- 博客(204)
- 收藏
- 关注
RSS订阅原创 强人工智能 vs 深度学习：为什么现有大模型还不算 Strong AI？
回到标题中的问题：为什么现有大模型还不算 Strong AI？简单的回答是，因为它们在通用性、自治性和心灵属性三个核心维度上都还远远没有达到 Strong AI 所要求的水平；复杂一点的回答是，因为我们在讨论“强人工智能”时，其实同时在谈三件彼此相关但不完全重合的事情：可计算性与算法边界、认知架构与世界模型、意识与主观体验。大模型无疑在“算法能力”和“任务表现”这两个方面给出了堪称震撼的成绩单，让很多原本遥不可及的应用成为现实；但这并不意味着我们已经跨越了从“强工具”到“强心灵”的那道鸿沟。
2025-11-24 14:47:05
15
原创 强人工智能的理论基石：从图灵机到心灵哲学
在 1950 年那篇经典论文中，图灵并没有直接回答“机器能否思考”这个问题，而是坦率地指出，“思考”一词本身过于模糊，与其争论定义，不如换一个可操作的问题。他提出的“模仿游戏”设想了一个三方参与的对话场景：一个人类提问者，通过文本终端与两个隐藏的应答者交流，其中一个是人，另一个是机器，如果提问者在足够长时间内无法可靠地区分两者，那么图灵认为，我们便可以说“机器会思考”(UMBC CSEE这一转向堪称一记高明的哲学“降维打击”。
2025-11-24 08:51:34
189
原创 强人工智能的三大核心能力：通用性、自治性与自我反思
在关于强人工智能的讨论中，人们往往容易被“是否超过人类”“何时到来 AGI”这类宏大问题所吸引，而忽略了那些真正可以在当下工程实践中推进的关键能力。本文尝试从通用性、自治性与自我反思三大核心能力出发，结合近期开源大模型、Agent 框架以及自反思机制等方面的研究与实践，构建出一幅相对清晰的能力地图。通用性让智能体能够在多任务、多模态、多场景中保持一致而稳健的表现，是强人工智能的“地基”；自治性让智能体从被动工具转变为主动执行者，是强人工智能“活起来”的关键；
2025-11-24 08:23:57
119
原创 《从弱人工智能到强人工智能：概念、边界与技术谱系全解析》
在大模型时代讨论强人工智能，几乎绕不开人工通用智能（AGI）的概念。然而，目前关于 AGI 的定义并不统一。Bowen Xu 在一篇专门讨论 AGI 定义的开源论文中指出，现有文献中对 AGI 的表述从“能够执行任何人类能完成的智力任务”到“能适应开放环境、在资源受限条件下根据一定原则做出决策”的广泛光谱，缺乏共识。arXiv。
2025-11-23 23:28:14
100
原创 奥林匹亚式超智能：以人类心智化解人工超智能控制难题的理论框架解析
最直观的办法是直接指定一套“正确”的价值系统，例如要求超智能遵守某些规则、追求某种明确目标、或最大化某个评价函数。在形式上，这类似于把传统伦理学的某种理论——功利主义、康德式义务论、权利本位理论等——编码进系统，让它成为系统的“道德内核”。但一旦走到实践细节，这条路径会立刻遭遇哲学界早已熟知的困难。首先，伦理学内部本身就不存在被广泛接受的唯一答案，不同理论之间的冲突甚至构成了哲学研究的主要内容之一。选择功利主义或权利论，本身就是高度争议的价值判断。
2025-11-23 22:49:21
478
原创 类比推理：走向 AGI 的核心能力——《Analogical reasoning as a core AGI capability》深度解读与理论重构
论文在给出主张之前，先给出一个相对朴素但具有代表性的类比定义：类比是对两个对象或者两个对象系统进行比较，强调它们在某些方面被认为是相似的；类比推理则是在这一被认可的相似基础上继续推断，把源域中的结构、关系或结论迁移到目标域。这里有两个细节尤为重要。第一，“对象系统”的提法强调，类比往往不是在比两个孤立实体，而是在比两个结构化整体——例如把太阳系类比成原子模型，把法律制度类比成机械系统，把公司的组织结构类比成网络等等。
2025-11-23 20:32:24
688
原创 走向通用智能的大语言模型：具身、符号落地、因果与记忆的统一认知视角
如果真要靠大语言模型（LLM）走向人工通用智能（AGI），缺的到底是什么？arXiv作者的态度很明确：今天的多模态大模型已经很强，但“聪明得很表面”，距离真正的“通用智能”还差一大截。
2025-11-23 20:02:07
803
原创 具身智能：打通通用人工智能之路的技术与理论总览
综合整篇论文，可以看到作者想传达的核心信息并不是“具身智能是 AGI 的众多候选路径之一”，而是更强的一种判断：**如果我们认真对待 AGI 这个目标，那么某种形式的具身智能几乎是不可避免的。**原因不在于“机器人很酷”，而在于 AGI 所要求的通用性、生态有效性和长期演化能力，天然地指向一个必须与环境闭环交互的系统。从工程视角看，具身智能要求我们重新设计 AI 系统的架构：从只关注模型性能的“离线推理引擎”，转变为关注感知—决策—行动—反馈全链路表现的“在线适应体”；
2025-11-23 11:13:29
505
原创 通用人工智能（AGI）全景探秘：从科幻走向现实的技术革命
在 AGI 讨论中，首先必须厘清“通用”与“智能”两个关键词。根据 Legg & Hutter (2007) 所提出的“通用智能（Universal Intelligence）”定义，智能可被理解为“在一类可能的环境中执行任务并取得优异表现的能力”。GitHub) 在这一框架下，AGI 被看作是具备广泛任务适应性、而非仅限某个领域的 AI 系统。
2025-11-23 10:44:01
907
原创 人工超级智能（ASI）：从科幻奇点到文明拐点
回顾半个多世纪以来围绕超级智能的讨论，我们可以看到一个相当清晰的轨迹：从 Good 对“智能爆炸”的早期直觉，到 Bostrom 对路径与风险的系统化分析，再到 Yudkowsky、Russell 等人对控制问题和对齐范式的深入挖掘，学界和思想界已经为我们提供了一整套思考框架。2020s 年代的大模型浪潮和前沿 AI 的快速进展，则把这些理论从遥远未来推到了现实议程上，让“人工超级智能”从一个抽象哲学话题变成牵动政治、经济与文化的现实问题。
2025-11-21 10:53:38
592
原创 人工智能的起源、发展、现代应用与未来发展趋势
站在2025年的时间节点回望和前瞻，我们既见证了人工智能从萌芽走向繁荣的非凡历程，也深刻认识到其未来道路上的机遇与挑战并存。人工智能的起源与发展史告诉我们，每一次技术范式的更替都凝聚着人类的智慧创新和不懈探索。从符号AI到机器学习再到深度学习，AI实现了一次又一次质的飞跃。如今，人工智能的应用早已超越实验室，深入医疗、金融、工业、交通、教育等诸多领域，为经济社会带来巨大效益。但AI技术并非中性的工具，它所引发的伦理和治理问题需要我们慎重应对。
2025-11-21 10:18:34
989
原创 人工超级智能的伦理边界：从全球风险视角重读《The ethics of creating artificial superintelligence》
人类是否应该在地球上发展 ASI？论文给出的回答是谨慎而开放的否定–条件句：在当前人类面临多重存在性威胁、治理结构严重滞后、对齐技术尚不成熟的前提下，贸然冲向 ASI 是极不负责任的；但与此同时，只要我们仍旧停留在一个被气候危机、地缘冲突、公共卫生与经济脆弱性多重包围的世界里，就很难简单地说“彻底放弃 ASI 是最安全的选择”。换句话说，ASI 同时是一种“放大风险的技术”和“一种可能唯一能够处理某些极端风险的技术”。
2025-11-21 08:51:42
191
原创 从“AI 学习者”到“AI 消费者”：计算机专业学生 AI 伦理与政策态度的系统画像与理论反思
在日常舆论中，我们谈 AI 伦理与治理时，习惯从三个角度展开：一是技术公司和研发团队如何“负责任创新”，二是政府如何制定监管政策，三是普通公众如何应对 AI 带来的社会冲击。但是，恰恰有一群人常常被忽视：正在高校里学习计算机科学、机器学习和数据科学的学生。未来十到二十年中，大量关键 AI 系统将由他们设计、部署并维护，他们今天对 AI 的理解、价值判断以及对政策的态度，都会在看不见的地方折射到未来技术体系的“性格”上。Weichert 等人发表于 2025 年的开源论文。
2025-11-20 14:58:19
804
原创 走向“可持续智能生物系统”：AI 与机器人可持续性的统一伦理框架解读
回到最初的问题：当我们谈论“AI 与机器人的可持续性”时，到底在谈什么？Tamborini 的这篇论文给出的回答是：我们不应该满足于把可持续性当成一个可以在宣传材料中反复出现的形容词，也不应该把它视为可以通过某几条“最佳实践清单”就能落实的技术指标。相反，我们需要把可持续性理解为一个在生态价值、技术实践理性和社会正义之间保持张力的多层次结构，而 AI 和机器人作为“智能生物系统”的一部分，必须在这一结构中被整体审视。
2025-11-20 11:20:55
634
原创 《从“原则清单”到心理现实主义：全球语境下AI伦理的文化响应式转向》
从“负责任AI”“可信赖AI”“AI 治理”“信任与安全”，到各国政府、国际组织、科技公司发布的一系列原则、准则与框架，似乎只要把“透明、公平、隐私、问责”几项价值写进文件，AI 就可以自动变得“更有伦理”。相反，它要求 AI 伦理学者、政策制定者和技术从业者，放下对“一次性解决方案”的期待，转而投入到艰苦的跨学科合作与长期实证研究中：在不同文化中做田野，在不同组织里做访谈，在不同项目上做跟踪，在规范反思与经验研究之间来回往返。因此，把他们的意见当作“某文化整体的声音”，本身就是一种过度简化与象征化。
2025-11-20 11:04:15
665
原创 多峰差分进化算法的理论进展：从生态位到机器学习融合
Chauhan 等人的工作为多峰差分进化提供了一幅相对完整的研究全景：一方面回顾了 DE 在参数自适应与结构利用上的主流演化路线；另一方面，从生态位、聚类、变异与混合、机器学习、多层与多目标等多个主题对近年的 MMDE 文献进行了系统归类；最后在应用与实验分析的基础上，提出了一系列开放问题。对于希望在 优快云 或科研工作中进一步深入这一方向的读者，可以考虑按如下方式使用这篇综述——这里不再罗列式给出“做法清单”，而是尝试描述一种“阅读节奏”。
2025-11-20 10:46:22
72
原创 Video Diffusion Generation：理论视角下的系统梳理与开放问题
—基于文献《Video diffusion generation: comprehensive review and open problems》的深入解读说明：本文基于 Ma 等人在 Artificial Intelligence Review 上发表的综述论文《Video diffusion generation: comprehensive review and open problems》撰写，对其中的理论与方法进行尽量系统、成体系的提炼与再组织，适合作为入门与进阶读者的“二次教材”。
2025-11-20 10:19:28
31
原创 系统性回顾生成式 AI：产业与初创视角、Agentic AI、伦理挑战与理论脉络
说明：本文基于 Patel 等人在 Artificial Intelligence Review 发表的开放获取文章所展开的系统综述，重点提炼论文中的理论框架和概念结构，而尽量避免流于案例堆砌与“应用清单”。
2025-11-20 09:19:58
171
原创 自动化机器学习文献综述精读：从算法选择到“学会如何学习”
金属学习最初借用了元认知中“学习如何学习”的思想：人类在面对新任务的时候，并不会完全从零开始，而是复用过去学习到的策略，使学习过程越来越快。对应到机器学习，就是让算法能够利用以往任务的经验，加速和改进新任务的学习过程。存在一个会随经验变化的学习子系统，即基础学习器会随着新的任务数据而更新自身表现；系统必须显式地积累并利用元知识（meta-knowledge），例如任务特征、算法表现、超参数配置等，这些都不是单个任务内部的“普通数据”，而是横跨任务层面的“关于学习过程本身的知识”。
2025-11-20 08:46:43
80
原创 Cyberswarm 群体智能推荐算法：从社交图动力学到动态协同群体平衡
回头看 CyberSwarm 这篇工作，它并不是在“改一个算子、换个动物名字”意义上的新算法，而是试图重新回答一个老问题：在高度复杂、动态、多层次的社交网络中，如何用统一的数学框架来描述“个体偏好 + 社交影响 + 群体协同”的演化？它给出的答案可以概括成几个关键点：首先，通过社交图与共偏好超图的组合，把个体间的高阶关系纳入建模；其次，通过中央性度量、Node2Vec 嵌入和基于注意力的消息传递，把“图结构 + 社交地位 + 行为相似度”编码为可学习的特征；
2025-11-20 08:32:52
109
原创 元启发式算法的应用、分类与挑战：一篇重读 162 种算法的系统整理
从这篇 110 页的综述来看，元启发式算法领域已经进入了一个“成熟但略显拥挤”的阶段：一方面，我们拥有了丰富的算法库，几乎可以覆盖所有常见的优化需求；另一方面，比喻驱动的“算法爆炸”也在稀释真正的创新。Shaikh 等人的工作试图通过一个多维度分类框架——灵感来源、候选解运动方式、参数数量、搜索空间类型、探索–开发平衡、基准函数验证与时间复杂度分析——为这个庞杂的领域建立一套“结构化视角”。
2025-11-19 22:16:35
204
原创 “会挑重点的 Transformer”：条件多头注意力在交通标志识别中的应用解析
综合来看，《Attention to detail: A conditional multi-head transformer for traffic sign recognition》并没有试图推翻 ViT 的基本框架，而是在两个关键环节动了“小手术”：在注意力层通过 gating 网络与专家矩阵的线性组合，让 Q/K/V 从固定参数变成对输入条件敏感的动态投影；在输出层通过 fail-control 机制，将“拒绝预测”作为一等公民引入决策流程，并用一整套指标去量化其对系统错误率的影响。
2025-11-19 16:21:18
29
原创 从“垃圾进垃圾出”到可度量的数据可靠性——《Reliable evaluation for the AI-enabled intrusion detection system from data p
Reliable evaluation for the AI-enabled intrusion detection system from data perspective》这篇文章的价值，在于把一个经常被口头提及却缺乏系统实践的口号——“数据比模型更重要”——具体化到了入侵检测这个高度工程化的领域。它没有再提出一个新的深度网络结构，而是通过完整性、准确性、一致性、多样性和均衡性五个维度，把 IDS 数据可靠性拆解成一套可计算、可解释、可加权融合的指标体系。
2025-11-19 16:12:41
37
原创 一文读懂多模态大模型在垂直领域的系统进展
通过这篇系统综述可以看到，多模态大语言模型在过去两年已经从“会看图聊天”的炫技阶段，转向了在各个垂直领域认真做事：在医疗里，它们被用来辅助诊断、生成报告、理解分子与蛋白；在自动驾驶里，它们为动作生成解释、理解乘客指令；在几何、气候、音乐、电商、人机交互与建筑等场景中，也逐步体现出“统一处理多模态信息”的价值。与此同时，数据稀缺、评估缺乏共识、幻觉与可解释性等问题也被暴露得更加充分，这表明多模态 LLM 的下一阶段发展，
2025-11-19 15:58:07
44
原创 深度学习基础方法全景综述：从网络组件到多模态任务的统一视角（基于《A survey on deep learning fundamentals》）
如果回头去看深度学习的发展历史，会发现一个有趣的现象：越是后来者，越容易直接从某个成熟框架、某个火爆模型入门，比如从 ResNet、Transformer、扩散模型开始写代码，却对这些模型背后共有的“深度学习基本结构”和“算法范式”缺乏整体图景。这种“统一视角”的好处是明显的：你在理解 CNN 的卷积与池化之后，再看 3D 点云网络中的局部邻域运算，或者看 Transformer 中的局部—全局注意力，其实都可以看成是“在特定结构上进行的加权聚合”，只是邻域定义和权值计算方式不同；
2025-11-19 15:31:03
117
原创 智能多机器人在非暴露空间中的自主勘探：理论框架与方法综述
与“暴露空间”（露天、卫星信号可达区域）相对，非暴露空间是指无法依靠 GNSS 或常规外部定位手段实现精准定位与测图的区域。这不仅仅是“信号弱”，而是 GNSS 本身几乎不可用。地下与室内空间：矿井、隧道、地铁、地下商场、大型厂房、地下停车场；半暴露环境：城市高楼林立的“城市峡谷”、高架桥下方、密集森林等，GNSS 严重多路径或中断；行星与天体地下：月球熔岩洞、火星溶洞等，这些地方不仅没有 GNSS，还可能存在极端温度与辐射。
2025-11-19 12:27:07
66
原创 基于深度学习的结直肠息肉语义分割：理论框架与模型谱系梳理（Advancement in semantic segmentation techniques）
把整篇综述串起来，从理论和实践角度可以抽出几条相对清晰的主线。结直肠息肉的语义分割，是一个很典型但又不简单的医学图像任务。它既包含了标准的语义分割技术难点——多尺度、边界、小目标、噪声和类不平衡，也叠加了医学场景的特殊要求——高召回、可靠性、可解释性与跨域泛化。Manan 等人的综述从数据集、网络架构、优化目标与评测体系等多个维度，对 2018–2024 年间的 110 余个深度学习模型做了系统梳理，为后续研究和工程落地提供了一张相对完整的“地图”。
2025-11-18 16:19:24
73
原创 PLOS one是究竟是一个什么样的期刊？
知乎专栏.PLOS ONE 简要介绍.（2006 年创刊、PLOS 出版、综合 OA 期刊）知乎专栏.顶刊科普｜PLOS ONE：发文量超大的综合性期刊.（拒稿率约 51%、2023 年发文量 14,971 篇、自引率 3.4% 等数据）科学网·孙颉.PLOS ONE 2024 年发文概况.（2024 年发文 16,783 篇、高被引论文数等）搜狐号“欧亚科睿学术”.四大水刊《PLoS ONE》也升一区了！发文量依旧爆炸！
2025-11-18 08:15:45
607
原创 从 0 到 1 搭建 AI 智能体：从创建、知识库与提示词，到 MCP 接入和多智能体协作的全流程实践与评测
在真实平台上，Agent 的“知识库”往往是用户接触的第一个重要配置项。人人都是产品经理的 Betteryeah/Coze 平台评测给了我们一个具体的切面：在 Betteryeah 中，Agent 的创建过程一般包括角色定义、开场白设计、开场提问引导，然后立刻进入“设置知识库”步骤。用户可以导入文档、问答、网页等多种形式的内容，平台会自动把长文档分段，对每段建立向量索引，并提供“命中测试”来验证智能体基于检索后生成回答的效果；
2025-11-17 23:35:57
1386
原创 GPT-5.1：在 GPT-5 能力基线之上的体验升级、自适应推理与安全新范式
从目前公开的信息看，GPT-5.1 确实已经上线，而且不再是“传言模型”。它是在 GPT-5 基础上的一次代内大升级：一方面延续了 GPT-5 在推理和多学科 benchmark 上的高分表现，另一方面明显把重心挪向“好好说话”“更懂人”和“更省算力”。本文系统梳理 GPT-5.1 的新特点、和 GPT-5/GPT-4o 的差异，以及媒体和用户的实际反馈，同时在结尾给出完整参考文献列表，所有数据都来自公开网页和论文，不做任何杜撰。
2025-11-17 23:15:13
474
1
原创 什么是强化学习（Reinforcement Learning）？带你入门强化学习基本概念
一个智能体（Agent）在环境（Environment）中，通过选择动作（Action）影响环境状态（State）并获得奖励（Reward），以学习出一个策略（Policy）从而在未来获得最大的累积回报（Return）。与监督学习不同，强化学习并不依赖大量 “输入–标签” 形式的数据；与无监督学习不同，它不仅仅寻找数据结构，而是强调行为决策与反馈机制。为更好理解，可从以下几点补充说明：环境中的状态转移往往满足马尔可夫性质（即下一状态仅依赖当前状态与动作，而与历史状态无关）。
2025-11-17 21:39:56
808
原创 无人驾驶时代即将到来：技术瓶颈、突破路径与未来展望
基于以上信息，我们可以从几个维度总结无人驾驶技术所处的水平。未来汽车可能更多被定义为“出行服务平台”，而非传统拥有制。机器人出租车 (robotaxi)、车队共享、自动配送车辆等模式将逐步推广。出行服务与自动驾驶将融合。产业报告指出当前机器人出租车运营虽小规模，但正在加速。MESH结合上述多个维度，以下是对当前无人驾驶技术水平的总结判断：无人驾驶技术已进入“有限商用、特定场景、规模化初期”阶段。在技术研究层面，感知、决策、地图等子系统已相对成熟，但还未完全实现 “所有场景适应” 的能力。
2025-11-17 21:30:17
860
原创 2025年通用大语言模型前沿进展评测：GPT-5.1、Claude 4.5、文心一言5.0 等全面解析
2025年末的通用大语言模型领域，可谓群星璀璨、百舸争流。OpenAI GPT-5.1 引领了新一代架构变革，以多模型自适应路由实现智能和效率的统一；Anthropic Claude 4.5 深耕安全对齐和复杂推理，在长文本处理和代码代理方面独树一帜；百度文心一言5.0 展现了中国方案的雄心，通过全模态融合和全栈自主掌控，向全球竞争者逼近。科大讯飞星火、智谱GLM、MiniMax等本土模型则在各自细分领域开花结果：或以混合专家技术后来居上，攀登评测榜首；或以开源开放聚拢社区力量，性价比远胜闭源模型；
2025-11-17 14:38:59
2707
原创 多模态大语言模型领域应用综合系统综述：从理论到实践
多模态大语言模型代表了人工智能领域的一个重要进步。通过整合多种数据类型的信息处理能力，这些模型能够更好地理解和应对真实世界的复杂性。从本综述覆盖的22项研究来看，多模态LLM的应用已经跨越多个关键领域，从医疗诊断到自动驾驶，从气候分析到音乐生成。这广泛的应用范围证实了这项技术的多功能性。然而，要将这些模型从研究项目转变为实际的、可信赖的系统，仍然需要解决许多挑战。数据质量和获取、模型可靠性、计算效率和伦理责任等问题不能被忽视。
2025-10-29 23:08:17
241
原创 多序列离散递归下降优化器(MDRDO)论文精读
在优化算法的发展史中，我们见证了两大阵营的长期"竞争"和博弈。一方是数学理论完备、收敛性有保障的确定性方法（如梯度下降、牛顿法、共轭梯度法等），这些方法拥有坚实的数学基础，收敛速度往往很快，但对目标函数的要求非常苛刻。另一方是灵活多变、适应性强的随机启发式算法（如遗传算法、粒子群优化、蚁群算法等），这些方法应用广泛，对问题的要求宽松，但往往缺乏深层的理论依据。长期以来，从业者和研究者陷入了一个"两难选择"：要么采用理论严谨但实用性受限的确定性方法，要么采用适应性强但理论模糊的启发式算法。
2025-10-29 16:17:48
61
原创 BayesCNS方法论详解：用贝叶斯在线学习解决搜索系统的冷启动和概念漂移问题
时刻t，用户发出查询 qt ∈ Q，系统从物品索引 D 中返回K个物品的集合 D_qt。这些物品按照得分函数 s: D × Q → R 进行排序，该函数将文档-查询对映射到实数值的相关性分数。用户浏览返回的结果列表并产生反馈信号。为简化起见，我们用二值奖励向量 ct ∈ {0,1}^K 表示，其中 c_d_t = 1 表示用户对物品 d 执行了点击等正向操作。核心目标为了学习灵活的先验分布，使用神经网络进行参数化。
2025-10-24 10:19:22
35
原创 国内外最新AI语言模型行情分析2025年9月最新内容
人工智能语言模型市场在2025年经历了前所未有的创新浪潮和激烈竞争。本文基于2025年9月最新数据，全面分析国内外AI语言模型的发展现状、市场趋势和未来展望。全球AI语言模型市场规模已从2024年的56-86亿美元快速增长，预计到2030年将达到250-361亿美元，年复合增长率超过35%。市场格局正在发生根本性变化，中国国产大模型在技术能力和成本效益方面已达到国际先进水平。
2025-09-07 17:53:57
2579
1
原创 基于Pygame的六边形战术推演系统深度剖析——从数据结构到3D渲染的完整实现（附完整代码）
战术推演系统是军事训练和游戏开发中的重要组成部分，它能够模拟真实的战术场景，为用户提供策略思考的平台。本文将深入分析一套基于Python Pygame框架开发的城市巷战战术推演系统，该系统采用六边形网格布局，实现了恐怖分子与反恐精英的对抗模拟，具备3D视觉效果、回放系统等高级功能。这套系统的技术亮点包括：六边形坐标系统的数学转换、基于视线遮挡的战斗判定、伪3D房屋渲染、完整的游戏状态录制与回放机制。相比传统的方格网格，六边形网格在战术游戏中具有更自然的移动路径和更均匀的距离分布，使得战术推演更加真实。
2025-09-06 19:51:51
657
原创 【卷积神经网络】卷积神经网络的三大核心优势：稀疏交互、参数共享与等变表示
参数共享是指在一个模型的多个函数中使用相同的参数。在传统的神经网络中，当计算一层的输出时，权重矩阵的每一个元素只使用一次。作为参数共享的同义词，我们可以说一个网络含有绑定的权重(tied weights)。对于卷积，参数共享的特殊形式使得神经网络层具有对平移等变(equivariance)的性质。如果一个函数满足输入改变，输出也以同样的方式改变这一性质，我们就说它是等变的。特别地，如果函数f(x)与g(x)满足：我们就说f(x)对于变换g具有等变性。计算效率的显著提升。
2025-09-02 10:35:45
529
原创 【卷积神经网络】深度学习中的卷积运算
在卷积网络的术语中，卷积的第一个参数（在这个例子中，函数x）通常叫做输入（input），第二个参数（函数w）叫做核函数（kernel function）。输出有时被称作特征映射（feature map）。卷积运算作为深度学习中的基础操作，通过其独特的数学特性为处理网格结构数据提供了强大的工具。其稀疏连接、参数共享等特点使得卷积神经网络在图像处理、语音识别等领域取得了巨大成功。理解卷积运算的数学本质对于深入掌握深度学习技术具有重要意义。
2025-09-02 10:28:34
147
俄罗斯方块游戏，高度还原20年前的QQ火拼俄罗斯方块游戏设计，可设置人自己玩和AI玩，代码中可以设置按键速度
2025-07-06
讯飞星火AI聊天助手 - WebSocket API接口调用
2025-07-01
本脚本能够实现简单的图像黑白二值图像转换和反色处理，在需要打印的办公时能够减少打印墨的消耗
2025-06-29
基于python的Excel读取和可视化图表工具
2024-09-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人