中国全球海洋融合数据集1.0发布 - 中国国家海洋信息中心在第三届联合国海洋大会期间发布中国全球海洋融合数据集1.0(CGOF1.0) [1] - 数据集整合了国内外40多种数据来源并融入中国自主海洋观测数据 [1] - 数据时间跨度长达60年且空间分辨率达到10公里 [1] - 采用深度学习、迁移学习、机器学习等先进AI技术提升数据精度 [1] - 数据精度较国外主流数据集有所提升 [1] 技术应用 - 数据集开发运用了AI智能技术包括深度学习、迁移学习和机器学习 [1] - 技术应用显著提升了海洋数据的处理能力和精度水平 [1] 国际合作 - 数据集发布活动由中国在联合国海洋大会期间主办 [1] - 发布活动由中国和法国、哥斯达黎加共同参与的联合国框架下进行 [1]

当科技巨头们在数十亿美元的AI技术竞赛中狂奔时，人工智能的奠基人之一却发出了一个令人不寒而 栗的警告：新一代的大模型正在学会"说谎"。 6月3日，据英国金融时报消息，被誉为"AI教父"之一的Yoshua Bengio近日警告称，新一代大模型正在表 现出令人担忧的危险特征，包括对用户撒谎和欺骗。 这位图灵奖得主、加拿大学者Bengio近日公开批评了科技巨头当前数十亿美元的AI竞赛，他表示： "不幸的是，领先实验室之间存在着激烈的竞争，这推动他们专注于提升AI的能力，让AI变 得越来越聪明，但没有在安全研究上投入足够的重视和资金。" 据介绍，Bengio的研究工作为OpenAI和谷歌等顶级AI公司的技术发展奠定了基础。作为深度学习领域 的奠基人之一，他的警告无疑具有重量级的意义。 令人不安的"撒谎"行为 Bengio的警告并非空穴来风。过去六个月的研究证据显示，领先的AI模型正在发展出令人不安的能力， 这些模型表现出了"欺骗、作弊、撒谎和自我保护的证据"。 Anthropic的Claude Opus模型在一个虚构场景中，当面临被其他系统替换的风险时，竟然对 工程师进行了"勒索" 更为震撼的是，AI测试公司Pali ...

深度学习激活函数研究 - 当前深度学习领域对激活函数的研究已成为独立方向，GELU、SELU和SiLU等函数因平滑梯度和卓越收敛特性成为热门选择[2] - 经典ReLU函数虽因简洁性和稀疏性广受青睐，但存在"死亡ReLU问题"，即神经元输出恒为0时梯度也为0无法恢复[3] - 为解决该问题已出现多种改进线性单元函数，包括LeakyReLU、PReLU、GELU等，通过为负预激活值引入非零激活提供不同权衡[3] SUGAR方法创新 - 研究提出SUGAR方法，前向传播使用标准ReLU保持优势，反向传播时替换ReLU导数为非零连续替代梯度函数[3] - 该方法可在保持ReLU原始前向行为的同时避免梯度为零问题，从而复活死神经元[4] - 设计了两种新型替代梯度函数：B-SiLU（Bounded SiLU）和NeLU（Negative slope Linear Unit），可无缝集成各种模型[5] 性能提升表现 - SUGAR结合B-SiLU时，VGG-16在CIFAR-10和CIFAR-100测试准确率分别提升10和16个百分点，ResNet-18分别提升9和7个百分点[6] - 在CIFAR-10数据集上，B-SiLU使ResNet-18性能从76.76%提升到86.42%，VGG-16从78.50%提升到88.35%[16] - 在CIFAR-100数据集上，B-SiLU使ResNet-18准确率从48.99%跃升至56.51%，VGG-16从48.73%提升至64.47%[18] 技术实现细节 - SUGAR方法将FGI（Forward gradient injection）应用于具有平滑替代函数的ReLU网络[8] - 替代函数选择灵活，可兼容当前最先进的各类激活函数如ELU、GELU、SiLU等[8] - B-SiLU函数结合自门控特性和可调下限参数，数学表达式为(x+α)·σ(x)-α/2，其中α=1.67[13] 实验验证结果 - 在Swin Transformer和Conv2NeXt等现代架构上评估显示SUGAR具有良好的适应性和有效性[9] - 对VGG-16层激活分析表明，应用SUGAR时激活分布明显变化，促进更稀疏表示[9] - 在Conv2NeXt上，SUGAR在前向和反向传播过程中均始终优于使用GELU的基础模型[22]

量化模型与构建方式 1. **模型名称：Mamba-MoE** - **模型构建思路**：通过Mamba架构高效提取时间序列特征，结合混合专家模型（MoE）进行多模型融合，同时引入线性与非线性的风险约束以降低风险暴露[2][3][44]。 - **模型具体构建过程**： 1. **任务一（Alpha因子生成）**：使用Mamba模块处理股票特征序列（维度为`(batch_size, window_length, feature_num)`），通过卷积和SSM（选择性状态空间模型）提取时序特征，输出Alpha因子[27][30][32]。 - SSM离散化公式： $$\bar{A}=\exp(\Delta A),$$ $$\bar{B}=(\Delta A)^{-1}(\exp(\Delta A)-I)\Delta B.$$ 2. **任务二（非线性风险因子生成）**：构建异质图（节点为股票风险因子，边包括同行业关联和高相似度关联），通过图卷积生成非线性风险因子[47][48]。 3. **损失函数**：结合Alpha因子与风险因子的相关性惩罚项： $$L=MSE(\hat{y},y_1)+MSE(\hat{r},y_2)+\frac{\alpha}{d_R+1}\sum_{i=1}^{d_R+1}\rho(\hat{y},R_i)^2.$$ - **模型评价**：双任务学习显著降低风险暴露，提升因子稳定性；MoE融合增强模型泛化性[53][56][72]。 2. **模型名称：Mamba-10与Mamba-5** - **构建思路**：分别以10日和5日收益为标签训练模型，通过交叉验证生成多个子模型，等权或MoE融合[98][99]。 - **具体构建**：5折交叉验证扩展窗口训练，MoE路由器结合股票特征与市场特征动态加权[98][99]。 --- 量化因子与构建方式 1. **因子名称：Mamba-MoE合成因子** - **构建思路**：融合Mamba-5和Mamba-10的多模型输出，结合风险中性化约束[103][137]。 - **具体构建**： - 对Alpha因子进行行业市值中性化处理。 - 通过MoE加权合成，路由器输入包括股票特征和市场特征（如指数收益率、VIX等）[98][99]。 - **因子评价**：稳定性优于单模型，对市值暴露控制较好，但对低波动和低流动性有一定暴露[103][137]。 2. **因子名称：非线性风险因子** - **构建思路**：捕捉风险因子间非线性交互及股票关联信息[44][48]。 - **具体构建**：基于CNE6风险因子构建异质图，通过GNN生成非线性风险因子[48][49]。 --- 模型的回测效果 1. **Mamba-MoE模型** - Rank IC：13.22%，ICIR：1.28，多头年化收益：33.01%，多空Sharpe Ratio：9.25[103][137]。 - 沪深300增强年化超额收益：9.02%，跟踪误差：4.26%[156]。 2. **Mamba-10模型（双任务）** - Rank IC：12.83%，ICIR：1.28，多空最大回撤：11.71%[56][72]。 3. **行业风格中性化测试** - 双任务设定下Rank IC衰减至8.81%，但多空Sharpe Ratio仍达11.49[72]。 --- 因子的回测效果 1. **Mamba-MoE合成因子** - 全市场十分组测试：多空年化收益125.32%，波动率13.55%[103]。 - 分域测试（中证1000）：Rank IC 11.12%，多空Sharpe Ratio 7.17[137]。 2. **非线性风险因子** - 与流动性因子相关性：-20.74%（双任务）[78][79]。 --- 关键创新点 - **风险中性化**：通过损失函数直接约束风险暴露，避免组合优化时的信号扭曲[44][50]。 - **多模型融合**：交叉验证与MoE集成缓解分布漂移问题，提升稳健性[2][98][99]。 - **高效计算**：Mamba的线性复杂度优于Transformer，支持并行训练[23][31]。

遥感智能识别技术应用 - 广东省农业技术推广中心在阳江市、江门市举办豇豆无人遥感智能识别技术演示活动，探索产业发展新路径[5][6][7] - 技术基于航空摄影测量与图像处理，通过无人机获取厘米级高精度影像，结合AI深度学习构建语义分割模型，识别准确度超95%[18][19][20][21] - 配套数据可视化系统实现种植面积精准统计，形成从数据采集到分析展示的闭环管理[23][24][25] 豇豆产业现状与痛点 - 豇豆是我国重要蔬菜作物，广东种植规模持续扩大，但传统人工巡查存在效率低、精准度不足问题[15][16] - 遥感技术可破解产业痛点，提升管理效率，为提质增效提供科技支撑[17][25] 政策与科技协同发展 - 阳江市强调发挥农业科技特派员作用，推广绿色防控技术，加强安全生产培训[31][32][33] - 江门市提出利用遥感无人机实现生产可视化监管，推动产业向智慧化、绿色化、品牌化转型[35][36] - 广东省农科院提出病虫害防治六点建议，包括预防为主、科学用药、遵守安全间隔期等[48][49][50] 数字化服务平台建设 - 推广"粤农友圈"平台，采用"数字化+精准化"模式，整合农技服务资源，实现农户技术指导与信息共享[55][56][57][58] - 平台有效推动农业科技成果转化与农户需求对接，构筑产业协同发展数字化支撑体系[57][59][60] 技术推广与产业展望 - 活动通过田间交流、技术演示等形式为豇豆产业提供新思路，未来将持续深化科技创新[62][63] - 遥感技术将助力豇豆产业迈向高质量发展新征程[63]

量化模型与构建方式 1. **模型名称**：GAN_GRU模型 - **模型构建思路**：结合生成式对抗网络（GAN）和门控循环单元（GRU）的深度学习模型，通过GAN处理量价时序特征后，利用GRU进行时序编码生成选股因子[9][10] - **模型具体构建过程**： 1. **数据输入**：18个量价特征（如收盘价、成交量等），过去400天的数据，每5天采样一次，形成40×18的特征矩阵[13][14] 2. **GAN部分**： - **生成器（G）**：LSTM结构，输入噪声生成模拟量价特征，损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ - **判别器（D）**：CNN结构，区分真实与生成特征，损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ - 交替训练G和D直至收敛[20][23][26] 3. **GRU部分**：两层GRU(128,128)提取时序特征，后接MLP(256,64,64)输出预测收益pRet作为因子[18] 4. **数据处理**：时序去极值+标准化，截面标准化[14] - **模型评价**：通过对抗训练提升特征生成质量，保留时序特性，适配金融数据的高噪声环境[29][33] --- 量化因子与构建方式 1. **因子名称**：GAN_GRU因子 - **因子构建思路**：基于GAN_GRU模型输出的预测收益pRet，经行业市值中性化+标准化处理后作为选股因子[18][37] - **因子具体构建过程**： 1. 模型每半年滚动训练（6月30日/12月31日），预测未来半年收益[14] 2. 剔除ST股及上市不足半年的股票，保留有效样本[14] 3. 因子值=模型输出的pRet，截面排序后取前10%作为多头组合[37][44] --- 模型的回测效果 1. **GAN_GRU模型**： - **IC均值**：11.57%（全A股，2019/01-2025/05）[37] - **ICIR**：0.89[38] - **年化超额收益率**：25.01%[37] - **信息比率（IR）**：1.66[38] - **最大回撤**：27.29%[38] --- 因子的回测效果 1. **GAN_GRU因子**： - **近期IC（2025/05）**：-0.28%，近一年IC均值11.54%[37][38] - **行业表现**： - 当期IC前五行业：社会服务（30.15%）、国防军工（28.07%）、银行（25.31%）[39] - 近一年IC均值前五行业：建筑装饰（18.54%）、公用事业（18.14%）[39] - **多头组合超额收益**： - 当期最高行业：商贸零售（8.22%）、国防军工（7.15%）[42] - 近一年月均最高行业：石油石化（5.60%）、建筑材料（5.29%）[42] --- 多头组合示例（2025/05） - **前十个股**：顺威股份（家用电器）、博深股份（机械设备）、九典制药（医药生物）等[44][48] - **行业排名第一个股**：如顺威股份（家用电器）、盛剑科技（环保）等[44]

蛋白质结构预测技术突破 - 南开大学郑伟教授团队开发了新型蛋白质结构预测工具D-I-TASSER，在CASP15比赛中表现优于AlphaFold2和AlphaFold3 [2][3] - D-I-TASSER成功预测了人类蛋白质组中19512个蛋白质，覆盖率达95%，能够折叠81%的蛋白质结构域和73%的全长序列 [3][12] - 该技术融合深度学习和物理模拟，实现了高精度的蛋白质结构和功能预测 [3] AlphaFold的局限性 - AlphaFold在多结构域预测方面存在短板，80%的人类蛋白质含多个结构域，传统方法常忽略域间相互作用 [6] - AlphaFold是静态模型，难以捕捉蛋白质动态变化，对缺乏同源序列的蛋白质预测能力骤降 [6] - 纯数据驱动方法可能丢失蛋白质折叠的底层物理规律 [6] D-I-TASSER技术创新 - 深度融合深度学习与物理模拟，整合多源信息并利用物理引擎迭代优化结构 [8] - 首创自动切割-独立预测-动态组装的流程，域内精度达0.858，较AlphaFold2提升2.8%，域间取向误差降低17% [8] - 采用升级版DeepMSA2搜索宏基因组数据库，多序列比对信息量提升6.75倍 [11] 技术性能表现 - 在CASP15盲测中，对困难靶标的预测精度比AlphaFold2高29.2% [11] - 成功解析超过3000个氨基酸残基的超大蛋白质，如新冠病毒刺突蛋白，捕捉开放/闭合双构象 [11] - 无序区域构象多样性比AlphaFold高59%，系统注释了ATP结合、铁硫簇组装等关键功能位点 [14][15] 当前挑战 - 对孤儿蛋白（同源序列<1%）预测精度降至0.67 TM-score [20] - 尚未涉及蛋白质复合体的结构预测 [20] - 计算耗时仍高于纯深度学习模型 [20]

智源大会概况 - 第七届北京智源大会将于2025年6月6日至7日在中关村国家自主创新示范区展示中心举行，汇聚全球顶尖AI研究者[3] - 大会自2019年创办以来已吸引12位图灵奖得主参与，每年有200余位专家参会，联动全球30多个国家和地区的50万从业者[3] - 2025年大会将迎来四位图灵奖获得者，云集MIT、斯坦福、清华、北大等20+顶尖科研院所及DeepMind、华为、阿里等企业专家[4] AI技术发展趋势 - 深度学习和强化学习的技术交叉成为下一代通用人工智能基石，2016年AlphaGo成功推动两者融合[2] - 2025年AI发展关键词包括推理大模型兴起、开源生态加速（如DeepSeek）、具身智能百花齐放（VLA等开源模型推动）[2] - 基础理论领域聚焦深度推理模型、多模态模型、类脑大模型、NeuroAl等20个前沿议题[6][8] 大会核心议程 - 设立基础理论、应用探索、产业创新、可持续发展四大主题，包含近20场专题论坛[4] - 专题涵盖自主智能体、AI for Science、智能驾驶、AI安全等方向，特别设置"大模型产业CEO论坛"（智谱AI、面壁智能等参与）[5][11] - 新增"InnoVibe共创场"为青年学者提供成果分享平台，同步开设AI互动展区展示前沿科技[5] 产业生态与创新 - 开源生态加速演进，PyTorch Day China和AI开源项目Tech Tutorial系列活动推动技术落地[11] - 具身智能与人形机器人、AI+理工/医学等应用探索成为产业焦点[8][11] - 企业创新路径涵盖从AI for Science到AI for Industry的完整链条[11]

智源大会概况 - 2025年第七届北京智源大会将于6月6-7日在中关村国家自主创新示范区展示中心举行，汇聚全球顶尖AI研究者与产业领袖 [3][4] - 大会自2019年创办以来已吸引12位图灵奖得主参与，每年有200+专家参会，覆盖全球30+国家/地区的50万从业者 [3] - 2025年大会将迎来四位图灵奖得主，以及来自MIT、斯坦福、清华、北大等20+顶尖科研院所的科学家 [4][5] AI技术发展趋势 - 深度学习和强化学习的技术交叉成为下一代通用人工智能基石，如2013年DeepMind的DQN和2016年AlphaGo的突破 [2] - 2025年AI发展关键词包括推理大模型兴起、开源生态加速（如DeepSeek和VLA模型推动具身智能演进）、创新企业涌现 [3] - 基础理论领域聚焦深度推理模型、多模态模型、类脑大模型、NeuroAl等方向 [7][10] 产业应用与创新 - 应用探索涵盖具身智能与人形机器人、自主智能体、AI for Science（AI4S）、AI+理工/医学等方向 [8][10] - 产业创新板块设置大模型产业CEO论坛，邀请智谱AI、面壁智能、生数科技、爱诗科技等企业探讨演进路径 [5][10] - 智能驾驶、具身技术产业应用、从AI for Science到AI for Industry成为重点议题 [10] 特色活动与生态建设 - 首次推出"InnoVibe共创场"，邀请热门论文作者分享成果，为Z世代AI青年提供展示平台 [5] - 设置AI互动展区展示前沿科技，同期举办PyTorch Day China、AI开源项目Tech Tutorial等系列活动 [5][12] - 可持续发展议题关注AI安全、青年科学家发展、开源生态建设等方向 [11][12]

人工智能编码能力 - 编码人工智能将成为未来社会的基础技能，类似于现在的读写能力 [1] - 人工智能和数据科学的应用范围远超传统软件工程，可在任何产生数据的场景中使用 [2] - 线性回归等AI模型可帮助小型企业优化运营，如披萨店的人员配备和供应链管理 [2] 人工智能职业发展路径 - 职业发展三步骤：学习基础技能、从事项目工作、找到工作 [3] - 人工智能领域需要持续学习，技术更新速度比成熟领域更快 [3] - AI项目具有高度迭代性，项目管理面临特殊挑战 [4][5] 人工智能技术技能 - 机器学习基础技能包括理解各类模型和核心概念 [7] - 深度学习是机器学习的重要组成部分，需要掌握神经网络等知识 [7] - 关键数学领域包括线性代数、概率统计和微积分 [8] - 软件开发技能可显著增加就业机会 [8] 人工智能项目执行 - 识别业务问题而非AI问题是项目成功的第一步 [14] - 评估AI解决方案需考虑技术可行性和业务价值 [16] - 项目里程碑应包括机器学习指标和业务指标 [17] - 资源预算需涵盖数据、人员和集成支持等要素 [18] 人工智能求职策略 - 角色转换或行业转换可采取分步策略降低难度 [27] - 创业公司比大公司更易于实现角色转换 [28] - 信息面试是了解目标公司和角色的有效方式 [31][33] - 简历和项目组合是求职过程中的关键要素 [36] 人工智能职业成功要素 - 团队合作和沟通技巧对大型项目至关重要 [43] - 建立职业网络和社区比单纯社交更有价值 [43] - 良好习惯和纪律性是长期成功的保障 [45] - 利他主义态度有助于个人职业发展 [46]