日常

【阅】本周阅读摘选2024-04-01 → 2024-04-07

Posted by Cao Zihang on April 8, 2024 Word Count:
本周阅读摘选
2024-04-01 → 2024-04-07
目录

学术相关

Generative AI to quantify uncertainty

Real-time decision support for human-machine interaction in digital railway control rooms1

The Network Origins of Entry2

Predicting multiple observations in complex systems through low-dimensional embeddings3

AI for social science and social science of AI: A survey4

Towards explainable artificial intelligence through expert-augmented supervised feature selection5

The Market Dynamics of Collective Ignorance and Spiraling Risk6

U型关系 & U型关系中调节效应的Checklist

img

img

Consuming Regardless of Preference: Consumers Overestimate the Impact of Liking on Consumption7

Attribute latencies causally shape intertemporal decisions8

Measuring Willingness to Pay: A Comparative Method of Valuation9

Two-stage Information Spreading Evolution on The Control Role of Announcements10

优化丨社交网络建模：个体如何在群体中形成观点–DeGroot model分享

业界动态

TOD案例丨新加坡如何规划轨道站点10分钟邻里社区？——《滨海南城市设计指南（2023）》

新加坡城市规划官方网站

Marina South Urban Design Guide 原文

  • 新加坡整体情况

img

  • 滨海南社区概况

滨海南社区面积约45公顷，南北长约800米，东西宽约500米，范围由一圈城市干路界定，在规模上，其确实与中国的一个10分钟生活圈相仿。

社区内部主要有地铁汤申东海岸线（汤东线TEL，全长43公里，设31个车站）的两个站——滨海南站（社区南部）和滨海花园站（社区中部）。

新加坡在此处的规划属于典型的TOD社区。

TOD社区，即Transit-Oriented Development社区，是指以公共交通为导向的发展模式。这种模式是一种基于“土地利用—城市交通”互动关系，围绕地铁、轻轨或快速公交线路站点周围进行的土地开发模式。

在TOD模式下，站点周边400~800m的土地区域内（大约5~10分钟的步行时间）进行合理规划，使其呈现出站区高密度建设、土地紧凑开发、用地结构复合化的土地开发形式，最终发展成集商业、办公、居住等一体化的功能混合区，并提供一个良好的步行和自行车出行的慢行交通环境。

这种模式的优势在于可以解决交通拥堵和用地不足的现状，创建绿色交通系统，减少对环境的影响，提升商业效益，助力城市高质量发展，并改变城市发展格局。通过在城市近郊区实施TOD综合开发，可以形成新的交通枢纽、商业中心和生活中心，构建多中心城市发展新格局。

  • 高密度

社区45万平方米范围内，预计将有115万平方米，毛容积率达2.5，预计提供1万套住房，供3万人居住，人口毛密度约650-700人/公顷（万平方米）。

高密度条件下，高房价可以产生很高品质的小区景观环境和室内装修，但是社区层面的空间品质却往往很一般。所以提升的方向不是局限在商业综合体的形体、高层住宅建筑的立面与立体绿化、底层商业立面美化等建筑层面的表面工作，也不是继续对私人住宅小区内部空间的过度设计管控，而是应该注重住宅小区外部的公有空间——步行街、道路、公园——的体系层面的提升。

  • 高密度环境下提升空间品质
    • 汽车减量街区CAR-LITE PRECINCT
    • 步行商业街Pedestrian Mall

汽车减量街区

围绕轨道站点建设10分钟邻里社区在空间上最核心的就是构建社区层面的高品质的步行化的公共空间体系。其中，要解决好大量汽车挤占生活空间的问题就很关键，这就需要在片区层面引入人车平面分离的规划理念，系统性地排除汽车对生活空间的干扰。

Car-Lite Precinct理念的终极目的是倡导减少汽车使用，创造一个居民可以自由散步、儿童可以自由奔跑的社区

社区空间结构层面的核心策略是在平面上分离人、车的使用空间，社区中心是步行专用空间，排除汽车，让汽车行驶的空间远离社区中心

image-20240408122552218

城意笔记作者李建智、洪晓苇提供的简化示意图

img

  • 地铁站位于街区内部

  • 步行空间（步行商业街）围绕地铁站点形成鱼骨状的步行专用空间主轴，完全排除汽车

  • 社区外部边界是常规的车行主干路，注重绿化

    image-20240408125357646

  • 邻里街道Neighborhood Street人车共街，为少量汽车提供必要的同行

步行商业街

该社区的核心公共空间是Pedestrian Mall，全长800米，连接2个地铁站，承担社区主要商业和日常服务。

image-20240408125032434

步行商业街两侧设计一层底商，提供生产活动的AGUs

AGUs（Activity Generating Units）指的是活动产生单元，这是一个用于描述和量化城市中不同功能区域产生交通需求的概念。通过识别和量化AGUs，城市规划师可以更好地理解城市中的活动分布和流动情况，从而制定更合理和有效的城市规划策略。AGUs的分析有助于确定城市中的热点区域，预测未来的交通流量、人流分布和用地需求，为城市基础设施和公共设施的规划提供依据。

步行商业街采用立体结构，地下二层为地铁线路，地下一层为地下商业街

image-20240408130354047

社区规划为建筑物边缘设计了3种模式，其中步行商业街两侧建筑采用阶梯退线的模式，在绿植、绿化方面也有相应设计

image-20240408130607169

image-20240408130750256

2023年9月丨对话Dify.AI联创延君晨：浪漫的反馈机制是人机交互的价值所在

2023年5月9日，Dify.AI正式上线生产环境，至2024年4月8日在Github上收获了19.1k Stars，Dify.AI云服务平台上构建了超过13万大语言模型应用，成为全球排名前三的LLM Infra大语言模型基础设施产品。

这篇文章基于2023年9月2023 GOSIM大会期间对Dify.AI联合创始人延君晨的采访，GOSIM开源创新汇对数据进行了更新和观点补充。

Dify.AI在2023年3月开始立项，2023年5月11日发布第一个版本，同时在GitHub开源。半年内，平台公有云服务上累计部署了7万余应用，开源版本部署了4万余实例。

Dify最开始定位是LLM Ops产品，团队认为随着LLMs普及，很多应用开发者会产生基于LLMs的产品运营、数据分析、构建数据飞轮等需求，希望以此作为创业的切入点。

但在构建的过程中，团队发现以现阶段LLMs技术的成熟度，Ops的需求还比较远，在后来在产品迭代中，产品定位逐步演进为一个AI应用技术栈或者应用开发框架。

Dify团队大部分成员来自腾讯云DevOps Coding团队，包含2个产品经理、十余个开发和两三个运营，总计不到20人组成了Dify团队。团队目前采用技术驱动为主导的方式。

现行的生成式AI通常需要提示词的方式提供上下文，但这里Dify团队重点关注了上下文空间分配和设计交互方式两个问题。

2023年主流的大语言模型上下文空间通常是32k~100k（目前已经达到10MB左右），在这一空间内，通常需要提供系统级提示词（对LLMs的限制、推理要求等），因此真正留给用户的空间有限，虽然这个限制会随着技术发展拓展，但理论上存在拓展上下，因为过大的上下文会导致注意力不集中，间接导致性能下降。对此，Dify实现了RAG Pipline，包含了从向量数据库中召回与用户本次输入信息相关的文本块、用户的上下文记忆（如与用户的聊天记录等）。

对于没有接触过LLMs的用户，Prompt的交互方式并不友好，目前的方式仍然是让人适应机器，而非机器适应人。Dify尝试在产品设计层面抽象出一个结构层，在提示词分配过程中，通过一些用户友好的交互方式，把用户的一些基础信息（身份、偏好等）作为一个结构，拼凑提示词。另外一方面，Dify也试图在交互形式上进行创新。本质上，用户仍然给出的是那些文字，但文字如何编排、结构化，如何询问文字都存在技巧。

Dify有$\frac{1}{3}$的代码和超过一半的产品原型都是通过LLM完成的，包括Dify的名字。Dify 一词源自 Define + Modify，意指定义并且持续改进你的 AI 应用，它是为你而做的（Do it for you）。Dify.AI 的目标是让开发者（甚至非开发者）可以快速基于大型语言模型搭建出有用的东西，并确保它是可视化、可运营、可改进的。

Dify.AI产品路线图

image-20240408134431548

底层接入了绝大多数主流的LLMs。

技术技巧

Python丨Matplotlib主题库

LaTeX丨配置行距

通过配置行距因子调整行距

  • 直接方法

    1

    \linespread{<因子>}\selectfont

  • setspace宏包配置可以同时修改数学公式等间距

    1

    \setsretch{<因子>}

Android端配置python环境

  1. Sobrie, L., & Verschelde, M. (2024). Real-time decision support for human-machine interaction in digital railway control rooms. Decision Support Systems, 114216. https://doi.org/10.1016/j.dss.2024.114216 ↩

  2. Campbell, A., Ushchev, P., & Zenou, Y. (2024). The Network Origins of Entry. Journal of Political Economy. https://doi.org/10.1086/730550 ↩

  3. Wu, T., Gao, X., An, F., Sun, X., An, H., Su, Z., Gupta, S., Gao, J., & Kurths, J. (2024). Predicting multiple observations in complex systems through low-dimensional embeddings. Nature Communications, 15(1), 2242. https://doi.org/10.1038/s41467-024-46598-w ↩

  4. Xu, R., Sun, Y., Ren, M., Guo, S., Pan, R., Lin, H., Sun, L., & Han, X. (2024). AI for social science and social science of AI: A survey. Information Processing & Management, 61(3), 103665. https://doi.org/10.1016/j.ipm.2024.103665 ↩

  5. Rabiee, M., Mirhashemi, M., Pangburn, M., Piri, S., & Delen, D. (2024). Towards explainable artificial intelligence through expert-augmented supervised feature selection. Decision Support Systems, 114214. https://doi.org/10.1016/j.dss.2024.114214 ↩

  6. Pellandini-Simányi, L., & Barnhart, M. (2024). The Market Dynamics of Collective Ignorance and Spiraling Risk. Journal of Consumer Research, ucae018. https://doi.org/10.1093/jcr/ucae018 ↩

  7. Yoon, H., & Meyvis, T. (2024). Consuming Regardless of Preference: Consumers Overestimate the Impact of Liking on Consumption. Journal of Consumer Research, ucae021. https://doi.org/10.1093/jcr/ucae021 ↩

  8. Chen, F., Zheng, J., Wang, L., & Krajbich, I. (2024). Attribute latencies causally shape intertemporal decisions. Nature Communications, 15(1), 2948. https://doi.org/10.1038/s41467-024-46657-2 ↩

  9. He, S., Anderson, E. T., & Rucker, D. D. (2024). Measuring Willingness to Pay: A Comparative Method of Valuation. Journal of Marketing, 88(3), 50–68. https://doi.org/10.1177/00222429231195564 ↩

  10. Ren, J., Nian, F., & Yang, X. (2024). Two-stage Information Spreading Evolution on The Control Role of Announcements (arXiv:2402.16416). arXiv. http://arxiv.org/abs/2402.16416 ↩

CATALOG
    FEATURED TAGS
    消费者行为 日常 深度学习 学习笔记 可视化 数智化营销 复杂科学 市场调研 研究方法 世界趋势 仿真与决策 日常工具 LLMs 数据科学 机器学习 资料 AB测试 供应链管理 城市科学 推荐系统