《模式识别与人工智能》第39卷 第1期
智慧起航，共创未来论文与报告面向无监督磁共振图像配准的多窗口多层感知机特征金字塔网络于寒1, 孙正1,2, 张胜楠1, 高章硕1, 丁港澳11.华北电力大学 电子与通信工程系 保定 071003; 2.华北电力大学 河北省电力物联网技术重点实验室 保定 071003摘要:无监督磁共振图像(Magnetic Resonance Imaging, MRI)配准的主流方法通常基于卷积神经网络或Transformer架构,但二者均存在明显局限:卷积神经网络受局部感受野限制,难以建模长距离依赖;Transforme
谷歌组建精英团队强化代码大模型
据三位内部消息人士披露，谷歌已组建由科研人员与工程技术人员构成的专项工作组，致力于提升其人工智能代码模型性能，旨在实现更多内部代码工作自动化，并最终推动人工智能研究的自主化发展。其中两位知情人士称，此举部分受到人工智能企业Anthropic近期推出新模型的影响。谷歌深度思维的研究团队评估认为，Anthropic的代码工具在编程能力方面已领先于谷歌的Gemini模型。该项目的核心目标是达成人工智能自主迭代升级，即人工智能能够自我优化，这也是谷歌联合创始人谢尔盖·布林重点关注的方向。布林曾向员工强调，提升谷歌
人工智能学习机制的演变
第三章：AI中的学习我们之前探讨过AI中的知识本质——简单来说就是人类语言的空间结构和规律特征。AI通过压缩与提炼过程，从互联网海量文本中捕捉到人类语言的空间结构与常见规律。我之前提到生成式AI的训练分为预训练和后训练两个阶段，真正决定AI能力上限的是预训练阶段。预训练看似复杂，其实质就是完形填空。通过对互联网数据进行大规模的完形填空训练，AI掌握了人类语言的空间结构和内在逻辑，这正是AI能够根据你的开头续写全文的原因。由于编程语言属于人类广义语言的子集，AI因此能够生成代码。只要你使用的术语和编码属于人
智慧之问 · 开篇 AI的诞生与演进
人工智能三杰在前文论述中，得出这样一个结论：人类被束缚在符号的枷锁里。无论是将世界强行定义为B=B的逻辑闭环，还是凭经验去衡量那只“弹性容器”，都无法触及其本质——名与实之间，总是隔着一道难以消弭的鸿沟。面对这种深层次的“名实隔阂”，存在这样一类思路：既然无法参透，那就造一个看似“更超然”的存在——它无需承受感知带来的波动，无需被情感所困扰，无需在语言的漂移中反复跌倒；只要依托结构，便能推导；只要进行运算，便能给出结论。这并非人工智能出现的全部根由，却可能是其中最隐匿的一类渴望：寻觅一种途径，替我们承担思
21个AI核心技术名词精解
AI对话、智能绘图、无人驾驶……这些热门概念背后的技术本质究竟是什么？本文梳理了21项人工智能核心技术术语，为您全面解析。【1】机器视觉（CV）：计算机视觉旨在赋予机器“看懂”世界的能力，主攻从图像、视频等多维信息中自动捕获、解析并理解有价值的内容，进而完成场景重构、目标定位、动态追踪与分类识别等高阶任务。这是实现环境视觉感知的核心技术之一。【2】语音识别与合成（ASR & TTS）：自动语音识别技术将声波信号转换为文字内容，整合声学建模、语言建模与发音词典进行联合解码。语音合成则反向操作，从文字
高薪诚聘：AI原生产品负责人与大模型算法工程师
01AI原生产品负责人职位定位我们专注于工业视觉行业，正在寻找一位具备丰富AI原生产品打造经验、深谙工业视觉痛点的核心成员。以AI作为产品的核心驱动力而非附加功能，聚焦工业视觉场景（如缺陷检测、尺寸测量、视觉引导、分拣识别等），主导工业视觉AI原生新产品从0到1的创新孵化与落地，为团队注入前沿思路，推动工业视觉业务实现从“传统算法自动化”到“AI原生智能化”的跨越式发展，成为公司工业视觉AI原生产品创新的核心推动者。主要工作职责1.新产品策划与规划：深度洞察AI技术（大模型、Agent、RAG、视觉大模型
收藏!百份AI军事智能防务研究报告汇总
精选!【DARPA终身学习机器（L2M）】《自主系统中用于感知和行动的终身学习》美空军、宾大2022最新234页技术报告《多智能体交互的深度强化学习》爱丁堡大学10余位作者2022最新论文《以无人机为核心的海军力量投射新纪元》最新报告欧洲、威慑与远程打击能力精选!全面了解美陆军AI布局 |《人工智能的战场应用》130页报告人机协同：《基于强化学习的有人-无人飞机编队任务规划： 敌方防空压制（SEAD）任务》最新论文《综述：多智能体系统（MAS）中的任务分配技术》美国空军项目支持精选!《人工智能在武器系统中
AI家族辈分解析:人工智能、机器学习、深度学习的包含关系
日常交谈中随意提及的"这个AI真聪明"，实际上可能并非你真正所指的人工智能技术。"哎呀，这个AI好智能啊！"——刷到一个精准的视频推荐，看到一张以假乱真的AI绘画，你或许会这样感叹。但你知道吗，你随口夸的"AI"，可能根本就不是"人工智能"，而是它的"儿子"或"孙子"。如今，人工智能（AI）、机器学习（ML）、深度学习（DL）这三个词就像时尚潮流一样随处可见，但它们之间的关系却让很多人一头雾水。今天，我们就来彻底掰扯清楚，帮你终结混淆！在深入之前，我们先来扫个雷。根据资料显示，大多数人最容易混淆下面两点：
人工智能核心技术：构建智能时代的底层架构
无论是自动驾驶精准感知路况、大模型实现自然对话交互，还是AI生成动漫画面、工业检测实现自动化，人工智能已全面融入生产生活的各个角落，成为引领新一轮科技革命与产业变革的核心动力。人工智能并非单一技术，而是基于感知-理解-决策-生成-执行闭环逻辑构建的完整技术体系，其中计算机视觉、自然语言处理、机器学习与深度学习、语音技术、知识图谱与多模态AI这五大核心技术方向，共同构成了人工智能的底层基石，为万千AI应用的落地与创新提供了支撑。
AI赋能脓毒症多组学研究与精准诊疗
摘要关键词：脓毒症；人工智能；机器学习；多组学；精准医学脓毒症作为一种危及生命的临床综合征，其核心特征在于显著的异质性和复杂的宿主与病原体相互作用机制。尽管传统的机制性研究已识别出若干关键分子通路，但仍难以捕捉该疾病高度动态、多因素交织及系统层面的本质。高通量组学技术的兴起，尤其是整合了基因组学、转录组学、蛋白质组学与代谢组学的综合性多组学方法，通过实现跨生物层次的分子扰动全景式剖析，深刻重塑了脓毒症的研究范式。然而，多组学数据集前所未有的规模、维度与异质性，已远超传统统计方法的分析能力，迫切需要更先进的
AI迈向AGI亟需突破十大瓶颈
7月26日，2025世界人工智能大会期间，被誉为"深度学习之父"、荣获图灵奖与诺贝尔奖的杰弗里·辛顿，围绕"数字智能是否将替代生物智能"这一主题展开演讲。辛顿表示，绝大多数专家都认同，人类终将打造出超越自身智慧的AI系统。这些系统或将如成人引导幼童般影响人类行为，其风险堪比驯养猛虎。因此，探索如何培育无害于人类的AI技术至关重要。MINIMAX创始人兼CEO闫俊杰认为："倘若AGI时代来临，其达成路径必然依托AI企业与用户的协同共建。同时，AI模型或AGI的归属权理应由AI企业及其广大用户共同持有，而非由
AI心电图模型筛查房颤风险获多中心验证
房颤作为一种普遍的心律紊乱，会明显提升脑卒中和心衰的危险性。该病症往往表现为隐匿性或间歇发作，给临床确诊带来挑战。及早发现尚未诊断或新发的房颤病例，并迅速启动口服抗凝疗法，可显著减少卒中事件。基于此，研发有效的筛查手段来甄别高风险群体，对临床实践具有重要价值。4月7日，Tempus AI公司的Christopher M. Haggerty作为通讯作者，在《Heart Rhythm》期刊发表了题为《人工智能心电图模型预测1年内心房颤动或扑动风险的多中心验证》的研究论文。此项研究共收集了三个不同医疗中心的40
AI演进里程碑概览
• 1950年：图灵测试由艾伦·图灵首次提出，旨在评估机器是否具备类人智能表现。• 1956年：达特茅斯会议举行，约翰·麦卡锡（John McCarthy）在此创立了“人工智能”这一概念。• 1966年：ELIZA作为最早的聊天机器人诞生，运用了自然语言处理技术。• 1972年：PROLOG语言出现，对计算语言学和AI研究产生重大影响。• 1980年代：专家系统开始流行，在医疗、金融等领域广泛用于辅助决策。• 1987—1993年：AI领域进入“寒冬期”，关注度和资金投入均大幅减少。• 1997年：IBM
医学影像AI破局指南：4大前沿方向与顶会创新思路
从事医学影像AI研究的研究人员，是否经常遇到这些难题？采集数百例MRI数据后，仅标注一套T1序列便需占用放射科医生半小时，且不同医师的标注结果存在分歧；历经艰辛训练出Dice系数达0.95的模型，一旦投入临床便遭遇滑铁卢——运动伪影、设备差异等因素瞬间导致模型性能骤降；尝试将T1、T2、FLAIR等多序列融合时，却因配准困难、分辨率不匹配等问题产生相互干扰……这些挑战本质上源于两大核心瓶颈：复杂病灶定位困难，跨模态信息整合不易。针对这些瓶颈，哪些研究路径具备真正的创新价值？哪些方向更易产出高水平学术成果？
AI进家庭，云鲸逍遥001重塑清洁机器人
步入AI生活的入口，从扫地机这一载体起步。一切皆可AI化，生活将紧密相连。当凯文·凯利畅想“下一个是什么”的未来图景时，我们更加笃定，一个由AI技术主导的世界正不可逆转地降临。然而，将宏大的未来趋势具象为微观的现实生活，是一条漫长的探索之路。最具体的生活往往源自琐碎的日常。AI在现实世界的落地，大众感知最直接的渠道，或许是那些更贴近生活的清洁电器。当清洁电器迈入AI时代，又会呈现何种面貌？何为科技？科技就是那些在过去异想天开，今天勉强为之，未来却习以为常的事物。这一点，在与地板的“战争”中体现得淋漓尽致。