人工智能、ai大时代

我对自己的定位是 全栈，以大前端为主，囊括所有和用户直接相关的开发。我认为这是趋势，我也确实在自身的经历中体验到了好处。目前大前端还没有形成固定模式，还在混乱发展，所以前景是非常被看好的。 如今 AI 横行，我特别想聊聊，为什么还要固守大前端？ 1）大前端还没有天花板 从 web1.0 到 web 2.0，我们其实没太多感知，除了出现了很多 Prototype、jQuery 等框架，帮我们抹平了...

为了让更多从业者感受智能浪潮的跃迁，也为了给予更多同行同路人掌声与鼓舞，我们将正式启动「2025人工智能年度榜单」评选报名。 这是量子位人工智能年度榜单的第8年。八年来，我们见证了技术的突破与落地，产业的融合与重塑，也见证了一批又一批推动时代前行的企业、人物与产品。

从“功能智能”到“存在智能”功能智能：完成预设任务（如GPT-4写代码）存在智能：AI OS赋予的自主目标管理能力。例如，斯坦福的能让Agent根据用户长期目标（如“十年内财务自由”）自动协调投资、学习、健康管理等子任务。自组织网络的涌现特性当AI OS连接超过10^6个Agent动态拓扑：Agent自动重组协作关系（如MIT的Swarm OS实现1000+无人机自适应编队）共识进化：模型间通过联邦学习更新共享知识库（如HuggingFace的经济系统与物理世界的融合特斯拉Optimus OS。

近年来，随着大数据、物联网和云计算等技术的兴起，人工智能进入了全面爆发的时期。无论是智能化领域的企业，还是市场和消费者，都对人工智能行业的发展前景十分乐观，AI的发展也确实贴合当下科技发展的潮流。 自2017年以来，我国颁布了一系列的政策推动人工智能的发展，目前，人工智能技术逐渐成熟，产业应用领域不断深入。面对人工智能技术广阔的发展前景，酷开科技人工智能技术应运而生，其打造的智能电视操作系统——酷开系统，便是以“AI+大屏”的方式所展开的。 随着智能科技给社会发展和生产生活带来的优势，消费者的需求也越来

感知器是神经网络的基础模型，由Frank Rosenblatt于1957年提出。本文从单层感知器的数学原理和代码实现入手，分析了其处理线性可分问题的能力（如与门）和局限性（无法处理异或门等线性不可分问题）。通过叠加单层感知器形成多层感知器（MLP），可以突破非线性限制，实现异或门等复杂功能。

简要介绍ML的分类方法以及神经网络

曹文博，西北工业大学航空学院2023级力学专业博士生，研究方向为科学机器学习与复杂流动求解。论文题目：基于神经网络的偏微分方程优化求解方法研究答辩时间：2026年5月30日毕业去向：中国科学院工业人工智能研究所偏微分方程（partial differential equation, PDE）是刻画物理规律的基本数学工具，在物理系统的数值预测、优化设计以及动力学分析与控制等任务中均具有核心作用。

学习了正交性和神经网络的最优化思路

拿一批数据。前向传播：最后输出一个预测值，损失函数会对比预测值和真实标签，算出一个总误差。反向传播：利用链式法则从后往前算梯度，找出是谁导致了误差。更新参数：根据梯度下降法则，微调所有的权重和偏置。重复1-4，直到误差小到满足我们的要求。这就是深度学习能够“自动学习”特征的根本奥秘所在。

神经网络在人工智能框架中的定位与演变 本文系统梳理了人工智能技术体系，重点阐述了神经网络在机器学习框架中的位置及其发展脉络。

Word Embedding（词嵌入）是一种将离散的词汇符号映射到连续的低维稠密向量空间的技术。在这个向量空间中，语义相似的词在几何距离上彼此接近，从而实现了从"符号匹配"到"语义计算"的跨越。核心定义词嵌入是将单词（或多词短语）表示为固定维度的实值向量，这些向量之间的距离（例如余弦相似度）反映了单词之间的相关性，这种相关性基于单词通常出现的上下文。分布式假设（1954）↓统计共现分析（LSA/SVD）↓。

神经网络工作

Mish：由x * tanh(softplus(x))定义，设计理念和Swish类似，追求平滑和自正则化，在某些视觉任务上表现出色，但计算成本更高。ELU：结合了ReLU正半轴无饱和与负半轴软饱和的特性，能使输出的均值更接近0，从而加速收敛。Leaky ReLU / PReLU / RReLU：给负半轴一个很小的、甚至可学习的斜率，让信息仍能流过“死亡”的神经元。1，从神经网络最开始的图像识别的阶跃函数到sigmoid到tanh函数再到ReLU函数再到针对ReLU的各种变换函数。

前面提到，我们通过神经网络的前向传播，让数据从输入层传播到输出层，最终得到预测值 y 。但问题是：我们为每个神经元设置的权重和偏置一开始都是随机初始化的，预测值 y 与真实值 t 之间必然存在偏差。那么我们应该如何调整这些权重和偏置，才能让预测值尽可能逼近真实值，更好地模拟现实呢？如果网络很小、参数很少，或许可以逐个穷举尝试。但是现实中的神经网络动辄有成千上万的参数，人工参数根本不现实，这就需要神经网络自己去探索什么样的参数最合适。这个过程，就是神经网络的学习

本文摘要： 神经网络通过堆叠多层和采用平滑非线性激活函数，突破了感知器的线性限制。激活函数的发展经历了阶跃函数、Sigmoid、tanh、ReLU、LeakyReLU、GELU和SiLU/Swish等关键变革，逐步解决了梯度消失、非零中心输出等问题。其中ReLU因其简单高效成为CNN时代主流，而GELU和SiLU则主导了Transformer架构。这些创新使神经网络能够训练更深层的模型，推动了深度学习在计算机视觉和自然语言处理等领域的突破性进展。

2. 为什么神经网络需要多个输入？ 为了处理多个特征。例如预测房价：结合面积、卧室数、地段等多个因素，比只看面积准确得多。随机（通常是很小的随机数）。事先设定的超参数，不能直接知道设大还是设小合适。通常做法：从常见值开始试（如0.01或0.001），观察loss变化：有些问题太复杂，一层（输入→输出）学不会。每个隐藏层的神经元，把上一层的多个输出加权求和再激活 → 相当于把小特征拼成更大的特征。以识别手写数字为例：单个神经元识别的特征通常很难直接理解，往往需要多个神经元的输出组合，才能形成人类能理解的特征（

ops-nn是CANN高阶算子库，定位于神经网络各类高复杂度算子的高效实现，旨在为昇腾NPU用户提供开箱即用的生产级算子能力。该算子库于2025年9月正式上线，经过多个版本的迭代优化，已形成涵盖矩阵乘法、注意力机制、归一化层、激活函数融合等核心算子的完整生态。2026年3月的重大更新中，ops-nn新增了对下一代Ascend950PR芯片的完整支持，并同步扩展了fp8、mxfp8、hifp8等低比特量化格式，使得在极致算力密度下的模型压缩成为可能。

本文介绍了神经网络的前向传播机制，通过输入层、隐藏层和输出层的计算过程，数据从输入流向输出。隐藏层包含仿射变换（线性变换加偏置）和激活函数（非线性变换）两个步骤，逐层提取特征。文章详细拆解了仿射变换层的矩阵运算实现和激活函数的逐元素特性，并提供了ReLU激活函数的代码实现。前向传播是神经网络的基础计算方式，为后续理解反向传播和训练过程奠定基础。

基于贝叶斯物理信息神经网络的相场法水力压裂不确定性量化分析——MATLAB 复现全解析