中小企业可以在实现气候目标方面发挥关键作用。中小企业在总体上有着巨大的碳足迹，但它们也可以通过创新和致力于使用环保实践来为实现净零排放做出贡献。这项研究开发了一种新的指标来识别环境参与，也称为“绿化”。该研究利用机器学习的力量，分析了来自15个经合组织国家的100多万个公司网站的内容，这些网站包含约100亿个单词。绿化是根据公司在其网站上自行申报的产品或工艺信息来识别的。然后根据公司的特点对得出的指标进行评估。结果表明：（1）约有三分之一的中小企业参与环保活动，尽管各国之间存在相当大的差异；（2） 与非绿色中小企业相比，绿色中小企业生产率更高，工资更高，销售额增长更快；（3） 太阳能是绿色中小企业中引用最多的行动，其次是回收和能源效率，（4）过去十年温室气体减排量较高的部门也表现出更高的环境参与水平。
空军部（DAF）正在努力开发和部署用于任务区和支持职能的人工智能和机器学习系统，包括人力资源管理。最近的发展改善了组织对数据和分析工具的访问，为他们提供了一系列可能的ML项目
在过去的几十年里，美国各地越来越多地使用绿色雨水基础设施。在一些地方，城市在这类基础设施上投入了大量资金，以减少城市洪水并管理水质。与传统的灰色基础设施相比，绿色雨水基础设施还为周围社区提供了各种共同利益。这些共同的好处包括减少城市热岛效应、改善水质和增强美观性。本报告介绍了对美国五个城市的绿色雨水基础设施资产数据进行的基于机器学习的探索性分析结果。在每个城市中，作者根据周围地区的人口和土地利用特征评估了已安装的绿色雨水基础设施的位置。该分析的目的是了解当地围绕绿色雨水基础设施投资的情况。这项评估可以帮助城市了解这些投资目前的共同利益潜力，以及未来规划如何提高绿色雨水基础设施的共同利益
根据Gartner，股份有限公司软件工程炒作周期，2023年，变革技术，包括人工智能增强软件工程（AIASE）、人工智能编码助理和平台工程，将在2-5年内进入主流。
人工智能（AI）和生物技术的融合虽然处于起步阶段，但带来了重大的机遇和风险，需要积极的政策来管理这些新兴技术。尽管人工智能继续具有重大和广泛的影响，但当与其他新兴技术相结合时，其相关性和复杂性会放大。机器学习（ML）是人工智能的一个子集，尤其是与基因编辑（GE）的融合，可以带来巨大的好处，也可以带来从道德到国家安全的巨大风险。这些复杂的技术对多个部门都有影响，从农业和医学到经济竞争和国家安全。考虑到不同地理区域的技术进步和政策，以及多个组织的参与，进一步混淆了这种复杂性。随着ML和GE影响的扩大，需要前瞻性政策来降低风险和利用机遇。因此，本研究探讨了ML和GE交叉的技术和政策影响，重点关注美国、英国、中国和欧盟。对一段时间以来技术和政策发展的分析以及对其现状的评估为政策建议提供了依据，这些建议有助于管理技术进步的有益利用及其融合，并可应用于其他部门。本报告旨在促使决策者思考如何最好地实现这两种技术的融合。技术从业者也可能发现，作为一种资源，考虑利益相关者参与的信息和政策类型是很有价值的
RIKEN 量子计算中心的研究人员利用机器学习对量子计算机进行纠错——这是使这些设备实用化的关键一步——使用自主校正系统，尽管该系统是近似的，但可以有效地确定如何最好地进行必要的校正。 与只能采用基本值 0 和 1 的比特运行的经典计算机不同，量子计算机在“量子比特”上运行，可以假设计算基础状态的任何叠加。与量子纠缠（另一种超越经典方式连接不同量子位的量子特性）相结合，使得量子计算机能够执行全新的操作，从而在大规模搜索、优化问题和密码学等一些计算任务中产生潜在优势。 将量子计算机付诸实践的主要挑战源于量子叠加的极其脆弱的性质。事实上，例如，无处不在的环境所引起的微小扰动会产生错误，从而迅速破坏量子叠加态，从而使量子计算机失去优势。 为了克服这个障碍，已经开发了复杂的量子纠错方法。虽然理论上它们可以成功地抵消错误的影响，但它们通常会带来设备复杂性方面的巨大开销，而设备复杂性本身就容易出错，因此甚至可能增加出错的风险。因此，全面的纠错仍然难以实现。 在这项工作中，研究人员利用机器学习来寻找纠错方案，以最大限度地减少设备开销，同时保持良好的纠错性能。为此，他们专注于量子纠错的自主方法，其中巧妙设计的人工环境取代了频繁执行错误检测测量的必要性。他们还研究了“玻色子量子位编码”，例如，这种编码可在一些目前最有前途和最广泛的基于超导电路的量子计算机中使用。 在玻色子量子位编码的巨大搜索空间中寻找高性能候选者是一项复杂的优化任务，研究人员通过强化学习（一种先进的机器学习方法）来解决这个任务，其中代理探索可能的抽象环境来学习和优化其行动策略。研究小组发现，与其他提出的编码相比，一种令人惊讶的简单、近似的量子位编码不仅可以大大降低设备复杂性，而且在纠正错误的能力方面也优于竞争对手。 该论文的第一作者曾业雄表示：“我们的工作不仅展示了将机器学习应用于量子纠错的潜力，而且还可能使我们离在实验中成功实现量子纠错更近了一步。” Franco Nori 表示：“机器学习在解决大规模量子计算和优化挑战方面可以发挥关键作用。目前，我们正在积极参与多个集成机器学习、人工神经网络、量子纠错、量子容错的项目。”
世界可能还记得2022年是生成人工智能（AI）年：这一年，大型语言模型（如OpenAI的GPT-3）和文本到图像模型（如稳定扩散）标志着社交媒体操纵潜力的巨大变化。经过对话优化的LLM（如ChatGPT）可以大规模生成自然的、听起来像人的文本内容，而开源的文本到图像模型可以生成任何东西（真实或想象）的真实图像，并且可以大规模生成。利用现有技术，美国的对手可以建立数字基础设施，制造真实但不真实的（虚假）内容，这些内容可能会助长类似的真实但不虚假的网络人物形象：推特、Reddit或脸书上的账户，这些账户看起来是真实的，但却是合成的，由生成的人工智能和为这些政府利益服务的先进叙事推动。
