中实施之前需要进一步验证。
由阿尔胡斯大学（Aarhus University）的拉斯·汉森（Lasse Hansen）领导的新研究表明，使用电子健康记录中的常规临床数据，AI可以以合理的精度预测精神分裂症和躁郁症的发作。该研究利用XGBoost机器学习算法，可预测精神分裂症的AUROC得分为80％，双相情感障碍得分为62％。尽管这些结果是有希望的，但在临床环境中实施之前需要进一步验证。
Wall St. Targets 35％冷却热人工智能库存SMCI -Tipranks.com
2025-02-19 15:28:09
在过去的几年中，超级微型计算机（SMCI）经历了极端波动，价格急剧上升，随后急剧下降。尽管最近有AI需求以及2024财年的收入增长，但SMCI仍面临亚马逊，Google，Microsoft和Dell等竞争对手的巨大挑战，他们正在开发自定义解决方案，以减少对现成产品的依赖。由于持续的会计问题，激烈的竞争以及缺失增长预测的潜在风险，该公司2026年的雄心勃勃的收入目标受到怀疑。分析师建议谨慎，指出缺点的高风险，而与历史高点相比，一些投资者在当前较低的估值倍数中看到了价值。总体而言，SMCI仍然波动，许多分析师建议留在场外。超级微型计算机（SMCI）
在过去的几年中，超级微型计算机（SMCI）经历了极端波动，价格急剧上升，随后急剧下降。尽管最近有AI需求以及2024财年的收入增长，但SMCI仍面临亚马逊，Google，Microsoft和Dell等竞争对手的巨大挑战，他们正在开发自定义解决方案，以减少对现成产品的依赖。由于持续的会计问题，激烈的竞争以及缺失增长预测的潜在风险，该公司2026年的雄心勃勃的收入目标受到怀疑。分析师建议谨慎，指出缺点的高风险，而与历史高点相比，一些投资者在当前较低的估值倍数中看到了价值。总体而言，SMCI仍然波动，许多分析师建议留在场外。超级微型计算机（SMCI）