AI专业为何火爆？关键可能在于我们自身
高考结束之际，几乎总会出现同一个疑问。哪个专业最具发展潜力？每一年的答案似乎都在变化。回溯二十余载，许多人青睐英语，缘于入世带来的全球化机遇；随后金融行业升温，资本盛宴开启；紧接着互联网浪潮涌动，计算机专业持续升温。而今年，志愿填报的热议中，“人工智能”已成为绕不开的关键词。之前曾问一位朋友，孩子考得如何？她叹道，考了六百多分，随即给我展示了一段手机视频，全程记录了查分过程。看着屏幕上她一家人的表情，从紧绷到激动，再到颤抖，最后孩子与她紧紧相拥，泪水滑落。我未曾快进。后来试着分析当时的心情：除了纯粹的喜悦
AI填报志愿热潮背后：我们究竟在追寻怎样的确定？| 无尽夏 · 短评
无尽夏[“总有人十八岁”]当我们在讨论“最优志愿”时，内心深处真正渴望的究竟是什么？短评AI填志愿热度攀升，但人生抉择不应被“最优答案”束缚|你的夏天|近期，随着各地高考成绩相继揭晓，AI志愿填报工具又一次成为社会关注焦点。从高校推荐到专业解析，从录取概率估算到就业趋势研判，多家平台试图借助算法为考生锁定“最优答案”，部分宣传中频繁打出“用最低分数冲刺顶级院校”“一键定制最优志愿方案”等旗号。在信息日益完备、算法愈发精确的当下，人们似乎比以往任何时候都更接近人生的“最优答案”。然而，当越来越多人期待依托算
押注本土AI，为何仍需对冲？
hedge英 /hedʒ/ · 美 /hedʒ/v. 规避风险；对冲；措辞委婉n. 树篱；防御策略《经济学人》的 By Invitation 栏目邀请外部专家撰稿。2026 年 6 月 18 日的文章《How Europe must respond to America's AI warning shot》探讨欧洲人工智能发展：在美国限制获取前沿模型后，欧洲需构建本土模型，同时也应正视本土路径可能遭遇失败。原文表述如下：While supporting serious homegrown attempts
AI时代，如何培养孩子的幸福力
我有个朋友，是研究社会学的，最近跟我吵了一架。起因是我说了一句：“现在的孩子越来越不开心了。”他说：“不是不开心，是没有意义。你热衷于心理学，所以总把事情往个人心理上归因，但这个问题不是心理问题——是结构问题。”"我当时想反驳，但他下一句话把我打住了：“你想想，以前的人为什么没那么痛苦？不是因为以前更幸福，是因为以前不需要思考‘我为什么活着’——答案已经替你准备好了。你是什么家庭、什么阶层、什么性别，你一辈子做什么，基本都有人给你写好了剧本。你只需要演就行。”“现在呢？剧本没了。AI又把舞台给拆了
AI预测集体崩盘！比利时遭伊朗逼平，算法世界杯再遭重创
全员力挺比利时，结果颗粒无收，人工智能遭遇本届最大规模预测失败 北京时间6月22日凌晨3点，2026年世界杯小组赛上演焦点对决——比利时迎战伊朗。 赛前，这被普遍视为一场实力悬殊的较量。一方是欧洲足坛老牌豪门比利时，具备更为成熟的战术体系和更为星光熠熠的阵容；另一方则是以铁血防守闻名于世的伊朗。 在联想集团与咪咕视频联袂打造的《世界杯预测人机大战》节目中，12家大模型也呈现出高度一致的看法：无一例外看好比利时全取三分。没有一家AI预判双方握手言和，更没有一家AI认为伊朗能够爆冷。人工智能阵营罕见地形成了—
企业首选RPA，AI并非万能
记录此刻所想所感！开篇：来啦~~我又开始随性书写啦 ~今日的文章，是在忙碌纷乱的周一，为放松心绪而作。不经意间，翻起往日的RPA资料，心中不禁感慨万千！在如今AI大行其道的时代，RPA机器人流程自动化，依然是适配toB企业业务场景的顶级利器之一。AI人工智能固然出色，确实能化解诸多行业难题，特别是AI编程技术迅猛更新，其发展速度着实惊人。AI幻觉现象虽在逐渐减少，但到目前为止仍无法根除AI幻觉的顽疾。至于toB企业的财务管控，具备强确定性的刚需特征，采用RPA机器人流程自动化来应对，较之AI更为稳妥可靠。
当我们与AI对话时
尽管当前的人工智能并不理解自己输出的内容，但它已经展现出惊人的能力。原因何在？因为研发者捕捉到了语言运行的某些模式，或者说窍门。但从使用者的角度来看，我们对沟通的期待值本来就不高。如果你当过老师，就会意识到，你认为简单明确的提问，学生给出的回应却千奇百怪。反过来，我们向老师请教，又有多少次获得了想要的答案？老师往往先数落你几句才进入正题。过去的伪智能，很容易被我们察觉答非所问，那么，只要别太出格，我们其实也发现不了这种答非所问的情况。因为我们日常也在答非所问。有人会说，我伴侣最了解我。那是不是一次次的说到
CMES 专辑征稿：AI赋能下的岩土灾害风险评估
随着城市化进程加快、气候环境变化及人类活动加剧，滑坡、泥石流、地面沉降及地震等地质灾害频发，且破坏力日益增强。此类灾害往往表现出强非线性、多源不确定性以及多尺度耦合特征，导致传统物理模型难以精准描绘其复杂机理。得益于计算智能、人工智能及数据驱动建模的飞速进步，岩土灾害的预测、预警及风险决策迎来了全新契机。机器学习、深度学习、物理约束神经网络以及多源数据融合等手段，正深刻改变着地质灾害研究的传统范式。尽管如此，模型的可解释性、泛化性能、不确定性量化以及物理规律融合等关键问题，仍需我们进行更深层次的探索与研究
AI 浪潮下，什么才是立身之本？
外甥女正值大四毕业季，是就业、考研还是出国深造？看似选项众多，实则充满变数。虽未深谈，但能隐约感知到孩子内心的焦虑。我们正置身于一个史无前例的变革时期——产业升级加速、岗位结构重塑、AI 技术迭代迅猛。面对这般世界，未来之路究竟在何方？或许真正的答案在于：学会拥抱未来的不确定性，并主动构建应对它的能力。接纳未知 我们所有的焦虑，多源于对“确定性”的过度执着。心理学将其称为“认知闭合需求”——大脑宁愿接受一个错误答案，也不愿处于未知的悬空状态。然而，不确定才是未来的常态。“抗拒越深，痛苦越甚；接纳越深，自由
千禧年难题的宇宙学新解：爱因斯坦与老子的智慧交汇
千禧年难题全解析 www.preprints.org/manuscript/202507.2187/v1作者我个人的看法是这样的，纵观历史，有两个人具备担任合格的评审人，一位是爱因斯坦，一位是老子。其他人也许具备浮现几何体真理图景的想象力，或具备非凡的数学直觉，但他们无一例外，都缺少“上帝之眼”，在“外部”洞察整体宇宙。老子完全具备这样的上帝之眼，也完全洞悉阴阳宇宙的运行规则，但道家对此秘学长期隐藏，仅为屈指可数的人能够得到口授或心传。爱因斯坦具备这样的上帝之眼，但从未接触阴阳宇宙的动态演化，若有所闻，他
AI的局限性与Agent Skill的稳定性保障
无论是LLM（大语言模型）还是CNN（卷积神经网络），它们均属于神经网络范畴，核心在于概率统计与函数逼近（拟合）。因此，防止其“发疯”至关重要，尽管这听起来像玩笑。在实际应用中，我们必须规避或预估AI输出的不确定性。鉴于不同行业对确定性的诉求各异，AI的落地难度与进度自然参差不齐。在处理多步骤流程自动化时，绝不能当甩手掌柜，必须布设监控节点以捕捉异常并纠错。试想，若某流程需5个AI决策，单点准确率虽达90%，但最终准确率恐不足60%。故而，Agent引入Skill的核心价值在于确保结果的稳健性，并对AI的
AI 越普及，你的价值越凸显
上周我请 AI 协助梳理一份报价分析。原本需耗时两小时的工作，它仅用五分钟便完成。文档排版整洁，数据准确无误，甚至连我惯用的对比图表都已排列妥当。我凝视屏幕良久。此刻并非喜悦，而是恐慌。这种恐慌并非源于"AI 真强大"的赞叹，而是源于"这类工作不再需要我"的寒意。我从业七年，报价分析本是我的看家本领。当基本功被五分钟取代，我的价值何在？先别急着自我宽慰。这份焦虑，并非无中生有。AI 确实正在取代那些确定性工作。输入明确、输出可预测的任务，它既迅速又廉价。编写代码、制作表格、
中医能否搭上AI这趟车
在人工智能飞速发展的当下，各行各业都在经历深刻变革，西医和中医领域同样在探索AI的应用场景。比如西医领域的智能诊断系统，以及中医方面的智能脉诊技术。然而在我看来，AI与西医的契合度明显更高。西医的各项检查指标都有明确的参考区间，诊疗方案也相对规范统一，强调的是精准与确定，这些特点使得AI介入相对简单。相比之下，中医面临的情况要复杂得多。中医体系存在着显著的不确定性，不同地域、不同传承的医家往往各具特色，诊疗效果很大程度上取决于医者个人的学识积累和临床经验。此外，中医强调四诊合参，望闻问切需要医患之间进行面
深度解析：AI 如何重塑软件工程范式
机械、化工、电力、自动化及通讯，这些工程领域看似迥异，但审视其发展历史，会发现一个共性：它们的成功均依赖于“消耗能源，将人脑参与的低阶认知回路固化为物理装置”。无论是蒸汽机的离心调速器、化工厂的恒温与压力调节器、电网的调度设备，还是流水线上的 PLC，其本质如出一辙：将原本需要人工监控、调整和判断的任务，交由燃烧煤炭或消耗电力的设备自动完成。人类因此从主控制回路中抽离，退居至设计、维护及维修等后方岗位。这便是控制论在工程领域最早的实现路径。其核心成果并非单纯“节省了多少劳动力”，而是大规模消除了不确定性—
AI可解释交互：HCI申博新赛道解析
VOL.483近年来，大语言模型的迭代速度已远超人类对其运作机制的认知深度。ChatGPT、Claude、Gemini以及各类AI智能体已能胜任写作、编程、数据分析乃至辅助决策，但一个日益凸显的困境是：用户往往无法理解AI为何给出特定回复，也不清楚何时应该采纳其建议。这正是人机交互（HCI）领域正在迅速崛起的研究方向：AI可解释交互。许多人会误以为可解释AI（XAI）属于机器学习范畴，但实际上，人机交互顶级学术会议近年来的关注重点已悄然转移："解释"本质上是否属于交互设计议题？换言之，核心问题已从“模型内