评分3.0

丹道至尊

导演:田沁鑫

年代:2014 

地区:欧洲 

类型:其他 穿越 悬疑 古装 

主演:未知

更新时间:2024年11月08日 23:32

原标题:2024中国航空产业大会暨南昌飞行大会

早期人工智能研究者认为,机器可以通过对符号的操作实现对人类思考(理性行为)的模拟,即让机器像人类那样思考,无需考虑身体和环境。他们把人工智能定义为模拟人类的智能行为,除了模拟思考之外,还包括感知、动作,以及情感与灵感等。由于他们认为思考和身体、环境是分离的,因此在模拟这些行为时,是各自独立进行,没有考虑行为之间的相互联系。人工智能的另一学派内在主义,主张人工智能应该模拟人类大脑的工作原理,我们通常称之为类脑计算。这个学派也没有考虑思考、感知与身体的关系。因此传统人工智能中的两大学派都属于离身智能。

人工智能的发展历史,经历过三个阶段。第一代人工智能提出以知识与经验为基础的推理模型,通过这一模型来模拟人类的思考。这一模型具有可解释性与可理解性的优点,但由于知识表示与获取的困难,该模型在应用和产业化上受到很大限制。第二代人工智能提出数据驱动的模型,通过基于大数据的机器学习,实现对人类感性和情感行为的模拟。由于模型的图像、语音等输入数据来自客观世界,因此具有很大的应用潜力,但由于模型本身存在不安全、不可靠、不可信(不可解释)、不可控和不易推广等缺陷,因此应用范围有限。虽然科学家在这期间也进行过模拟人类动作,比如手的操作与脚的步行等研究,但没有将这些研究与思考、感知等其他方面联系起来。总之,这两代人工智能都有很大的局限性,而且只针对特定领域、利用特定模型去解决特定任务。

2020年大语言模型的出现,把人工智能推向新的发展阶段——第三代人工智能。大语言模型具有强大的语言生成能力,使机器能够在开放领域下实现与人类的自由交互,这表明机器已经完全掌握了人类的语言。此事意义重大。正如哲学家维特根斯坦所言:“我的语言界限,就是我的世界界限。”机器一旦掌握了人类的语言,也就在某种程度上理解了人类的世界。大语言模型向通用人工智能迈出了关键一步。

尽管人工智能在语言生成上取得成功,在许多其他任务上还不能实现领域的通用性。比如医疗诊断,目前我们还没有开发出适用于各种疾病的计算机医疗诊断系统。另外,大语言模型只会说(生成语言),不会干(行动)。还有大量的任务,特别是复杂的任务,人工智能目前还无法完成。我们离真正的通用人工智能仍有一定距离,其原因就在于,传统人工智能对人类(大脑)的思考、感知与动作等方面的模拟是相互分开的,而且与环境隔离。具身智能则强调物理身体、环境感知与反馈的重要性,并通过它们实现与外部世界的交互。这正好弥补了传统人工智能的不足春天后母亲心,使机器通过与环境的反复交互,逐渐学习适应环境并优化其决策和行动,不断迭代,完成更多、更复杂的任务,这就是新的学习范式——强化学习。由此可见,具身智能将使人工智能在更广泛的环境下,完成更多的任务,向通用人工智能迈进。

机器人的研究远在人工智能诞生之前。1954年,科学家发明数字控制可编程的机械臂,为现代工业机器人打下基础,也预示着现代机器人的真正诞生。在人工智能的发展过程中,虽然也将模仿人类动作纳入研究范围,但由于当时研究的重点是思考与感知,动作(身体)并没有受到很大关注。后来,机器人研究慢慢形成一个新领域——机器人学,与人工智能中的动作研究同时存在。机器人学研究的范围更宽,也更多关注技术、实际应用和产业化。1986年,移动机器人的先驱罗德尼·布鲁克斯提出了行为主义机器人学的主张,他认为传统的符号主义人工智能过于依赖复杂的推理系统,忽视了身体与环境的互动对智能行为的关键性贡献。可以说,这是在机器人领域首次提出具身智能思想。

其一是推动机器人技术从单一感知(如视觉或触觉)向多模态感知发展。自动驾驶汽车需要在各种气候条件和复杂环境下行驶,全天候的环境感知极为重要。目前除了利用单一的摄像机之外,人们更多地考虑多传感器融合,即除摄像机之外,还要综合利用激光扫描仪、雷达、声呐、卫星定位等不同传感器,以保证感知的可靠性。同样,对机械手来讲,也需要利用触觉、力觉、力矩觉等多传感器的融合,以便在复杂环境下实现复杂操作,比如,装配、抢险救灾、排雷等。

其二是推动机器人技术更加关注软件与硬件的高度整合。为了适应不同工作任务的需求,我们需要设计不同类型的机器人,如为家庭服务的人形机器人,拥有灵巧双手的装配机器人春天后母亲心,拥有特殊功效的仿生机器人等。不同类型的机器人需要不同的控制技术,也会导致不同的学习和感知方式,这反过来又影响机器人形态的设计。这些都属于机器人软硬件协同的问题。

其三,具身智能中的智能体概念对机器人技术也将产生重要影响。根据智能体这一概念,机器人将思考、感知和动作连为一体,既可以在数字世界中也可以在物理世界中完成任务,利用数字世界又可以对物理世界进行仿真,这些对推动机器人的发展意义重大。比如,无人车的实验如果在物理世界中进行,就要受到气候条件、突发事件等诸多因素限制,利用仿真模拟则会大大提高效率,节省时间与费用。利用智能体理论,我们可以让机器人相互之间进行博弈,实现机器的自我进化(迭代),使机器人的性能不断提高。

原标题:单板障碍追逐

研究季节性流感的全球传播模式,对于制定流感防控措施具有重要科学意义。2024年11月8日,复旦大学公共卫生学院余宏杰教授团队关于季节性流感的全球时空传播动态及驱动机制的最新研究成果,以“COVID-19 pandemic interventions reshaped the global dispersal of seasonal influenza viruses”为题,在《科学》(Science)杂志上发表。

面对国际科学难题,余宏杰团队首先从疾病自然史出发,突破对疫情发生规律的已有认知,解析个体和群体的疾病负担,最后确定其特异的传播网络和演化机制。通过前期的深入研究和积累,余宏杰察觉到,COVID-19大流行给所有呼吸道传染病研究带来了“机会”:尽管感染不同呼吸道传染病病原体诱导的特异性免疫不同,但COVID-19大流行期间所采取的非药物性干预措施对其传播的阻断作用是共通的。

余宏杰重点思考这些问题:COVID-19大流行是否会影响季节性流感的全球传播和进化动态?可否重塑季节性流感全球传播和进化的格局?季节性流感何时恢复至大流行前的水平?余宏杰带领团队抽丝剥茧、层层深入开展研究。余宏杰的博士研究生陈志元从描述大流行期间全球季节性流感病毒的活动强度入手,不出意外地发现其整体活动水平显著降低,并且B/Yamagata谱系自2020年3月后似乎“销声匿迹”,但伴随全球针对COVID-19非药物性干预措施的逐步解除,流感病毒的活动水平又逐渐开始恢复。

研究聚焦在重建四个时期“大流行前期(2017年1月-2020年3月)、大流行期的急性阶段(2020年4月-2021年3月)、大流行期的转变阶段(2021年4月-2023年4月)和大流行后期(2023年5月-2024年3月)”的全球季节性流感传播动态。余宏杰表示,团队整合全球流感流行病学监测数据、基因序列数据和人群航空流量数据,将全球分成了12个区域,在贝叶斯系统动力学的框架下重构了四个时期的季节性流感传播模式,并估计了传播的相关参数和潜在驱动因素。

研究结果发现,季节性流感的活动水平和区域间航空流量均经历了“下降后恢复”的过程。区域间航空流量往往代表着长距离的人群移动情况。在时间异质性的系统动力学模型框架下进一步结合基因序列数据,团队发现,区域间航空流量是四个时期全球季节性流感传播的主要驱动因素。通过估计地理进化树中的主干区域,发现大流行期间春天后母亲心,南亚和西亚分别是维持A型流感和B/Victoria循环的关键区域。

本研究识别了全球季节性流感的流行特征和传播关键区域,明确了针对COVID-19的非药物性干预措施对区域流感病毒进化/循环独立性的影响,以及大流行后流感传播模式的稳健恢复以及新型流感毒株起源地的不确定性,强调了加强呼吸道病原体的病毒学和基因监测、及时调整疫苗接种策略和监测方向的重要性。研究结果对未来大流行的综合应对提供了实证依据,将加深大流行情境下对季节性呼吸道病原体传播和进化的理解。

复旦大学公共卫生学院2022级博士生陈志元是此文章的独立第一作者。复旦大学公共卫生学院教授、上海市重大传染病和生物安全研究院与复旦大学附属华山医院感染病科双聘PI余宏杰与牛津大学Moritz Kraemer教授、比利时鲁汶大学Philippe Lemey教授、皇家兽医学院Oliver Pybus教授为共同通讯作者。