2023.03.14文章学习

一、
文章名称：A Review of the Intraoperative Use of Artificial Intelligence in Urologic Surgery
文章链接：https://www.mdpi.com/2563-6499/6/1/5
关键词：计算机视觉、人工智能、人工神经网络
摘要：有重要的研究调查了在膀胱镜检查时使用 AI 辅助诊断膀胱肿瘤的能力，研究表明还能够根据外观对肿瘤进行分级并区分原位癌和不确定病变。在 AI 的帮助下，可以在术中准确识别和诊断肾结石的形态学。各种研究表明，在 AI 的支持下，它能够在外科医生的屏幕上叠加 2D 和 3D 解剖模型，并正确识别重要的解剖标志和手术器械。可以使用 AI 分析所有类型的术中数据，以评估外科医生的表现，预测术后结果，例如前列腺切除术后的失禁，并识别出血和缺血等并发症。
二、
文章名称：AI Agent-Based Intelligent Urban Digital Twin (I-UDT): Concept, Methodology, and Case Studies
文章链接：https://www.mdpi.com/2624-6511/8/1/28
关键词：AI代理、开放人工智能;城市数字孪生 、城市建筑能源建模 
摘要：数字孪生 （DT） 的概念已经扩展到涵盖建筑物和城市，城市建筑能源建模 （UBEM） 通过对个人能源使用和交互进行建模，在预测城市规模的能源消耗方面发挥着至关重要的作用。作为城市数字孪生 （UDT） 中的虚拟模型，UBEM 为可持续城市中的能源管理提供了潜力。然而，UDT 在集成大规模数据和依赖自下而上的 UBEM 方法方面面临挑战。在本研究中，我们提出了一种基于 AI 智能体的智能城市数字孪生 （I-UDT），以增强 DT 的技术实现和 UBEM 的服务功能。将 GPT 集成到 UDT 中，可以有效地集成分散的城市规模数据并提取建筑特征，解决了传统 UBEM 服务实现的局限性。该框架确保虚拟城市模型的持续更新，并在未来的研究中简化向用户提供更新信息的过程。这项研究建立了 I-UDT 的概念，并为未来的实施奠定了基础。案例研究包括首尔 3500 座建筑物的 （1） 数据分析、（2） 预测、（3） 特征工程和 （4） 信息服务。通过这些案例研究，对 I-UDT 进行了整合和分析，预测了能源消耗，得出了条件面积，并对建筑物进行了基准测试。
三、
文章名称：Optimizing Agent Behavior in the MiniGrid Environment Using Reinforcement Learning Based on Large Language Models
文章链接：https://www.mdpi.com/2076-3417/15/4/1860
关键词：强化学习、人工智能、大型语言模型
摘要：强化学习是人工智能领域最突出的研究领域之一，在开发在复杂环境中自主做出决策的代理方面发挥着至关重要的作用。本研究提出了一种使用大型语言模型 （LLM） 在 MiniGrid-Empty-5x5-v0 环境中优化代理行为的方法。通过利用 LLM 的自然语言处理能力来解释环境状态并选择适当的动作，本研究探索了一种不同于传统强化学习方法的方法。实验结果证实，基于 LLM 的代理可以有效地实现其目标，并且预计最大限度地发挥 LLM 和强化学习之间的协同作用将有助于开发更智能和适应性更强的 AI 系统。