Generative AI models
书籍描述
生成式人工智能在多个领域展现出强大的能力，例如文本生成（产品描述、文章写作）、图像和视频生成（用于营销行业的AI生成图片和视频）、以及语音和声音生成（用于电影行业）。本书涵盖了生成式人工智能模型的不同主题，包括：图像生成技术、视频生成技术、语音/声音生成技术，以及这些模型的社会和伦理问题。
关于作者
Jovan Pehcevski于2007年在澳大利亚墨尔本的皇家墨尔本理工大学（RMIT University）获得计算机科学博士学位。他的研究兴趣包括现代数据中心技术（XaaS）、大数据、机器学习和人工智能，以及信息检索。他已发表超过30篇期刊和会议论文，并担任期刊和会议的审稿人。Jovan拥有丰富的学术和研究经验，并结合了在IT行业的实践专长。他目前在戴尔科技（Dell Technologies）担任高级技术顾问，负责覆盖东南欧地区的工作。
成为VIP会员查看完整内容
人工智能在军事中可用于多项任务，例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
北京时间 9 月 13 日午夜，OpenAI 发布 o1 系列模型，旨在专门解决难题。OpenAI o1 在数学、 代码、长程规划等问题上取得了显著提升，而背后的成功最重要离不开后训练阶段 (Post-Training Stage) 中强化学习训练和推理阶段思考计算量的增大。新的扩展律 —— 后训练扩展律（Post-Training Scaling Laws） 已经出现，并可能引发社区对于算力分配、后训练能力的重新思考。
技术原理：
大规模强化学习算法 OpenAI 使用了一种大规模的强化学习算法，来训练 o1-preview 模型。该算法通过高效的数据训练，让模型学会如何利用“思维链”（Chain of Thought）来生产性地思考问题。模型在训练过程中会通过强化学习不断优化其思维链，最终提升解决问题的能力。 OpenAI 发现，o1 模型的性能会随着强化学习时间（训练时计算量）和推理时间（测试时计算量）的增加而显著提高。这种基于推理的训练方式与传统的大规模语言模型（LLM）预训练方式不同，具有独特的扩展性优势。
o1 性能在训练时间和测试时间的计算中都平稳提升思维链（Chain of Thought） o1-preview 模型通过 思维链推理 显著增强了其在复杂推理任务中的能力。思维链的基本理念类似于人类思考困难问题的过程：逐步分解问题、尝试不同策略并纠正错误。通过强化学习训练，o1-preview 能够在回答问题前进行深入思考，逐步细化步骤。 这种推理方式大幅提升了 o1-preview 在复杂任务中的表现。例如，o1-preview 能够通过思维链识别问题中的关键步骤并逐步解决。这种推理模式特别适用于需要多步骤推理的任务，如复杂的数学问题或高难度编程任务。 举例说明： * 在某些复杂问题上，o1-preview 能够逐步打破问题的难点，最终找到正确解答。这与人类面对挑战性问题时逐步分析的思维方式非常相似。
中文版：
成为VIP会员查看完整内容
将人工智能（AI）融入军事作战决策过程（MCDMP）已引起众多国家和国际组织的关注。本论文探讨了军事决策的复杂领域，其特点往往是高风险情况和时间限制，这可能导致认知偏差和启发式错误。在需要做出关键决策的流程中添加新技术，需要人类操作员做出某些调整和采取某些方法。鉴于所做决定的人道主义影响，人工智能的整合必须谨慎进行，解决潜在的阻碍因素，以确保负责任地使用这些技术。其中一些因素围绕着人类与人工智能的合作，特别是对技术的接受程度，这可能会影响技术的使用和发展，正如文献所指出的那样。我们的研究将采用多方面的定性方法，结合学术文献综述、对具有人工智能知识的军事科学专家的访谈以及对军事人员的访谈，全面了解专家和军事人员对人工智能作为决策支持系统（DSS）的印象。
这项研究提高了人们对认知结构在促进人类与人工智能合作中的重要性的认识，并揭示了军事作战决策者目前对使用人工智能技术辅助决策的看法。我们的目标是为正在进行的有关将人工智能作为决策支持系统整合到军事行动中的挑战和机遇的讨论做出贡献。我们将提供有助于在高风险环境中更明智、更有效地采用人工智能技术的见解。通过技术接受模型（TAM）和技术框架理论，我们揭示了感知、假设、期望和信任这些影响人工智能作为决策支持系统接受程度的因素。因此，通过负责任地使用人工智能工具，可以提高军事作战决策的有效性。
关键词：军事作战决策过程（MCDMP）、人工智能（AI）、人-AI 合作、假设、期望、信任、认知、新技术接受、AI 应用中的挑战、AI 在军事中、AI 在决策中的应用
提纲
随后的一章建立了理论框架，全面概述了将人工智能纳入 MCDMP 的现状，并讨论了人工智能和军事决策过程等相关概念。它还介绍了重要的技术接受模型、技术框架和TAM，并讨论了与模型相关的概念：感知、假设、期望和信任。第三章详细介绍了研究方法，包括定性方法、选择标准以及数据收集和分析方法。其中包括半结构式访谈、数据分析技术、有效性和可靠性的衡量标准，以及伦理方面的考虑。第四章对收集到的数据进行分析和讨论。我们将揭示和讨论来自文献和访谈的研究结果，从人工智能在 MCDMP 中的整合现状入手，将研究结果分为以下几类：（1）感知有用性；（2）感知易用性；（3）期望和假设；（4）信任和可信度。此外，我们还将回答研究问题。最后，第五章将对研究进行反思，总结主要发现、研究贡献以及对进一步研究和行业行动的建议。
图 3：军事战斗决策过程中人工智能整合程度的简化模型
成为VIP会员查看完整内容
大型语言模型：概念、技术与应用
本书旨在介绍大型语言模型（LLMs）的科学原理及其应用。您将了解驱动近年来人工智能（AI）一些革命性应用的共同脉络：从对话系统如ChatGPT或BARD，到机器翻译、摘要生成、问答系统等众多领域。 这些创新应用的核心是一门强大且快速发展的学科——自然语言处理（NLP）。在过去60多年中，该领域的研究致力于让机器能够高效地理解和生成人类语言。这些技术进步的秘诀在于LLMs，其强大的能力在于捕捉复杂的语言模式并学习语言的上下文表示。这些LLMs是如何工作的？有哪些现有的模型及其评估方式？本书将帮助您解答这些问题及更多疑惑。通过一场技术性但易于理解的介绍： * 您将探索LLMs的奇妙世界，从基础到其最强大的应用。 * 您将学习如何使用一些LLMs构建自己的简单应用程序。 * 通过六个章节，将理论与实践相结合，并在Colab平台上进行Python练习，循序渐进地引导您掌握LLMs的秘密及其在NLP中的应用。
从深度神经网络和注意力机制，到BERT、GPT-4、LLaMA、Palm-2和Falcon等最相关的LLMs，本书将带您领略NLP领域最重要的成就。您不仅会学习评估这些模型能力的基准，还将掌握创建自己的NLP应用程序的技能。这本书对AI、数据科学及相关领域的专业人士、研究人员和学生将极具价值。 关于作者
约翰·阿特金森-阿布特里迪（John Atkinson-Abutridy），在苏格兰爱丁堡大学获得人工智能博士学位，现为智利圣地亚哥阿道夫·伊巴涅斯大学工程与科学学院的全职教授。多年来，他还在智利和其他国家的多所大学担任全职学术职位，并作为访问教授和研究员在欧洲（法国、英国）、美国（麻省理工学院、IBM T.J.沃森研究中心）及多个拉丁美洲大学的大学和研究中心任职。阿特金森-阿布特里迪博士的主要研究兴趣包括自然语言处理、文本分析、人工智能及仿生计算。他的学术生涯中，发表了近百篇科学论文，并著有两本书。近年来，他在国内外多个科研和技术项目中走在前沿，担任多家公司人工智能顾问，并创立了AI-Empowered公司。为了表彰他对计算机科学领域的重要贡献，阿特金森-阿布特里迪博士于2010年获得美国计算机协会（ACM）的高级会员奖。在其杰出成就中，他于2005年开发了全球首个基于网络的自然语言对话模型，是现今ChatGPT系统的前身之一。2023年，他发布了他所著书籍的第二版《文本分析：非结构化信息分析的科学与应用导论》（Taylor & Francis，美国），并被Book Authority组织评选为文本挖掘领域的最佳选择。
成为VIP会员查看完整内容
《生成式AI实战》是您一直在寻找的全面而具体的生成式AI指南。它不仅介绍了AI的基本原理，还展示了其在企业环境中的实际应用——从为产品目录和营销活动生成文本和图像，到技术报告编写，甚至软件开发。书中，作者Amit Bahree分享了他在微软近十年领导生成式AI项目的经验，早在当前的GPT革命之前就已开始相关工作。 在《生成式AI实战》一书中，您将了解到：
- 生成式AI应用的实用概览
- 生成式AI的架构模式、集成指导和最佳实践
- 最新技术，如RAG（检索增强生成）、提示工程和多模态技术
- 生成式AI面临的挑战和风险，如幻觉现象和越狱
- 如何将生成式AI集成到您的业务和IT战略中
《生成式AI实战》充满了生成式AI的实际应用案例，向您展示如何开始将这种强大的技术融入到您的产品和工作流程中。您将从经过实践验证的实施建议中获益，并学习如何在企业级规模上部署生成式AI的应用架构。 购买本书的印刷版还可获得Manning Publications提供的PDF和ePub格式的免费电子书。
关于这项技术
在受控环境中，深度学习系统在阅读理解、图像识别和语言理解方面经常超越人类。大型语言模型（LLMs）能够在文本和图像生成以及预测推理中提供类似的结果。然而，在实验室之外，生成式AI既能令人惊叹，也可能失败得十分彻底。那么，如何获得您想要的结果？继续阅读吧！
关于本书
《生成式AI实战》提供了使用LLMs和其他现代AI技术的具体示例、见解和技术。书中介绍了如何将AI实际应用于营销、软件开发、业务报告生成、数据故事化等通常由人类完成的任务。您将探索生成式AI应用的最新模式，掌握提示工程的最佳实践，并学会应对幻觉现象、高运营成本、技术变化速度快等常见问题。
**内容包括
- 部署生成式AI应用的最佳实践
- 生产级RAG（检索增强生成）
- 将生成式AI模型适配您的特定领域
读者对象
本书适合企业架构师、开发者和数据科学家，他们希望通过生成式AI提升其架构。
关于作者
Amit Bahree是微软Azure AI工程团队的首席产品经理，负责为数百万客户构建下一代AI产品和服务。他还负责跨平台的定制工程，与关键客户合作，利用各种形式的AI（包括生成式AI）解决复杂的企业场景。
技术编辑
本书的技术编辑是Wee Hyong Tok。
目录
第一部分
- 生成式AI简介
- 大型语言模型简介
- 通过API工作：生成文本
- 从像素到图片：生成图像
- AI还能生成什么？
第二部分
- 提示工程指南
- 检索增强生成：秘密武器
- 与数据对话
- 通过模型适配和微调定制模型
第三部分
- 生成式AI应用的架构
- 扩展：生产部署的最佳实践
- 评估和基准测试
- 生成式AI伦理指南：原则、实践和陷阱
附录
A. 本书的GitHub仓库 B. 负责任的AI工具
关于作者
Amit Bahree是微软的首席项目经理，负责Azure AI平台上的AI产品和服务的下一代开发，并通过生成式AI等多种AI技术解决复杂的企业问题。
成为VIP会员查看完整内容
学习如何从零开始创建、训练和调整大型语言模型（LLMs）
在《从零构建大型语言模型》一书中，畅销书作者塞巴斯蒂安·拉什卡（Sebastian Raschka）将一步步指导你创建自己的LLM。每个阶段都有清晰的文字、图表和示例解释。从最初的设计和创建，到基于通用语料库的预训练，再到为特定任务进行微调，你将全面掌握每个步骤。 《从零构建大型语言模型》教你如何： * 规划和编写LLM的所有组件代码 * 准备适合LLM训练的数据集 * 为文本分类及自有数据微调LLM * 使用人类反馈确保LLM遵循指令 * 将预训练的权重加载到LLM中
《从零构建大型语言模型》将带你深入AI的“黑箱”，让你调整生成式AI的内部系统。在LLM创建的每个关键阶段，你将深入理解LLM的工作原理、它们的局限性以及它们的定制方法。你可以在普通笔记本电脑上开发LLM，并将其用作个人助手。 购买纸质书还可免费获得Manning Publications提供的PDF和ePub格式的电子书。
关于技术
据说物理学家理查德·费曼（Richard P. Feynman）曾表示：“我无法理解任何我不能自己构建的东西。”基于这一强大的原则，畅销书作者塞巴斯蒂安·拉什卡将引导你逐步构建一个GPT风格的LLM，它可以在你的笔记本电脑上运行。这是一本引人入胜的书籍，涵盖了从规划、编码到训练和微调的每个阶段。
关于本书
《从零构建大型语言模型》是一段充满实践性和成就感的动手旅程，深入探索生成式AI的基础。在不依赖任何现有LLM库的情况下，你将编写一个基础模型，将其发展为文本分类器，最终创建一个可以按照对话指令进行交互的聊天机器人。而且你会真正理解它，因为你是自己构建的！
书中内容
规划并编写一个与GPT-2相当的LLM * 加载预训练权重 * 构建完整的训练管道 * 为文本分类微调LLM * 开发遵循人类指令的LLM
读者对象
读者需要具备中级的Python技能和一些机器学习知识。你所创建的LLM可以在任何现代笔记本电脑上运行，并且可以选择使用GPU。
作者简介
塞巴斯蒂安·拉什卡（Sebastian Raschka）是Lightning AI的研究工程师，专注于LLM研究并开发开源软件。 本书的技术编辑是大卫·卡斯韦尔（David Caswell）。
目录
了解大型语言模型 1. 处理文本数据 1. 编写注意力机制 1. 从零实现GPT模型生成文本 1. 在无标签数据上进行预训练 1. 为分类进行微调 1. 为遵循指令进行微调 附录A PyTorch简介 附录B 参考文献和延伸阅读 附录C 习题答案 附录D 为训练循环增加附加功能 附录E 使用LoRA进行参数高效微调
作者简介
塞巴斯蒂安·拉什卡从事机器学习和AI领域已有十多年。他于2022年加入Lightning AI，专注于AI和LLM研究，开发开源软件，并创作教育材料。在此之前，塞巴斯蒂安曾在威斯康星大学麦迪逊分校统计系担任助理教授，专注于深度学习和机器学习的研究。他对教育充满热情，以其畅销的开源软件机器学习书籍闻名。
成为VIP会员查看完整内容
书籍简介
通过编写实用且相关的提示，加速您的开发流程，提高您的生产力，构建Web应用程序和机器学习 (ML) 模型。 购买纸质书或Kindle版书籍将包含免费PDF副本。
关键特性
利用提示提升前端和后端Web开发 * 开发提示策略以构建强大的机器学习模型 * 使用GitHub Copilot进行数据探索、维护现有代码库，并将机器学习模型集成到Web应用程序中
书籍简介
《AI辅助编程：Web和机器学习》向您展示如何构建应用程序和机器学习模型，并自动化重复性任务。 第1部分聚焦于编码，从构建用户界面到后端。您将使用提示来创建应用的外观，使用HTML进行布局，使用CSS进行样式设计，使用JavaScript添加行为，并处理多个视口。接下来，您将使用Python和Flask构建Web API，并对代码进行重构以提高代码的可读性。第1部分以使用GitHub Copilot提高现有代码的可维护性和性能为结尾。 第2部分提供了数据科学的提示工具包，从数据检查（检查数据、创建分布图和相关矩阵）到构建和优化神经网络。您将使用不同的提示策略进行数据预处理、特征工程、模型选择、训练、超参数优化和模型评估，针对各种机器学习模型和应用场景。 书的最后几章探讨了GitHub Copilot和软件代理的高级技术，提供了代码生成、调试和故障排除的技巧。您将看到简单和AI驱动的代理如何工作，并探索工具调用的过程。
您将学到什么
使用GitHub Copilot和ChatGPT加速您的编码和机器学习工作流程 * 在开发生命周期中采用AI辅助的方法 * 在数据科学生命周期中实施提示工程技术 * 使用AI辅助开发Web应用程序的前端和后端 * 使用GitHub Copilot和ChatGPT构建机器学习模型 * 重构代码并修复故障，以提高效率和可读性 * 通过丰富的文档和增强的工作流程改进您的代码库
适合人群
本书适合那些对GitHub Copilot和ChatGPT较为陌生的有经验的开发者，帮助他们发现提高生产力的最佳策略，并比传统方法更快地交付项目。本书对于从事Web或机器学习项目的软件工程师非常理想。对于想要通过提示提高工作效率的Web开发人员、数据科学家和分析师来说，这也是一本有用的资源。本书不教授Web开发或机器学习模型的工作原理。
目录
一个新的世界，有AI助手的世界，并欢迎您的加入 * 提示策略 * 工具介绍：我们的AI助手 * 使用HTML和Copilot构建应用的外观 * 使用CSS和Copilot对应用进行样式设计 * 使用JavaScript添加行为 * 使用响应式Web布局支持多个视口 * 使用Web API构建后端 * 使用AI服务增强Web应用 * 维护现有代码库 * 使用ChatGPT进行数据探索 * 使用ChatGPT构建分类模型 * 使用ChatGPT为客户消费构建回归模型 * 使用ChatGPT为Fashion-MNIST构建MLP模型 * 使用ChatGPT为CIFAR-10构建CNN模型 * 无监督学习：聚类和PCA * (请使用“阅读样章”选项查看后续章节)
关于作者
Christoffer Noring 是微软的高级倡导者，专注于应用开发和AI。他是谷歌开发者专家，并在全球范围内进行了100多场演讲。此外，他还是牛津大学的云模式和AI讲师。Chris 还曾出版关于Angular、NGRX和Go语言编程的书籍。 Anjali Jain 是一位驻伦敦的AI和ML专业人士，拥有二十多年的职业生涯。目前，她在Metrobank担任数据架构师，将她在AI、数据、架构、数据治理和软件开发方面的专业知识带入金融行业。Anjali 拥有电气工程学士学位，并拥有TOGAF 9.1和ITIL 2011 Foundation等认证。作为牛津大学的高级AI和ML讲师，她分享了关于各种技术的前沿知识。 Marina Fernandez 是一名数据科学和Databricks顾问，专注于金融风险管理。她是牛津大学的学术团队成员，担任高级AI和ML讲师及客座讲师。在其20年的职业生涯中，Marina 曾参与多个业务领域的大规模企业系统的开发。她的经验涵盖了电子商务、在线学习、软件安全、大宗商品交易、大宗商品交易和风险管理系统以及法规报告。Marina 获得了牛津大学的软件工程硕士学位。此外，她还获得了Microsoft Certified Professional和Certified Scrum Master等专业认证。 Ayşe Mutlu 是一位从事Azure AI和DevOps技术的数据科学家。她常驻伦敦，主要工作是使用微软Azure框架（Azure DevOps和Azure Pipelines）构建和部署机器学习和深度学习模型。她喜欢用Python编写代码，并为Python的开源项目做出贡献。 Ajit Jaokar 是Feynlabs的数据科学家，负责为复杂应用构建AI原型。他还担任牛津大学AI课程主任。此外，Ajit 是牛津大学工程科学的客座研究员，并在伦敦经济学院、马德里理工大学和哈佛大学肯尼迪政府学院的The Future Society教授AI课程。他在牛津大学和自己的公司工作，研究AI的跨学科方面，包括AI与数字孪生、量子计算、元宇宙、农业技术和生命科学。他的教学基于他正在开发的AI和物理信息系统方法学。
成为VIP会员查看完整内容
本书提供了防空和导弹防御系统工程过程的关键见解和设计程序，从而形成一个平衡的导弹防御系统，其要求是满足防空和弹道导弹防御的需要。这本导弹防御系统工程参考书将为导弹防御工程师提供基本的技术基础，使他们能够进行有组织的计划和分析，从而有效地指导问题的定义、后续几代导弹防御系统的研发投入以及现有导弹防御系统的升级。因此，本书将具有国际性和长期的应用价值。
本书重点介绍舰载导弹防御系统，该系统可为本舰提供导弹防御，并保护附近的其他舰船。不过，本书所讨论的系统工程原理也可随时应用于其他导弹防御系统方案。本书的目的是让读者了解导弹防御系统的物理原理以及驱动这些系统能力的关键性能参数。
成为VIP会员查看完整内容
世界在迅速演变，未来潜在的作战环境也是如此。随着军方将重点从反叛乱战争转向多域作战环境中的近距离对手，将需要开展许多现代化工作。这些现代化工作包括将现有系统和系统之系统（SoS）重新用于多域作战，改变现有系统的使用方式，或采购新系统。
这些现代化工作必须在多个系统和 SoS 之间进行，并涉及数十个不同的利益相关方，尽管在未来作战环境中复杂的 SoS 不可避免地会发生相互作用，但这些工作往往是并行的。开发这些系统的时限是几年而不是几十年，而且预算限制和地缘政治的变化也在不断变化。
目前跟踪和记录系统和 SoS 开发的手段是国防部架构框架（DoDAF）。DoDAF 是一种基于模型的系统工程框架，用于通过各种视角、模型、表格和图表，提供系统元素、接口、复杂性、功能、操作目的和连接的可视化，以取代传统的纸质核算方法。为了面向最终用户和决策者，DoDAF 中特有的操作视角（如 OV-1）可用于提供整体画面，让人们深入了解 SoS 将如何在操作环境中使用和互动。
然而，虽然 DoDAF 模型是记录需求的重要工具，但其静态产品对于普通最终用户来说非常复杂和难以理解，用于决策也具有挑战性。在某些情况下，DoDAF 产品被当作一种记账措施，是在已经做出决策之后才完成的。此外，架构的静态性质无法根据绩效和有效性的业务衡量标准来证明或确定手段或方式的有效性，而且几乎没有关于何时或如何生成可执行架构的指导。通常情况下，决策者依靠主题专家（SME）的估计来确定需求和运行影响。然而，仅靠 SME 估算缺乏需求开发的科学依据，如果不正确或不全面，可能会造成高昂的成本。替代方法包括复杂的模拟、战争游戏和实验组织/演习，但这些方法既昂贵又耗时。此外，数据输入数据输出的模拟缺乏学习和互动的益处。
我们需要一个用户友好、开发迅速、计算成本低廉、互动性强的可执行架构（EA）框架，它可以提供各种手段和交易方式，为战略层面的优先排序和投资决策提供信息。该框架必须能深入分析交互作用、二阶和三阶效应以及反馈，并能在信息不完整或缺失的情况下进行开发。该框架必须具有适应性，并包含过去使用的离散事件类型建模难以捕捉的要素。它还必须作为一种玩游戏、促进学习和理解的媒介，而这正是数据驱动模拟所缺乏的。
可执行架构领域正在进行的研究包括从 DoDAF 产品自动生成的方法。然而，目前还没有创建 DoDAF 产品的标准格式。虽然系统建模语言（SysML™）是最常用的方法，但现有系统的 DoDAF 产品有多种格式，如 PowerPoint™、Microsoft Visio™ 和 Sparx System Enterprise Architect™，因此自动生成的可执行架构很难甚至不可能根据最终用户的性能指标进行定制。
图 172： ISR 系统的高级指挥、控制、通信和计算机 (C4) 运行概览 (OV-1)
提出了一个为复杂系统开发整体可执行架构的框架，作为分析 DOTmLP-P（条令、组织、训练、物资、领导、人员和政策）范围内的手段和交易方式的方法，以支持 CBA（基于能力的评估）。空中情报、监视和侦察（AISR）系统的系统架构，包括情报产品处理、开发和传播（PED）的回传，以及利用通用无人机系统支持远程精确射击，作为决策-检测-交付-评估（D3A）行动的一部分，被用作实验和测试框架的案例研究。
事实证明，AISR 和远程精确射击（LRPF）是多域战争的关键组成部分。在过去十年中，对 AISR 的需求以及对这些资产（特别是无人机系统 (UAS)）的快速开发和获取呈指数级增长。虽然研究和开发的重点是无人机系统，但这些资产只是复杂的系统架构（SoS）的一部分，该架构将前沿部署的无人机系统（传感器）与驾驶飞机的飞机操作员（飞行员）以及在全球各地避难所对收集到的数据进行联合 PED 的情报分析师连接起来。
这种复杂的 SoS 架构最初是采用静态 DoDAF 和有限使用离散事件仿真类型的可执行模型来设计和开发的。然而，在过去十年中，为支持全球需求而进行的快速采购导致 AISR 舰队的扩张速度超过了 DoDAF 所能支持的速度。除了在 2017-2042 年期间采购更多无人机系统外，国防部还勾画了未来对 AISR 和 PED 架构进行技术改进的路线图，使其成为演示该框架的可行候选方案。
通过使用系统测试、扇形图、因果循环和模型边界图，初步应用了系统思维，通过对 SoS 的元素、连接和功能的基本了解，降低了系统的复杂性。使用 VensimTM 软件，选择系统动力学作为适当的建模和仿真范例。静态 DoDAF 模型被映射到具有因果循环的系统动力学存量与流量模型的关键特征上，以创建可执行架构，评估随时间变化的反馈循环和相互作用。
为了评估可执行架构对系统结构变化进行评估和比较的能力，根据以前发表的研究成果，重新创建了一个具有标准化输入的基线 PED 系统模型。通过蒙特卡罗模拟、敏感性分析和鲍威尔优化，该 EA 被用来展示评估结构、政策和人员配置变化的能力。随后，PED 模型被纳入更大的可执行架构中，其中包括 AISR 和 D3A 火力系统。
对相关变量进行了参数分析。应用随机分布函数来复制战斗的影响，并根据绩效和有效性的业务衡量标准来评估系统的系统。创建了一个交互式仪表盘环境，通过在假定范围内使用参数变量的滑块，为利益相关者提供交互式学习，并以即时图形显示随时间推移对性能和有效性的业务衡量标准的影响。该仪表板可用于手动进行单变量或多变量敏感性分析，也可作为可视化各种行动方案效果的平台，用于伪桌面战争游戏讨论。
由于组合和维度的复杂性以及敌方的随机效应，采用了点重复的空间填充实验设计来对输入空间进行采样，并考虑噪声变化。这样就能创建代用模型，用于统计评估相关要素之间的复杂交互作用与预期作战产出之间的关系。
实验成功地支持了将系统动力学作为一种手段，在快速开发的互动环境中全面评估复杂的系统间关系，使交易得以进行，也可作为利益相关者和决策者的游戏和学习工具。本文讨论了有关益处和局限性的结论，以及对未来工作和改进的建议。
成为VIP会员查看完整内容
近年来，以大模型为代表的新一代人工智能技术加速迭代，向着更为智能化、通用化、普惠化的方向迈进，成为新一轮科技和产业变革的重要驱动力。然而，当前大模型发展仍存在工程实践复杂、技术选型困难、能力评估不全面等问题，在应用落地过程中面临多重挑战。深入开展大模型技术能力和产业应用研究，积极探索大模型最佳落地路线，有助于加速各行业借助大模型实现智能化改造和数字化转型进程，有力推动“人工智能+”高质量发展。
近日，中国信息通信研究院（简称“中国信通院”）发布《大模型落地路线图研究报告（2024年）》。
报告的前期研究和框架设计过程遵循“需求拉动、问题驱动、创新推动、技术带动”四大原则，充分梳理当前大模型技术能力和产业应用的现状以及落地过程中面临的挑战。报告从现状诊断、能力建设、应用部署、运营管理四个阶段着手，围绕基础设施、数据资源、算法模型、应用服务、安全可信五个层面全方位分析大模型在落地过程中的关键问题与解决思路，探索适合大模型的最佳落地路线。
报告主要内容
1. 现状诊断：剖析大模型发展现状
**剖析大模型发展现状是明晰业务需求、促进企业数字化转型的必要前提。**在能力分析阶段，报告梳理了基础资源、人才团队、战略规划等大模型建设要素，给出了大模型应用能力就绪度的评估框架。在需求分析阶段，报告全面分析了基础设施、数据资源、算法模型、应用服务、安全可信等大模型发展需求。通过统筹规划大模型所需各类资源，总结出需求分析的关键维度和要素。
2. 能力建设：筑牢大模型技术底座
**夯实大模型技术底座是建设技术能力、构建生态要素的重中之重。**在方案设计阶段，报告重点分析了基础软硬件选型、数据集构建、模型选型和设计、应用服务、风险控制等方案设计原则，总结出模型生态、模型优化、模型部署、模型规模等主要选型方案。在研发测试阶段，报告梳理了模型研发、功能验证和性能测试等关键过程，并给出了构建大模型训练推理平台、高质量数据集、算法模型资产、应用服务平台以及风险控制体系的核心思路。
3. 应用部署：革新大模型应用范式
**革新大模型应用范式是打造原生应用、融合业务场景的关键所在。**在应用开发阶段，报告给出了面向业务场景需求定制开发基于大模型原生应用的主要思路。在效能评估阶段，报告构建出了覆盖基础设施、数据资源、算法模型、应用服务、安全可信等层面的大模型应用成熟度评估体系，形成了诊断、建设、应用和评估的有效闭环。
4. 运营管理：构建大模型管理体系
**构建大模型管理体系是监控业务风险、优化管理能力的核心任务。**在运行监测阶段，报告给出了监测基础设施运行状态、数据链路和漂移、算法模型运行情况以及应用服务运行状态的解决思路。在运维管理阶段，报告持续构建并完善了基础设施运营管理体系、数据治理体系、算法模型治理体系、应用服务运营管理体系以及安全可信体系，最终形成五位一体的大模型运营管理体系。
报告目录
一、大模型发展情况概述
（一）全面提升多模态感知能力，推进认知智能走深向实 （二）大模型场景落地百花齐放，擘画智能应用生态蓝图 （三）技术选型与工程实践掣肘，亟需开展落地路线研究
二、诊断大模型能力基础
（一）评估大模型能力发展现状，深入挖掘业务转型需求 （二）梳理人财物要素就绪情况，系统评估人工智能基础 （三）挖掘各类软硬件资源需求，统筹规划业务发展目标
三、筑牢大模型技术底座
（一）剖析大模型关键落地路线，科学确立技术选型原则 （二）设计大模型智能系统架构，制定科学有效解决方案 （三）系统研发大模型技术底座，全面开展功能性能测试
四、革新大模型应用范式
（一）参照业务场景个性化需求，定制化调优专用大模型 （二）开发大模型原生智能应用，实现大小模型协同赋能 （三）构建全链路效能评估体系，形成诊建用评有效闭环
五、构建大模型管理体系
（一）梳理国内外模型治理要点，明晰运营管理体系价值 （二）实时监测大模型运行过程，确保高效稳定提供服务 （三）建立健全大模型管理体系，保障业务高效稳定开展
六、大模型发展趋势展望
（一）探索大模型架构优化方案，带动技术应用双重涌现 （二）紧抓行业数字化转型机遇，全方位打造新质生产力 （三）加强引导大模型可信发展，对齐人类偏好及价值观
主要专家简介
中国信通院人工智能研究所所长，正高级工程师
**魏凯 **
中国人工智能产业发展联盟总体组组长、国际电信联盟SG16国内对口组组长。研究方向为人工智能技术，发表论文20余篇，牵头完成40多项国内国际标准，参与多项人工智能相关国家重大政策文件起草。
中国信通院人工智能研究所平台与工程化部副主任，工程师
董晓飞
长期跟踪人工智能技术发展，牵头多项国际和国内人工智能标准制定，参与多篇人工智能相关标准、研究报告编制工作。
中国信通院南京新一代人工智能研究院副总工程师，工程师
**张学强 **
主要研究方向为人工智能、自然语言处理，参与大模型、智能体、智能客服等标准制定和报告编制，申请发表学术论文、专利、软著20余项。
中国信通院人工智能研究所平台与工程化部主任，高级工程师
曹峰
中国通信标准化协会TC1 WG1（互联网应用总体及人工智能工作组）组长，人工智能关键技术和应用评测工业和信息化部重点实验室副主任。目前主要牵头可信AI人工智能评测标准体系和能力建设，牵头工程化能力等相关评估规范制定与评测等。
版权声明：本报告版权属于中国信息通信研究院，并受法律保护。转载、摘编或利用其它方式使用本报告文字或者观点的，应注明“来源：中国信息通信研究院”。违反上述声明者，本院将追究其相关法律责任。
撰写团队联系方式：
中国信通院 人工智能研究所 张学强 15722924458 zhangxueqiang@caict.ac.cn
成为VIP会员查看完整内容
针对多智能体路径规划(multi-agent path finding, MAPF)问题研究的算法在智能仓储物流、户外危险场地 和城市道路网络等领域有着广泛的应用。 根据不同的求解思路,关于 MAPF 问题研究设计的算法主要可以分为基 于搜索的传统算法和基于学习的智能算法 2 类。 在基于搜索的传统算法研究中,按照路径规划效果不同,又可分 为最优 MAPF 算法和次优 MAPF 算法。 最优 MAPF 算法主要分为基于 A*的搜索、基于代价增长树的搜索 (increasing cost tree search, ICTS)和基于冲突的搜索(conflict based search, CBS)这 3 类;次优 MAPF 算法主要分为 无边界次优的算法和有边界次优的算法 2 类。 基于学习的智能 MAPF 算法可以大致分为结合专家经验的算法和 基于图神经网络(graph neural network, GNN)的算法 2 类。 根据上述分类介绍了近年来具有代表性的研究成果,分 析了各种算法的特点,并对 MAPF 问题未来的研究方向进行了展望。
多智能体路径规划( multi-agent path finding, MAPF)是指在不发生碰撞的前提下对不同起始位 置的多个智能体规划到达各自目标位置的路径,同 时保证一定的路径质量[1] 。 针对该问题的研究在 户外危险场地[2-3] 、智能仓储系统[4] 、城市道路网 络[5] 、电子游戏[6]和航空航天[7] 等领域有着广泛的 应用前景。 特别是在物流运输领域,随着电子技术 和控制理论的快速发展, 自动导引车 ( automated guided vehicle,AGV)作为一种高度智能化的移动机 器人,以较高的可靠性和独特的安全性在实际生活 中得到了广泛的发展和应用,将逐渐替代传统的人 工运输,进而实现运输的智能化。 在部署了大量 AGV 的场景中,高效的 MAPF 算法对于智能体协同 完成任务至关重要。 因此,该领域的研究得到了学 术界和业界的广泛关注。 近年来,针对 MAPF 问题的研究取得了众多极 具价值的进展。 传统的基于搜索的 MAPF 算法通常 为集中式路径规划算法,采用在联合状态空间中搜 索有效路径的方法,因而计算复杂度较高,需要消耗 大量的计算资源,适用于场景地图信息已知且智能 体数量较少的场景,在静态环境下有着良好的表现。 随着完成任务所需的智能体数量的增加、应用场景 规模的扩大以及环境中存在障碍物的动态变化, MAPF 问题变得更加复杂。 研究人员进一步引入了 优先级规划和重规划来提升 MAPF 算法的有效性和 运行效率。 近年来,在人工智能以及机器学习算法 发展的推动下,基于学习的 MAPF 算法逐渐成为了 研究趋势,其在环境信息部分可感知的大规模动态 环境的情况下展示出良好的性能与潜力。 虽然国内外针对 MAPF 问题的研究已经逐渐成 熟,但是对该问题及其派生问题的综述文献较 少[8-11] 。 最新的相关综述文献只给出了经典 MAPF 问题的定义和静态环境下的小规模问题中传统 MAPF 算法的简单分类,没有涉及最新的基于学习 的 MAPF 技术研究。 因此,本文对 MAPF 问题的研 究发展进程进行了详细的调研,从传统的基于搜索 的 MAPF 算法和新兴的基于学习的智能 MAPF 算法 2 个分支对相关研究工作进行了全面的归纳总结, 以便于相关研究人员对 MAPF 问题建立清晰的认 识,进而开拓新的发展方向。 MAPF 算法可分为基于搜索的 MAPF 算法和基 于学习的 MAPF 算法。 基于搜索的传统算法按照路 径规划效果不同,又可分为最优 MAPF 算法和次优 MAPF 算法。 最优 MAPF 算法主要分为基于 A*的 搜索、基于代价增长树的搜索( increasing cost tree search, ICTS ) 和 基 于 冲 突 的 搜 索 ( conflict鄄based search, CBS)这3 类算法;次优 MAPF 算法主要分为 无边界次优算法和有边界次优算法 2 类。 基于学习 的智能 MAPF 算法可以大致分为结合专家经验的算 法和基于图神经网络( graph neural network, GNN) 的算法 2 类,其中结合专家经验的智能算法又可分 为结合多智能体经验和单智能体经验 2 种。 本文首先介绍了经典的 MAPF 问题及相关概 念,给出了问题定义和问题性质。 其次,介绍了传统 的基于搜索的 MAPF 算法,主要从求解结果的最优 性、次优性进行分类,阐述了相关算法的基本思想。 然后,介绍了基于学习的智能 MAPF 算法,按照结合 专家经验的算法和基于 GNN 的算法分别进行阐述, 并且对算法设计的独特之处进行提取。 在归纳整理 现有研究的基础上,总结了现有场景中针对 MAPF 问题所面临的实际挑战,并对未来的研究方向进行 了展望。
成为VIP会员查看完整内容
2016 年，美国空军确定，目前的开发和获取方法可能不足以在 2030 年实现空中优势。由于对手正在采用反介入/区域拒止（A2/AD）战略，预计到 2030 年，空域的争夺将十分激烈。为了保持空中优势，必须弥补能力差距。美国空军将新的开发和采购模式确定为头号非物质能力发展领域。新的研发和采购模式并不是一个新概念。从冷战时期基于威胁的采办到反恐战争时期基于能力的采办，就发生了这种范式的转变。
对美国当前开发与采购方法的调查发现了几种概念方法。基于效能的设计（EBD）和系统的技术识别、评估和选择（TIES for SoS）被作为概念性解决方案提出。这两种方法都旨在评估技术-战术设计空间的手段（用于执行任务的技术）和方式（用于完成任务的战术）。在技术选择过程中，对方式的正确评估将为决策者提供关键信息。这些研究结果表明，需要一种注重实效的新获取模式来改进当前的开发和获取方法。为了评估方式设计空间，当前的方法必须从固定或受限的任务模型转变为最小化定义的模型，并能够探索每种独特技术的战术。
用于战术探索的技术调整决策行为算法（Tech-DEBATE）方法能够探索方式，或者更正式地说，探索任务行动设计空间。然而，任务行动设计空间的规模是巨大的，其复杂性也会急剧增加。为了解决这个问题，本文引入了新颖的决策行为方法，在不限制战术探索的前提下，将任务行动空间离散为决策-状态空间和状态-行动空间。离散的决策行为和状态行为为记录智能体选择的战术提供了一种可追溯的方式。智能体利用深度强化学习开发的决策和状态行为算法来探索每种技术的任务行动设计空间，并学习各自的最优战术。这些经过技术调整的算法减少了对主题专家（SMEs）的依赖，因为主题专家在制定战术时会固有地引入偏见。
任务行动空间内的决策状态空间仍然可能具有巨大的维度。我们引入了新颖的行为适宜性矩阵来降低决策状态空间的维度。在研究多智能体系统中的技术时，需要对维度进行适当的管理。将决策行为算法扩展到合作型多智能体系统是为了确保在技术评估过程中能够捕捉到合作策略。合作智能体行为的引入增加了任务行动设计空间的复杂性。在制定问题时选择分散的智能体，可以识别不依赖于合作决策的独立于智能体的决策和状态行为，从而随着智能体数量的增加而减少所需的算法数量。
该方法还涉及技术和战术备选方案的综合。决策行为方法定义了开发基于智能体的框架的步骤，以便能够探索手段和途径。通过使用具有强化学习功能的随机策略，可以为每种技术备选方案提供不同的战术备选方案。在技术投资决策过程中，对手段和方法前沿的新颖量化为决策者提供了关键信息。
本论文分为五个研究领域，以解决技术评估方法在战术量化方面的不足。首先研究确定一个合适的智能体建模框架。然后可以解决智能体行为框架的开发问题。一旦制定了智能体的建模和行为框架，将讨论进行任务行动设计空间探索的方法。然后将讨论该方法对合作多智能体系统的可扩展性。最后一个研究领域的重点是对结果进行调节，以便对不同的技术-战术组合进行比较。
总之，Tech-DEBATE 方法提供了一种新颖的方法，能够在概念设计期间对技术和战术备选方案进行变异，以促进技术投资。通过这种方法，决策者可以使用一个交互式权衡环境，探索每种相关技术的最佳战术选择。技术-战术算法的新颖表述使人们能够深入了解击败反介入区域拒止战略的有效战术选择，以及维持空中优势所需的技术投资。决策者可获得的基于有效性的信息大幅增加，有助于降低与开发和获取新技术相关的风险和成本。
成为VIP会员查看完整内容
澳大利亚国防科技（DST）集团的陆地能力分析（LCA）未来技术概念探索（FTCE）计划侧重于为陆军设计利用和对抗新兴技术的新颖方法，并评估概念和结构转变的潜在作战效果。这些研究结果提供了供澳大利亚陆军考虑的建议，以便为研究重点提供信息，塑造未来部队，激发思考和辩论，并应对未来作战的挑战。
LCA 与陆军下马作战计划合作，开展了一项 FTCE 研究，以支持未来士兵的发展。该研究旨在开发 2030 年后的探索性概念，以支持士兵系统及相关部队结构和能力的长期发展。该研究以以下问题为指导：
新兴技术的组合将如何改变近战中步兵的战场交战能力？
该研究采用了系统设计方法，将多种分析研究方法与创造性的参与式共同设计活动相结合，为 2030 年后的近战部队提出了新颖的初步概念。本报告完整描述了采用系统设计方法开发的 “小规模战斗迷雾 ”概念。
"小规模战斗迷雾"是一个自上而下的范式驱动概念，其原则是在探测临界值以下，由独立的小分队断开、分解和分散行动，同时提供决定性的多域效果。
这一概念的主要原则是
- 能够分布式行动和作战，集中采取特定行动以压倒较弱的敌人，然后再分散开来
- 能够在没有命令（强调就地决策）或与其他小组直接通信的情况下长时间行动，减少小组的通信和电子特征，提高其生存能力
- 能够提供无处不在的感知和提示--通过强大的情报、监视和侦察能力，以情报为导向，进行 “发现 ”和 “固定”。
- 通过与物理、社会、信息和电子环境融合，能够 “侵袭 ”地形
- 通过利用欺骗和隐蔽（拒绝所有信息）--隐藏在众目睽睽之下--控制和管理其特征的能力
- 具备远程打击能力，与对手交战（"不在那里）
- 只有超越侦测阈值并进行打击（多领域），才能产生高价值效果（决定性打击）
- 小规模战斗，为旅级机动部队采取决定性行动创造有利条件。
小规模战斗营（Bn）包含 25 个小队，由扩大后的营部指挥，依靠人工智能指挥和控制系统对小队进行有效指挥和控制。每个小队由 20 名士兵组成，分为五个功能单元（每个单元四名士兵）--指挥、侦察、先锋、网络电磁活动（CEMA）和打击。小队结构的规模和/或组成可根据行动和战术情况进行调整，辅助人员可提供心理战、防空、人力情报和医疗能力。
小规模战斗部队表现出很强的发现和固定能力，但主要以分布式方式行动，缺乏战斗力，一旦被发现，很容易被迅速超配。
成为VIP会员查看完整内容
本书适合谁？
这是一本关于高维概率的教材，着眼于数据科学中的应用。适用于数学、统计学、电气工程、计算生物学及相关领域的博士生、高年级硕士生和初级研究人员，他们希望扩展对现代数据科学研究中使用的理论方法的知识。
为什么选择这本书？
数据科学发展迅速，而概率方法常常为这些进展提供基础和灵感。典型的研究生概率课程已经不足以达到今天对数据科学初级研究人员所期望的数学复杂程度。本书旨在部分填补这一空白。它介绍了一些可能构成数学数据科学家基本工具箱的关键概率方法和结果。本书可用作面向数据科学应用的概率学第二课程的教材，也适合自学。
本书内容是什么？
高维概率是概率论的一个分支，研究的是维度 n 可能非常大的RnR^nRn 空间中的随机对象。本书特别强调随机向量、随机矩阵和随机投影。它教授这些对象分析的基本理论技能，包括集中不等式、覆盖与打包论证、解耦和对称化技巧、随机过程的链化和比较技术、基于 VC 维度的组合推理等内容。高维概率为数据科学中的应用提供了重要的理论工具。本书将理论与协方差估计、半定规划、网络、统计学习元素、纠错码、聚类、矩阵补全、降维、稀疏信号恢复、稀疏回归等应用相结合。
阅读本书的先修知识
阅读本书的基本前提是掌握严格的概率论课程（硕士或博士阶段），对本科线性代数有优秀的掌握，并且大致熟悉度量空间、赋范空间、Hilbert 空间和线性算子的基本概念。测度论的知识不是必需的，但会有帮助。
关于习题
习题被整合到文本中，读者可以立即做这些习题，以检查自己对刚刚介绍的材料的理解，并更好地为后续内容做准备。习题的难度由咖啡杯的数量标示，从最简单的 (K) 到最难的 (KKKK)。
相关阅读
本书仅涵盖了高维概率理论工具的一小部分，并通过一些数据科学应用进行了说明。本书的每一章都有一个“注释”部分，其中包含了其他相关文本的参考。这里特别指出几个特别有用的来源。经典的 [8] 书籍展示了概率方法在离散数学和计算机科学应用中的应用。即将出版的 [20] 书籍展示了数学数据科学的全景，特别关注计算机科学中的应用。这两本书都适合研究生和高级本科生。讲义 [212] 面向研究生，介绍了高维概率的更多理论材料。 
成为VIP会员查看完整内容
大模型
·
AI大模型是指在机器学习和深度学习领域中，采用大规模参数（至少在一亿个参数以上）的神经网络模型，AI大模型在训练过程中需要依赖大量的算力和高质量的数据资源。2024年，AI大模型的行业应用与技术发展正有效提升千行百业生产要素的产出效率，并相应提高了数据要素在生产要素组合中的地位。基于此，深圳前瞻产业研究院、首钢基金CANPLUS联合华为云，共同撰写了**《2024年中国AI大模型场景探索及产业应用调研报告——大模型“引爆”行业新一轮变革》（以下简称《研究报告》）**。这份报告深入探讨了AI大模型在不同场景下的应用，并结合了多个领域的实际案例分析。此外，报告还对AI大模型在未来市场的发展动态进行了全面的预测和分析，旨在为读者提供一幅清晰的AI大模型的应用发展前景图景。
《研究报告》概览
《研究报告》全文共47页，深入剖析了AI大模型在金融、政府、影视游戏等行业的渗透情况，并预判了技术进步对生产要素产出效率的显著影响。报告指出，截至2023年，中国AI大模型行业规模高达147亿元，未来市场空间增值巨大，目前正通过技术进步逐步提升各行各业的产出效率。其中，AI大模型在金融、政府、影视游戏和教育领域等模型频繁落地的行业渗透率均超过50%，而电信、电子商务和建筑领域相关的应用成熟度较高，行业应用价值正稳步提升；但相应地，中国AI大模型行业亦正面临着算力瓶颈、数据成本高、人才缺口、法规漏洞与市场认知不准确等诸多方面的挑战。在未来，行业发展将存在七大趋势，分别聚焦于技术进化、竞争格局、应用深化与行业影响：技术上，预测、决策及具身智能大模型有望引领下一波行业浪潮，同时AI大模型将轻量化并开源化，促进终端智能化与国产软件生态建设。而在竞争与应用方面，企业将专精化发展，应用场景将多元化并深入决策管理，尤其在金融、电商、教育和医疗领域展现出高应用潜力，且其应用反馈将推动基础科学进步。在《研究报告》的末尾，它还建议政策放宽监管，加速商用模型落地，打造开源生态，加强人才培养，以促进AI大模型行业应用的蓬勃发展。
《研究报告》亮点
《研究报告》亮点聚焦于AI大模型的应用现状和案例分析，不仅强调了国内AI大模型行业的快速增长现象和市场巨大潜力，还强调了AI大模型技术如何提升数据要素的地位，结合二者继而对AI大模型在提升行业效率和推动未来创新可能的方向进行了深入探讨。《研究报告》另外分析了限制行业发展中的相关痛点以及AI大模型行业的竞争格局和投资机会，为投资者和企业家提供了强有力的决策参考。预测在2028年，AI大模型反哺基础科学技术的发展，行业规模将超过1000亿元。
《研究报告》节选
成为VIP会员查看完整内容
《2024年AI大模型应用发展研究报告》深入探讨了AI大模型在电信行业的应用前景，特别是电信运营商与云服务商在该领域的合作机会。报告指出，随着AI技术的快速发展，大模型已成为推动行业创新的关键因素。电信运营商凭借其丰富的数据资源和网络基础设施，与云服务商的技术优势相结合，共同探索AI大模型的多元化发展。**报告提出了“1+3+N”合作体系，即围绕一个算力集群，通过三条技术路线（标准化软件研发、标准模型能力强化、定制化模型精调）和多个应用场景，推动AI大模型在企业知识管理、视联网内容分析、增值内容创作和客户服务等领域的应用。**此外，报告还对AI大模型的未来发展趋势进行了展望，强调了技术创新、应用创新和跨领域协同的重要性。
成为VIP会员查看完整内容
这本由数学领域著名专家撰写的书籍，以生动且清晰的方式引导读者掌握解决数学问题的各种策略，特别是针对数学奥林匹克竞赛的题目。书中涵盖了数论、代数、分析学、欧几里得几何和解析几何，并在全书中提供了大量练习题和示范解答。该书假设读者仅具备基础的数学知识，非常适合14岁及以上的纯数学学生使用。
成为VIP会员查看完整内容
知识库是企业的智慧中枢，汇集了企业经营经验、流程、文献、政策、机理、模型等各类主题内容，承担着提高员工生产力、促进组织协作与创新的重要功能。 企业普遍已经积累了丰富的知识沉淀，如何提高对知识的高效分享、精准应用成为限制知识库价值发挥的“关卡”。进入数字时代后，企业对知识库应用的技术发展推动知识库形态持续迭代，历经数字知识库、智能知识库1.0等阶段后，最终进入融合大模型能力的智能知识库2.0阶段。大模型+知识库同时具备大模型强大的知识整合和推理能力、准确理解用户意图、使用自然语言的交互、极强的泛化能力，以及知识图谱、RAG检索增强生成等技术使企业知识应用变得更简单、高效和广泛。同时，大模型+知识库因其成本低、周期短，成为大模型落地的优先场景，并在金融、政务、电信三个领域中率先落地。这三领域知识繁杂，内部员工使用频繁，且均需面向外部用户提供咨询服务支持，内外需求驱动业内机构快速落地大模型+知识库，如金融应用场景以智能客服、智能投顾、智能报告生成为代表，政务领域应用场景如12345热线、政策标准知识库搜索等。
成为VIP会员查看完整内容
现代战场威胁不断演变，其特点是行动迅速、战场透明和战斗脉冲，即在决策点使用压倒性力量。技术的进步为指挥官提供了近乎实时的信息，缩短了 “观察-方向-决策-行动”（OODA）循环，从而缩短了从传感器到射手的杀伤周期。这种实时信息通过网络连接地理位置分散的实体，通过数据链共享信息，从而提供态势感知。这些数据链需要在各军种之间共享，以确保各部队根据 “共同作战图 ”采取行动。这些数据链路承载着大量的信息，需要在信息有效载荷方面具备先进的能力，以及在通信能力下降的环境中的生存能力。世界各国已经或正在开发新的数据链路，或利用现有的数据链路实现联合行动。然而，尽管正在使用的链路数量众多，但这些链路之间的互操作性仍有待开发--以建立一个通用数据链路，使所有资产（武器平台）都能运行并交换实时信息。美军和北约在这一领域一直处于领先地位。随着逐渐将新技术融入战争，现在正是探索通用数据链路可行性的好时机；JoWIS 联合波形互操作系统既能成为新系统的一部分，又能保持与已在使用的传统系统集成的能力。
关键词-- 数据链路、TDL、链路 11、链路 16、链路 22、JREAP、SIMPLE、NEWN、AFNET、Trigun、IACCS、C4ISR、NCW、NCO、EBO
美军早在 20 世纪 50 年代就开始研制和使用 TDL。为满足特定要求而开发的各种数据链路包括 Link 1、Link 4、Link 11、Link 14、Link 16 和最新的 Link 22。还有其他一些链路，如联合范围扩展应用协议（JREAP），可扩展链路 16/22 的功能和范围（参见图 2）。每个链路都有一个典型的使用案例，如图 3 所示。
“数据链路的发展主要分为两代。第一代数据链路（Link1、Link4、Link11、Link11B、Link14）是上世纪五六十年代在 8 位计算机上开发的，功能有限，数据传输速率慢（600 - 2400 bps）。第二代数据链路（Link16、Link22）是 20 世纪 70 年代和 80 年代在 16 位计算机上开发的，具有多功能和较快的数据传输速率（2400bps-1Mbps）"。
TDL 有助于向指挥官提供联合图像，从而在准确和实时信息的基础上协助精确执行行动。这也是设计符合要求的典型协议的基础。如上所述，在联合行动中使用的运输联络线是链路 16 和链路 22。各条运输联络线的联网方案特点见图 4。
联合波形互操作系统（JOWIS）
在看到印度海陆空三方都在开发或部分开发 TDL 的情况下，现在采取步骤解决正在测试和开发的系统内的互操作性问题将是重要举措。显然，国家骨干网络似乎已经就绪。需要进一步审议的是数据集定义。在这种情况下，要达成一个共同标准将需要巨大的努力和克服技术挑战，因为所使用的系统需要根据所采用的平台考虑外形尺寸或尺寸、重量和功率 (SWaP)。此外，还需要解决多级加密的 LOS 和 BLOS 通信问题。
国家的软件能力需要与学术界、军方和工业界的 “铁三角 ”融合在一起。海军显然在利用 TDL 这一领域走在了前列。平衡两个军种也可以利用类似的链路质量和协议来达成 “联合 ”解决方案。有鉴于此，列出 JoWIS 软硬件的一些要求，但不涉及具体协议栈等技术细节。
成为VIP会员查看完整内容
成为VIP会员查看完整内容
机器学习
计算机视觉
自然语言处理
深度学习
强化学习
人工智能
微信扫码咨询专知VIP会员