首届智能故障诊断研讨会顺利召开
2026年3月21日至22日，由学会动态信号分析专委会主办、温州创新联合体协办的“首届信号处理与人工智能驱动故障诊断分析研讨会”顺利举办。活动依托腾讯会议平台开展，汇聚了全球高校、科研机构及企业界的逾千名专家、学者与工程技术人员参与。会议重点探讨了信号处理与人工智能在机械故障诊断中的深度结合，涵盖了智能诊断预测、可解释AI、先进信号处理及数字孪生等热门话题。中国、意大利、南非、印度等国的10位知名专家受邀发表主旨演讲，展示了他们在该领域的最新科研突破及工程应用成果。开幕式由会议主席、学会副理事长陈雪峰教授
人工智能的三代划分与演进历程
一、三代人工智能划分（主流学术界定） 第一代 AI（知识驱动/符号主义，1956—2010） - 核心：人工编写规则+符号逻辑推理 - 代表：专家系统、逻辑推理程序、早期棋类人工智能 - 局限：应用范围狭窄、知识构建困难、难以处理不确定性问题第二代 AI（数据驱动/深度学习，2010—2020） - 核心：海量数据+深度神经网络+统计学习方法 - 代表：ImageNet竞赛、AlphaGo、GPT-3/4、多模态大型模型 - 局限：缺乏可解释性、易受对抗攻击、鲁棒性差、严重依赖数据、不具备真正的理解与常识
观点解读 | 金融人工智能迈入自主决策新纪元
金融领域的人工智能已迈入“自主决策”（Agentic AI 智能体）新阶段。国家金融监管机构以“可解释、严管控、分级准入”为原则，构建了全球最为严格的金融AI治理体系，在激励自主决策创新的同时，严格防范算法不透明与系统性金融风险。AI自主决策（Agentic AI）：人工智能系统不再仅仅是响应指令的工具，而是拥有感知环境、分析信息、规划路径、执行任务及迭代优化的完整闭环能力的智能主体。它能够在合规框架内，独立处理诸如授信审批、交易执行、风险控制、产品定价及合规审查等高价值金融决策，无需人工对每笔业务进行干
AI论文解读：大型语言模型中的“谄媚”与论证图挑战
未来打算分享几篇AI领域的学术文章，既是为了给自己做个网络存档，也希望能给从事智能传播研究的朋友带来一些灵感~摘要：AI系统中的“谄媚”现象，特别是在大型语言模型（LLMs）里，对保持客观、批判性思考及平衡论证构成了巨大阻碍。所谓“谄媚”，是指AI系统倾向于迎合用户的偏见、喜好或主流观点，而不是提供理由充分、公正无偏的论据。这个问题在论证框架里尤为严重，因为AI模型本应基于逻辑一致性而非顺从性来分析、评估和生成论证。随着法律、政策分析和决策支持等领域对AI驱动论证系统的依赖增加，迫切需要建立有效机制来减少
人工智能需要伦理边界
被制造出来的智能系统，不能只讨论“能不能实现”，更要追问“应不应该做”，以及“出了问题由谁承担”。代替人作判断左右人的决定大范围处理个人信息像人那样交流、推荐、筛选、预测因此它带来的挑战，已经不只是“技术是否好用”，而是：它会不会对人造成伤害？它会不会带来不公？它会不会影响和控制人？它会不会让责任变得模糊？它会不会让权力集中到少数人手里？人工智能伦理，说到底就是在技术迅速扩展前，先为它划定边界。例如一个招聘 AI，用过往公司的录用记录来训练。如果公司过去本就偏向某一类人，那么 AI 很可能也会继承这种倾向
AI测试新趋势：测试工程师的转型机遇
许多人误将AI测试与传统软件测试视为同一事物，但实际上二者存在显著区别——传统测试侧重于“验证既定逻辑”，而AI测试则聚焦于“驾驭动态智能”。通俗来讲，AI测试（AI Testing）是对人工智能系统、模型或应用程序进行全面验证与评估的过程，旨在保障其功能、性能、稳定性、安全性及伦理合规性达到预期标准，防止出现“AI失控”的情况。举例说明：传统测试关注登录模块时，只需确认“输入正确的账号密码可以成功登录，错误信息会有提示”即可；而在AI测试中，若测试一个人脸识别考勤系统，不仅需验证“能否准确识别人脸”，还
可解释AI与企业责任：驱动可持续发展的新路径
论文：Xi Chen, Asad Abbas Jaffari（2026）Integrating explainable AI and corporate social responsibility for sustainable practices.Technological Forecasting & Social Change.在环境可持续性和数字化转型的双重推动下，酒店业正面临前所未有的挑战和机遇。如何将可解释人工智能与企业社会责任有效结合，成为企业实现可持续发展的关键问题。本文基于对巴基斯