搜索
过去几年，神经网络接连改写了一个又一个领域：图像生成有了 Stable Diffusion，视频生成已经能做到以假乱真，就连 3D 渲染也出现了 RenderFormer 这样的纯神经网络方法。但在高保真物理仿真上，神经网络始终没能交出令人满意的答卷，游戏、动画和机器人领域至今仍依赖需要手动调参、难以求梯度的传统求解器。
这是 AI 领域最重要的成果之一。
Caltech的Anima Anandkumar团队利用物理信息神经网络（PINN）和自研优化器，在三维无强迫欧拉方程自由空间中求得奇点候选解，缩放指数收敛至约0.5，但最终证明仍待完成。
CMAP团队发表于TPAMI 2026的工作提出基于一致性模型的对抗净化方法，将传统像素空间去噪转化为隐空间流形优化，使对抗样本映射回干净数据流形，在多种攻击类型与自适应攻击条件下均有效提升深度神经网络的鲁棒性。
千诀科技联合清华大学团队，为神经网络提出了一把新的 “复杂度标尺”。
一篇发表于 2015 年的论文《LINE: Large-scale Information Network Embedding》被授予 Seoul Test of Time Award（时间检验奖）。这篇由国际知名 AI4S 科学家、Mila 终身教授、百奥几何公司创始人唐建博士领衔
长期以来，监督微调（Supervised Fine-Tuning，SFT）一直是深度神经网络中最常用的模型适配手段。在中小规模的传统神经网络中，SFT 通常能够稳定提升下游任务表现。
从大模型的提示词到智能体的 Skills，看着进化了，但又没有完全进化。
如果你身边声称将为人类未来负责的人，这样和你聊天，你感受如何： “在应对 ASL-3 级别的灾难性风险时，我们通过机制可解释性的神经解剖，在神经网络的暗物质中，发现了潜伏特工（Sleeper Agen
一直以来，神经网络的激活函数就像是 AI 引擎中的火花塞。从早期的 Sigmoid、Tanh，到后来统治业界的 ReLU，再到近年来的 GELU 和 Swish，每一次激活函数的演进都伴随着模型性能的提升。但长期以来，寻找最佳激活函数往往依赖于人类直觉或有限的搜索空间。