


Nouveau titre : L'intelligence artificielle peut créer des conceptions urbaines au-delà des capacités humaines, selon une étude
Imaginez vivre dans une ville fraîche et verte, pleine de parcs, desservie par des trottoirs, des pistes cyclables et des bus qui amènent rapidement les gens aux magasins, aux écoles et aux centres de services en quelques clics et quelques minutes
Ce rêve léger est la quintessence de l'urbanisme, incarné dans le concept de villes à 15 minutes, où tous les besoins et services de base se trouvent à moins de 15 minutes, améliorant la santé publique et réduisant les émissions des véhicules.
Maintenant, l'intelligence artificielle peut aider les urbanistes à réaliser cette vision plus rapidement, avec une nouvelle étude menée par des chercheurs de l'Université Tsinghua montrant comment l'apprentissage automatique peut générer en peu de temps des aménagements spatiaux plus efficaces que ceux que les humains peuvent concevoir.
Les scientifiques de l'Université Tsinghua veulent trouver de nouvelles solutions pour améliorer nos villes, qui deviennent rapidement surpeuplées et concrètes.
Ils ont développé un système d'intelligence artificielle pour résoudre les tâches informatiques les plus fastidieuses en matière d'urbanisme. L'étude a révélé que les plans urbains générés par le système étaient environ 50 % meilleurs que les conceptions humaines sur trois indicateurs : l'accessibilité aux services et aux espaces verts, et les niveaux de trafic
En commençant petit, l'équipe de recherche a demandé à son modèle de concevoir des zones urbaines de seulement quelques kilomètres carrés (environ 3 × 3 blocs).
Après deux jours de formation et en utilisant plusieurs réseaux de neurones, le système d'IA recherche les tracés routiers et les utilisations du sol idéaux pour s'adapter au concept de 15 minutes des villes, des politiques d'aménagement local et des besoins.
Bien que le modèle d’IA des chercheurs possède certaines capacités qui peuvent être étendues à la planification de zones urbaines plus vastes, la conception de villes entières sera plus complexe. Les chercheurs estiment que la rédaction d’un quartier de blocs 4×4 nécessiterait deux fois plus de décisions de planification qu’un bloc 3×3.
Mais automatiser ne serait-ce que quelques étapes du processus de planification peut faire gagner beaucoup de temps : les modèles d'IA calculent certaines tâches en quelques secondes qui prendraient entre 50 et 100 minutes à un planificateur humain.
Les chercheurs notent que l'automatisation des tâches de planification urbaine les plus chronophages pourrait permettre aux urbanistes de se concentrer sur des tâches plus difficiles ou centrées sur l'humain, telles que l'engagement du public et l'esthétique
Au lieu que l'IA remplace les humains, l'équipe de recherche envisage que leurs systèmes d'IA servent d'« assistants » aux urbanistes, où ils peuvent générer des conceptions optimisées par des algorithmes et revues, ajustées et évaluées par des experts humains sur la base des commentaires de la communauté. À quoi ça ressemble : Au lieu que l'IA remplace les humains, l'équipe envisage que ses systèmes d'IA agissent comme des « assistants » pour les urbanistes, générant des conceptions qui sont optimisées de manière algorithmique et examinées par des experts humains sur la base des commentaires, des ajustements et des évaluations de la communauté.
Paolo Santi, chercheur au Massachusetts Institute of Technology (MIT), a noté dans un commentaire sur l'étude qu'une bonne conception est la clé du succèsL'urbanisme, écrit-il, «ne consiste pas seulement à allouer de l'espace pour les bâtiments, les parcs et les fonctions, mais à concevoir un lieu où les communautés urbaines vivent, travaillent, interagissent et, espérons-le, prospèrent à long terme.»
L'équipe de recherche a comparé son flux de travail d'IA à la conception humaine et a constaté que le processus collaboratif augmentait l'utilisation des services essentiels et des parcs de 12 % et 5 % respectivement
Les chercheurs ont également interrogé 100 urbanistes qui ne savaient pas si les plans qu'on leur demandait de choisir étaient générés par des planificateurs humains ou par l'intelligence artificielle. En conséquence, certaines conceptions spatiales d’IA ont remporté beaucoup plus de votes, mais pour d’autres projets, les participants à l’enquête n’ont montré aucune préférence claire.
Bien sûr, le véritable test sera la construction de communautés dans le cadre de ces plans, mesurées en termes de réduction du bruit, de chaleur et de pollution, et d'amélioration de la santé publique, tout en tenant la promesse d'un meilleur urbanisme
Cette recherche a été publiée dans la revue Nature Computational Science
Si vos amis l'aiment, suivez « Savoir quoi de neuf » !
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
