课程文献中心 更多>>

关键词： 人工智能   训练   DDC  

摘要： 通过分析人工智能训练网络组网现状及问题，提出采用分布散列式架构（DDC）构建人工智能训练网络的方法，不仅可以提高人工智能训练集群的容量，而且通过VOQ缓存机制在网板交换机与转发交换机之间进行数据转发，有效解决了交换机头端阻塞问题，可确保在大规模人工智能训练过程中参数传递高效无损。得出结论，DDC架构可用于人工智能大模型训练集群的组网设计与规划，并可以推广至其他无损网络需求场景下的可扩展分布式组网设计。

关键词： 智慧数据   智能情报   人工智能   文献情报   图书馆  

摘要： 【目的/意义】全面梳理与综述智慧数据研究及应用情况，思考分析对文献图书馆数据资源建设可能带来的影响，为学科研究发展提供参考借鉴。【方法/过程】通过系统梳理与计量分析国内外智慧数据重要相关文献，刻画智慧数据发展态势与主题布局，对智慧数据的概念内涵、要素特征、组织理论模型、技术体系架构以及典型应用场景进行深入阐述与分析。【结果/结论】智慧数据作为一种具有场景化、数据化、语义化与知识化的智能引擎，借鉴其特征提出了图书馆在数据资源建设方面，建议“面向国家重大复杂科学问题的认知与决策场景、面向AI场域的多场景、面向垂直领域场景以及面向产业创新全链条场景”建设场景化、专业化、关联化与知识化的数据知识资源。【创新/局限】系统性梳理智慧数据的国内外研究现状，结合图书馆数据资源建设提出了相应的现实启示。

关键词： 人工智能   腰椎间盘突出症   深度学习   机器学习   大数据   机器人   工程化组织构建  

摘要： 背景：近年来人工智能技术越来越多地被用于腰椎间盘突出症的诊治，提高了腰椎间盘突出症诊断的准确率及效率，丰富了腰椎间盘突出症的治疗手段，成为研究焦点。目的：从诊断与治疗角度全面展现人工智能在腰椎间盘突出症中的应用现状，分析相应技术的局限性。方法：应用计算机检索PubMed、中国知网、万方数据库及维普数据库建库至2024年8月发表的关于人工智能在腰椎间盘突出症诊治中应用的相关文献，英文检索词为“Lumbar Disc Herniation,Artificial Intelligence,Machine Learning,Deep Learning,Big Data,Robot,Neural Network,Model,Algorithm”，中文检索词为“腰椎间盘突出症，人工智能，机器学习，深度学习，大数据，机器人，神经网络，模型，算法”，按入组标准梳理最终筛选出101篇文献进行综述。结果与结论：人工智能的不同技术推动了腰椎间盘突出症的智能化治疗，在未来的发展中凸显出巨大潜力。深度学习技术基于先进的算法，通过相应学习模型的构建对X射线片、CT及MRI影像进行优化处理，实现对退变腰椎间盘的精确定位、识别与分析，提高了自动化诊断的精度。大数据技术利用数据平台，通过分析海量医疗数据模拟疾病发展趋势，为病情评估与预测提供了新的视角。手术机器人结合机械臂、3D高清视觉系统及5G通信技术为远程精确手术操作提供支持，展现显著的技术优势。未来人工智能对腰椎间盘突出症的诊治将通过算法的持续优化和数据平台的专业化发展，推动诊治手段向规范化、高效化、精准化方向演进。

关键词： 人工智能时代   大学生   数字媒介素养教育  

摘要： 人工智能时代，大学生数字媒介素养教育显得尤为重要，以适应信息社会需求、应对信息风险挑战、筑牢网络强国人才保障。历史上，媒介素养教育经历了从“免疫”范式到“赋权”范式的演进，其特征给我们提供了宝贵的启示。然而，当前我国大学生数字媒介素养教育存在教育规划滞后、顶层设计缺失；高校重视不够、师生认知不足；缺乏有效课程体系、教育滞后媒介发展；专业师资匮乏、形式化问题突出等问题。为解决这些问题，应加强系统规划与顶层设计，强化高校主体、多方协同共育，完善课程体系、打造数字资源平台，提升教师媒介素养、打造专业师资队伍，以适应人工智能时代大学生数字媒介素养教育的需要。

关键词： 人工智能生成内容   生成式人工智能   风险传播   敏捷治理  

摘要： 随着人工智能生成内容(AIGC)技术的迅猛发展，其在文字、图像、视频等创作领域的应用日益广泛，显著拓宽了人类的认知边界，并成为信息传播体系中不可或缺的一部分。然而，人工智能生成内容技术的推进亦伴随着一系列风险挑战，特别是其生成内容在传播中的风险。研究显示：风险成因源自生成内容的大模型内部训练数据参差问题及其外部多元主体内容生成过程中控制不足两方面。针对智能内容治理的复杂性和多面性，以尼采哲学中的“走在绳索上”隐喻应对风险挑战的探索勇气和超越自我精神为态度，以敏捷治理观为基础进行灵敏感知、快速响应和高效协同的灵活治理，提出促进人工智能生成内容健康发展且有效防控风险的治理方向：政府强化感知能力灵活内容监管，核查机构及时揭示虚假内容逻辑，以及多元主体协同合作维护内容秩序。在人工智能生成内容治理进程中，始终保持对“科林格里奇困境”的高度警觉，探寻技术革新与风险管控之间的平衡之道，保障人工智能行业的可持续发展和社会效益的最大化。

关键词： 检验医学   医疗决策系统   人工智能   检验组学   医疗数据   医学教育  

摘要： 基于人工智能的医疗决策系统能够显著加快医疗决策过程并提升其准确性,然而,该系统在个性化医疗和医疗数据采集方面仍面临挑战。文章从基于人工智能的检验组学和多维度数据采集两方面入手,探讨了解决这些问题的可能途径,并总结了利用检验组学和多维度数据采集推动智能医疗决策系统发展的成果,以及存在的瓶颈问题。此外,文章还分析了人工智能在医学教育中的应用前景及其对提升整体医疗决策水平的潜在作用。

关键词： 人工智能政策   文本挖掘   文本关联   政策主体   政策目标   政策工具  

摘要： 为了更深入地把握央地人工智能（AI）政策内容，明晰不同区域AI政策布局特点。对中央层面11份AI政策文本内容挖掘和量化分析，构建中国AI政策“主体（Y）-目标（Z）-工具（X）”框架。在此框架下，对地方层面84份AI政策文本内容挖掘和量化分析，比较我国东部、中部、西部、东北地区AI政策“Y-Z”、“Y-X”、“Z-X”关联的差异性。研究发现，从“Y-Z”关联性上，政府、企业、高校及科研机构在各个政策目标实现过程中均有参与，但政府的参与性相对有限。从“Y-X”关联性上，各地区企业与政策工具之间关联结构类似，均以供给型工具为主，兼顾环境型工具；政府与政策工具的关联性普遍较低，地方政府角色逐渐从主导者演变成引导者；各地区高校及科研机构与政策工具之间关联结构类似，均以供给型工具为主，兼顾需求型工具。从“Z-X”关联性上，各地区使用政策工具组合较为单一，运用供给型工具用以实现“技术领先”、促进“产业转型”；运用需求型工具用以实现“理论突破”；运用环境型工具用以保障“伦理安全”。

关键词： 诺贝尔化学奖   蛋白质折叠   蛋白质结构预测   蛋白质计算设计   Rosetta   AlphaFold  

摘要： 蛋白质是生命活动的主要承担者和执行者，蛋白质的三维结构与其生物学功能息息相关。2024年诺贝尔化学奖的一半奖项授予了DeepMind公司的Demis Hassabis博士和John Jumper博士，以表彰他们在蛋白质结构预测领域的突破性贡献；另一半奖项则授予了华盛顿大学的David Baker教授，以表彰他在蛋白质计算设计领域的系统性研究。本文简要回顾了蛋白质结构预测与设计这两个互逆问题研究历程的重点事件，并对它们的前沿应用进行了展望。

关键词： 生成式人工智能   法律风险   源头治理   数据治理   算法治理  

摘要： 生成式人工智能法律问题日益凸显,对人类社会带来了严重的负面影响,迫切需要进行源头治理。运用扎根理论对我国18份生成式人工智能的法律政策文本进行编码分析,研究揭示了生成式人工智能法律风险的复杂来源,涵盖了数据、算法、系统和人为层面的多层次关系。在数据风险方面,包括非法获取、泄露、留存以及数据质量的瑕疵等问题。算法风险涵盖了模型设计、黑箱风险以及歧视、霸权和操纵等潜在风险。系统风险包括失控、社会性、侵权性和责任性风险。人为风险主要表现为数据投毒、恶意使用和技术依赖等风险。对数据风险,倡导建立语料来源黑名单、获得信息时取得个人同意,并加强训练数据管理。对算法风险,包括技术治理和制度治理,应提高服务透明度、规则可解释性,促进模型更新升级,并建立安全评估和内容审核等制度。对系统风险,治理侧重于强化安全技术研发、完善技术标准,关注公共利益、个人利益保障和明确责任认定。对人为风险,治理涉及主管部门、研究开发者、设计制造者、部署应用者和用户,建立法规准则、推动技术发展、提供清晰说明、保障用户选择权,并强调用户的主观善意和积极参与治理。这些措施构建了一个系统全面的生成式人工智能源头治理体系。

关键词： 人工智能   移动边缘计算   计算资源有限   资源调度   联盟结构生成   深度强化学习  

摘要： 边缘服务器往往需要在资源有限的情况下通过组建联盟的方式协同执行任务，考虑服务器的资源利用率随任务执行而动态变化的特性，如何确保任务能够尽快完成的同时减少重构联盟耗费的成本是一大难点。针对上述问题，提出了一种基于双重深度Q网络优化的联盟结构优化策略。首先，以最大化完成任务的效率以及最小化构建联盟成本为优化目标，通过定义状态空间、动作空间和奖励函数，将问题建模为引入成本的马尔可夫决策过程（CT-MDP）。其次，针对CT-MDP中高维状态空间下易出现Q值过高估计的问题，提出一种基于双重深度Q网络的轻量化最优联盟结构搜索算法，通过两套独立的Q网络以减少更新过程中的正向累计误差。为满足边缘设备在训练过程中对资源占用率的严格要求，对激活函数进行优化以降低训练模型对存储资源的需求。最后，通过仿真实验将所提算法与Q-learning、DQL、Dueling DQN等算法进行比较分析；结果表明，本文方法具有良好的收敛性和稳定性，且在联盟构建成本与资源占用率方面分别降低了20.36%与12.12%，证明了该方法的有效性。