搜索：深度学习研究

「深度学习研究」共找到 3476 篇相关文章

当 AI 制造的谎言比真相更吸引人时，会发生什么？

过去假照片制作难，如今AI工具让造假人人可用。深度伪造或使虚假信息泛滥，影响政治，还会瓦解真相与信任。未来神话塑造可能比真相追寻更有影响力。

2025中国力学大会AI+分享中，四川大学张来平研究员介绍基于图神经网络的流场预测方法研究进展。张来平长期从事计算流体力学研究，近年专注AI for Science，成果颇丰。

澳大利亚研究借助AI工具设计出能与ChuA结合的蛋白质，抑制大肠杆菌等细菌生长。这些蛋白质像“分子锁”，阻断细菌获取血红素，降低耐药风险，开创“非抗生素”抗菌新范式。

Dexter 是自主运行的金融研究智能体，类似金融版 Claude Code。能处理复杂金融问题，有智能任务规划等核心能力。文章介绍其先决条件、安装、运行、评估、调试方法及项目地址。

过去几年联合推理模型进展快，但生物医学领域能力碎片化、脆弱或难解释。2026 年，学术界应推进多模态模型建设，关注深度整合、可解释性、数据效率和适应性及模型在工作流中的整合。

文章推荐开源AI画布PenEcho，它是个超智能黑板，适合学习场景，让手写与AI共生。能理解内容及空间关系，把回答放回画布，支持多模型，还具备多种功能。

11位顶尖数学家发起First Proof实验，设计10道研究级数学问题，检验AI独立解决问题的能力。陶哲轩认为实验有趣，当前AI一次性提示难解题，截止期限前成果值得关注。

大模型常采用RAG技术，多模态崛起使RAG向MM - RAG发展。目前MM - RAG研究初级，华中科技大学等研究者发布综述，覆盖所有模态组合，剖析工作流，提供构建系统的一站式指南。

Meta和纽约大学团队发布论文《From Concepts to Components》，提出SAMD和SAMI方法。前者定位模型概念注意力模块，后者微调强度。能让模型‘失忆’，还可增强推理、控制安全，为AI研究开新方向。

文章拆解大模型核心操作（RMSNorm、Softmax、Causal Mask、Sampling）背后的数学与Infra优化逻辑。指出Infra优化是用数学等价变换或精度妥协换硬件利用率和推理速度，还介绍各操作原理、问题及优化方法。