技术突破概述 - 加州大学圣地亚哥分校团队开发出基于深度学习的抗运动干扰人机交互界面 即使在剧烈运动环境下也能实现精准手势识别和机械臂控制[3] - 该研究发表于Nature新子刊Nature Sensors 是该期刊首篇论文[3] 运动干扰挑战 - 传统可穿戴惯性测量单元（IMU）在真实世界应用中受到运动伪影严重干扰 可能来自行走、跑步或交通工具振动[7] - 运动干扰可能与手势信号频率相似或幅度更大 从而淹没手势信号 且在不同个体间存在差异[7] 传感器系统设计 - 传感器系统集成六通道IMU、肌电信号（EMG）模块、蓝牙微控制器单元和可拉伸电池 尺寸仅为1.8×4.5 cm² 厚度2毫米 拉伸性超过20%[9] - 采用四层设计：第一层电池经过60次充放电循环后仍保持约25mAh容量 库仑效率接近100% 第二层包含EMG信号采集模块 使用三层电极结构[9] - 第三层集成IMU和蓝牙单元 蓝牙信号在20米距离内保持稳定 连续运行30分钟最高温度仅27.7°C 佩戴1小时皮肤温度稳定在34.5°C[9] 深度学习算法性能 - 基于LeNet-5的卷积神经网络（CNN）在复合数据集测试中表现最佳 召回率大于0.92 精确度大于0.93 F1分数大于0.94 特异性大于0.99[12] - CNN架构包含三个卷积层、三个最大池化层和三个全连接层 训练准确度收敛至接近1 损失接近0 确认无过拟合问题[12] 个性化迁移学习 - 应用基于参数的迁移学习增强模型泛化能力 仅需每个手势2个样本（坐姿和躺姿各一个）即可将19种手势最小识别准确度从51%提升至92%以上[14] - 数据收集时间从约2分钟大幅减少到约6秒 学习率从0.01调整至0.001进行微调[14] 实时控制性能 - 采用滑动窗口机制（窗口长度1秒 滑动步长0.25秒）实现连续手势识别 蓝牙传输延迟约1毫秒 CNN模型预测时间约1毫秒[16] - 机械臂在接收到三个连续相同预测（约3毫秒）后275毫秒内响应执行动作 在跑步机运动场景下仍能精确控制[16][18] 水下应用拓展 - 系统经Scripps海洋-大气研究模拟器训练后 在叠加海浪干扰的IMU信号测试中召回率、精确度、特异性和F1分数均接近1[20] - 海水环境可降低电极-皮肤阻抗 增强EMG信号质量 已成功应用于潜水员控制水下机器人进行目标跟踪、海洋数据收集等任务[20]

人工智能术语框架 - 人工智能是一个广泛领域，专注于创造能执行需要类似人类智能任务的机器，如学习、推理或决策[4] - 机器学习是人工智能的一个分支，使计算机无需显式编程即可从数据中学习，能够识别模式并基于历史信息做出预测[4] - 深度学习是更高级的机器学习形式，使用多层人工神经网络，擅长处理复杂的高维数据，如图像、视频和自然语言[4] - 生成式人工智能旨在根据从大型数据集中学习到的模式创建新内容，包括文本、图像、音频甚至代码[4] 人工智能的商业重要性 - 人工智能正以前所未有的速度被广泛应用，因其直接关联企业的效率、盈利能力和竞争力，公司正积极将其融入日常运营以实现大规模快速决策[6] - 人工智能的真正影响力在于能够将预测转化为自动行动，如触发警报、推荐补货数量、优先选择配送路线或在供应风险演变成中断之前发出预警[6] - 人工智能在数据量庞大、决策可重复、信号嘈杂或快速变化的环境中尤其强大，非常适合市场营销和供应链运营[6] - 最有效的人工智能系统是在人工监督下运行的决策系统，旨在增强而非取代判断，需使用MAPE、MAE等传统统计精度指标进行持续评估[6] 人工智能在市场营销中的应用 - 个性化功能利用机器学习技术根据用户过去的行为定制内容，分析点击、购买记录、滚动模式和会话行为等信号以确定最可能促成转化的信息或产品[12] - 视觉推荐无需用户明确要求即可优化显示内容，利用余弦相似度等方法将用户与相似内容进行匹配，应用于亚马逊的产品轮播和Netflix的推荐板块[12] - 由生成式人工智能驱动的聊天机器人已成为标准客户触点，可回答问题、推荐后续步骤并全天候完成交易，必要时转接人工客服[12] - 预测分析利用机器学习模型在客户流失或营销活动效果等结果发生之前进行预测，通过比较线性回归和XGBoost等模型确定预测销售结果的最佳模型[12] 市场营销与供应链的协同 - 营销活动会引发需求冲击，成功的广告宣传、促销或产品发布可立即刺激需求，人工智能应帮助预测需求并自动标记其对供应链的影响[15] - 将市场营销和供应链联系起来的是共享数据，双方必须在SKU标识符、地理区域、销售渠道、日历和促销元数据方面保持一致[15] - 市场营销关注点击率和订单量，供应链关注订单满足率和准时足量交付率，当两者对绩效的看法不一致时会导致客户不满和运营效率低下[15] - 供应链漏斗是销售漏斗的运作镜像，始于市场营销活动产生的需求信号，经供应计划、生产或采购、物流配送，最终到达客户服务和交付绩效[16] 现代供应链挑战及人工智能应用场景 - 现代供应链面临复杂性、不确定性、速度和可持续发展四项普遍挑战，复杂性源于管理多层级网络、漫长交付周期及日益增多的限制因素[19] - 不确定性由促销需求激增、天气干扰、季节性变化及牛鞭效应等因素造成，需求的微小变化会在上游被放大[19] - 企业越来越依赖人工智能来更准确地预测需求并在问题发生之前采取积极主动措施，人工智能在预测和需求规划中发挥关键作用[19] 人工智能在预测和需求规划中的应用 - 现代人工智能预测模型通常将ARIMA或ETS等时间序列方法与XGBoost或神经网络等机器学习技术相结合，时间序列模型分析历史需求数据检测季节性和周期性模式[22] - 为评估模型可靠性，需使用平均绝对百分比误差以百分比形式衡量预测值与实际值的偏差，平均绝对误差以数据本身相同单位表示平均预测误差[22] - 偏差衡量预测是否持续高估或低估需求，长期高估导致库存过剩，低估导致缺货，F1分数在预测客户流失等事件时平衡精确率和召回率[22] - 企业通常先进行更高层次预测如全国总需求，再细化到特定地区、渠道或SKU，人工智能能够随新数据流入实时更新预测结果[23] 人工智能在库存优化中的应用 - 人工智能可根据产品重要性、周转率或利润贡献对其进行分类，自动确定合适的服务水平目标，并根据预测误差和交货周期波动计算安全库存[26] - 通过多级优化降低系统总库存，人工智能评估整个网络找出存放库存最佳位置，这种系统级视角可降低整体库存成本同时提高服务一致性[26] - 人工智能可根据最新需求数据、供应状况和绩效结果每周甚至每天自动更新补货点和订货量，消除人工库存盘点的滞后性和猜测性[26] - 人工智能模型可模拟不同场景，确定库存持有成本与缺货风险之间的理想平衡点，使领导者能够充分了解财务影响后再做决策[26] 人工智能在物流和运输领域的应用 - 具有时间窗口和实时重新规划功能的路径规划意味着人工智能可根据交付时间承诺不断解决车辆路径问题，并在途中出现交通、天气或新订单时立即重新优化路线[29] - 预计到达时间预测利用人工智能结合实时交通状况和历史驾驶员表现，比依赖通用估计更准确地预测到达时间[29] - 预测性维护可监控车队和物料搬运设备，在故障发生之前检测到故障，减少停机时间并防止意外故障[29] - 码头动态调度功能使人工智能能够根据当前拥堵情况、货运量和紧急程度，自动将卡车分配到最有效的装卸位置以保持作业顺利进行[29] 人工智能在供应商和风险管理中的应用 - 供应商评分卡使人工智能能够追踪多个供应商的准时交付率、百万分之质量缺陷率和交货周期差异，持续评估数据并自动标记问题[33] - 预警系统利用人工智能技术监测新闻、天气预报、港口活动和地缘政治数据，在潜在干扰影响运营之前发现并应对，使企业能够提前制定备选方案[33] - 自然语言处理可以读取供应商合同，提取重要条款如交货周期、违约金条款或排他性限制，并提醒决策者当前绩效是否偏离约定范围[33] 人工智能在仓储和自动化领域的应用 - 计算机视觉利用摄像头和人工智能技术实时检测错拣商品、损坏商品或库存数量错误，在商品到达顾客手中之前减少错误，比人工盘点有显著进步[37] - 任务编排通过根据当前需求和可用产能自动协调人类工人和自主机器人，来确定谁应该做什么以及何时做[37] - 任务优化通过分配优先级、管理队列以及优化任务在设施内的执行地点来改善工作流程，仿真软件可利用机器学习模拟不同优化方案[37] - 货位优化根据ABC周转率对库存进行排序，人工智能将周转率最高的商品放置在靠近包装或装货区的位置，以减少运输时间并提高吞吐量[37] 人工智能在可持续发展和ESG中的应用 - 按发货或SKU进行碳核算可以让人工智能计算每次产品运输对环境的影响，并在做出决策之前评估减少燃料排放的替代路线[40] - 减少浪费利用人工智能对退货进行分类，优先考虑哪些产品可以重新入库、回收或翻新，还可根据保质期预测重新订购易腐烂商品[40] - 循环流程使人工智能能够推荐维修、翻新或再利用方案，而不是默认丢弃，有助于向循环供应链转型使产品重新循环利用[40] 机器学习技术分类 - 监督学习在预期结果已知时使用，人工智能通过对已标记示例进行训练并学习预测未来值，常用于需求预测、预计到达时间预测和质量评分[44] - 无监督学习不需要预先标记结果，人工智能自行寻找数据中的结构，如将相似门店或SKU聚类在一起或检测设备传感器数据中的异常情况[44] - 强化学习通过反复试错做出决策，并随时间从行动结果中学习，在不确定性较高环境中如动态定价或调整库存策略时尤其有用[44] 机器学习模型演进 - 线性回归是应用最广泛、最基础的机器学习模型之一，根据过去行为预测未来结果，速度快、易于解释，广泛应用于高管仪表盘和财务建模[47] - 决策树根据简单决策规则将数据划分为多个分支，具有很强的可解释性，适用于预测和表格形式的业务数据[50] - XGBoost是一种先进集成方法，构建多个小型决策树并将它们组合提高准确率，擅长处理结构化供应链和营销数据中多种输入因素的交互作用[50] - 神经网络在识别复杂模式方面非常强大，适用于非结构化数据或基于传感器的数据，如图像、音频或实时物联网数据流[50] 大型语言模型与迁移学习 - 大型语言模型利用海量公共文本数据进行训练，学习人类语言结构和含义，能够理解并回应从未见过的句子，具有泛化能力[56] - 迁移学习利用规模较小、特定于业务的数据集对预训练的语言学习模型进行微调，使人工智能在保留广泛语言理解能力的同时针对特定领域进行专门化训练[56] - 检索增强生成技术使人工智能不仅依赖于训练期间学到的知识，还会主动从可信来源实时检索外部知识后再生成响应[59] 人工智能统一视角与新兴趋势 - 分层模型中，营销需求信号如点击率、营销活动效果、网站流量和预购意向被实时捕捉为意向信号，输入到人工智能需求预测层[63] - 数字孪生是真实供应链的虚拟副本，可模拟港口关闭、供应商延迟或需求激增等中断情况，在实际发生任何事件之前测试应对措施[66] - 生成式人工智能智能体能够更主动地进行规划工作，如总结风险、制定采购建议，并根据运营数据创建标准操作流程，自主运行监控实时数据[66] - 大型语言模型副驾驶允许规划人员以对话方式与供应链系统进行交互，获得清晰易懂且基于公司内部数据的答案[67]

极端降雨预测技术突破 - 印度理工学院孟买分校与马里兰大学合作开发基于卷积神经网络与迁移学习的超本地预测模型 实现对极端降雨事件提前数天预报[1] - 模型将分辨率从传统全球预报系统的25平方公里下调至城区级别 显著提升空间精度[1][3] - 采用事件同步方法和Louvain算法识别极端降雨空间同步模式 效率优于传统聚类方法[3][7] 模型数据与方法论 - 使用美国国家环境预报中心全球预报系统数据 时间覆盖2015年6月至2023年9月 空间范围北纬18°–20°、东经72°–74° 分辨率0.25°×0.25°[4] - 整合孟买市政公司36个自动气象站数据 记录周期每15分钟一次 时间范围2006至2023年[4] - 通过相关性筛选保留与降雨强相关的可降水量、相对湿度、温度、气压等气象因子作为预测变量[4] 模型性能表现 - 迁移学习模型在提前1至3天预报中均优于传统模型 提前两天表现尤为突出[13] - 极端降雨预测准确度较全球预报系统提升60%-400% 第1-2天预报能更早捕捉暴雨过程[15] - 在95%和99%分位数检验中 虚假警报率显著降低 威胁评分最高提升400%[15][17] 印度人工智能战略布局 - 印度政府启动"IndiaAI Mission" 目标6-10个月内完成本土基础模型研发[20] - 全球采购18,600块GPU建立IndiaAI Compute Facility 为初创公司和研究团队提供补贴算力[20][21] - 指定本土AI公司Sarvam开发印度首个多语言"主权大模型" 重点服务医疗、政务等领域[20]

**公司及行业** 第四范式 企业级人工智能平台公司 专注于通过AI技术赋能企业数字化转型[1][3] **核心业务与产品** * 核心业务包括先知AI平台 SHIFT智能解决方案平台和AIGS服务[2][4] * 通过AutoML和迁移学习技术构建低门槛AI开发套件及AIOS平台[2][3] * 提供软件使用许可及相关产品 在能源 银行 保险 证券 制造 医疗和零售等领域提供行业解决方案[4] * 通过咨询加研发加产品加服务模式 为客户提供细分场景咨询 方案设计 系统实施及相关技术服务[5] **财务表现** * 2023年营收42亿元 同比增长36.4%[2][6] * 2018年至2020年复合年增长率CAGR为101.12%[6] * 2023年归母净利润亏损9.09亿元 同比减少7.36亿元[2][10] **客户与收入结构** * 标杆用户收入占营收比例约60.77%[2][6] * 标杆用户数量从2018年18个增至2023年139个[2][6] * 每名标杆用户平均收入从3.9百万元提升至8.38百万元[2][6] **行业覆盖与分布** * 金融和能源电力行业是主要营收贡献项 2022年分别占总营收16.9%和20.3%[2][7] * 覆盖行业集中度较低 抗风险能力较强 实现均衡化发展[2][7] **费用管控与研发投入** * 2023年销售费用率10.08% 管理费用率8.13% 财务费用率9.1% 较2018年分别下降65.5 82.51和19.33个百分点[8] * 2023年研发费用17.69亿元 占营收比例42.08%[2][9][15] **技术优势与市场地位** * 拥有自动机器学习 迁移学习 环境学习和自动强化学习四大核心技术[13][14] * 自2018年起连续多年占据中国继续学习平台市场份额第一位[13] * 2022年第4季度继续学习开发平台市场份额占比约32.7%[21] **发展历程与战略** * 发展分为三阶段 技术驱动阶段2014-2017 优势卡位驱动阶段2018-2022 生态规模驱动阶段2023年至今[11] * 从金融领域标杆客户破局 逐步切入其他赛道[4][11] * 通过泛生态合作提供端到端解决方案 扩大客户群体与业务范围[11][19] **产品迭代与市场策略** * 先知AI平台迭代至5.0版本 升级预测能力解决大语言模型局限性[4][22] * 聚焦大客户需求 与标杆客户合作积累卡位优势[17][19] **市场机会与行业前景** * 中国企业数字化转型带来成长机遇[20][21] * 2022年中国人工智能支出2555亿元 预计2027年增长到6910亿元 年复合增速25.1%[20] **管理层与团队** * 高管与核心技术人员拥有丰富经验 在前沿技术上具备卓越影响力[11][12] * 团队在人工智能领域拥有约15年经验[12] **盈利前景** * 亏损持续收窄 高毛利业务有望带来更高利润贡献[10] * 通过股份薪酬支付减少及合理控制费用 未来有望实现由亏转盈[10]

2025智能机器人关键技术大会 - 大会由《机器人技术与应用》杂志社发起，联合中国自动化学会机器人专业委员会等多家权威机构支持，将于2025年7月22-24日在齐齐哈尔市举办 [1] - 设置两大专题论坛："具身智能专题论坛"（7月23日下午）和"康养机器人专题论坛"（7月24日上午） [1] 具身智能专题论坛 - 论坛聚焦具身智能核心技术创新与跨行业应用，重点探讨认知导航、动态运动控制、人机协作等前沿方向 [2] - 专家报告环节涵盖6项关键技术：动态环境感知与自主决策（岳裕丰）、矿山特种场景智能化（王雷）、足式机器人动态运动控制（张国腾）、多模态感知融合（杨琨）、健康监护智能预警（武传艳）、非结构化环境操作（付天宇） [3] - 硕博快闪报告环节展示青年学者在工业、医疗等领域的具身智能应用创新 [4] - 具体日程安排显示每个专家报告时长为30分钟，从14:00持续至17:30 [5] 康养机器人专题论坛 - 论坛聚焦老龄化社会应对技术，由科技部研究员刘进长担任主席，设置7个专家报告和6个硕博快闪报告 [6] - 专家报告重点包括：老龄化机器人赋能路径（张建华）、三级照护场景应用（兰陟）、下肢康复外骨骼（郭朝）、AI精准康复评估（姬冰）、针灸机器人（何昭水）、仿生臂手系统（张庭）、个性化康复方案（盛译萱） [6] - 青年学者快闪报告涵盖下肢康复轨迹规划（王辛诚）、心血管健康感知（谢诗琴）、多姿态康复机器人（于鸿飞）、便携式fNIRS系统（项嘉垚）、冲浪模拟机器人（高鼎）、理疗机器人视觉定位（冀伟雄） [7][8]

公司背景 - Id Software成立于90年代，开发了《指挥官基恩》《德军总部3D》《毁灭战士》和《雷神之锤》系列，其中《雷神之锤》推动了GPU发展和普及，间接促成现代人工智能世界的形成[3] - Armadillo Aerospace致力于垂直起降（VTVL）火箭研发，相关工作持续十年[6] - Oculus为现代虚拟现实奠定技术基础，后被Meta收购[8] - Keen Technologies专注于AI研究，团队已有六名来自学术界和工业界的研究人员[11][12][13] 技术方向 - 不参与LLM相关工作，认为LLM"无所不知却又无所学"，更倾向于通过交互式体验流进行学习[16] - 专注于游戏和虚拟环境，认为PC游戏中的超人类水平机器人作弊问题可通过云游戏流媒体解决[18] - 目标提供由混合被动和交互内容组成的虚拟学习环境，构成无限可滚动的"视频墙"[22] - 选择Atari游戏作为研究平台，因其无偏见且玩法多样，与大量研究成果可比性高[30][31] 技术挑战 - 连续高效终身单一环境多任务在线学习仍是未解决问题，现有系统无法复制猫狗的简单能力[20] - 强化学习框架存在近期偏差和灾难性遗忘问题，串行多任务学习中智能体难以保留旧技能[81][82] - 神经网络训练存在可塑性丧失现象，与生物大脑老化相似，需平衡初始学习速度与长期表现[93][94] - 离线强化学习效果不佳，因缺乏持续现实检验，可能陷入未经验证的连贯幻想世界[87][88] 算法优化 - 使用CUDA图和显式同步优化训练过程与环境交互的重叠，提高消费级硬件上的FPS[41] - 为动作添加延迟线解决现代高性能算法在延迟环境中的崩溃问题[43] - 提出新基准测试循环通过一组游戏，结合原始学习速度与避免遗忘能力[97] - 探索各向同性CNN、循环各向同性半密集CNN等新型网络架构提升图像处理性能[143][145] 实验设计 - 开发Atari 2600+游戏系统，包含摄像头、伺服电机操纵杆和运行强化学习智能体的笔记本电脑[47] - 测试八款不同游戏，关注摄像头观察、操纵杆动作、分数检测等物理硬件交互问题[50][51][55][62] - 开源相关工作，使用April Tags进行屏幕校正和分数识别[48][52] - 将硬探索游戏如《蒙特祖玛的复仇》和《Pitfall》作为长期研究课题[71]

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]

核心技术优势 - 深度学习和神经网络构成AI图像识别技术核心 通过多层网络实现图像逐层抽象和特征提取 [3] - 卷积神经网络(CNN)通过卷积层 池化层和全连接层组合有效提取图像空间特征和层次结构信息 [4] - 生成对抗网络(GAN)通过生成器与判别器对抗训练生成逼真图像数据 应用于数据增强和图像修复领域 [5] 技术应用成效 - CNN技术广泛应用于人脸识别和物体检测领域并取得优异表现 [4] - GAN技术显著提升模型泛化能力和鲁棒性 [5] - 迁移学习利用已有知识迁移至新任务 弱监督学习通过少量标签数据训练模型 共同解决数据不足和标签稀缺问题 [6] 产学研协同创新 - 浙江大学与阿里安全联合研发基于深度学习的AI细粒度图像识别技术 [3] - 研究机构与企业在深度学习领域取得显著成果 [3] - 技术创新应用为杭州AI图像识别领域未来发展奠定坚实基础 [7]

文章核心观点 - 上海交通大学李金金教授团队研发的AI自控系统为人工智能与工业化融合带来突破，推动工业迈向智能化、高端化，助力我国工业经济高质量发展 [3][9] 行业现状 - 国内积极探索AI与工业化结合路径，从多方向发力改写工业生产格局 [3] - 当前工业面临动态数据解析难、数据标注瓶颈、算力成本高企等难题 [1] 团队成果 - 团队研发的“基于迁移学习和物理可解释的小样本AI工业自动控制系统”，将“时间维度”引入工业控制领域，攻克生物发酵复杂动态过程的实时预测与调控难题 [3] - 企业应用该系统可动态调控参数，实时生成最优发酵方案，发酵水平明显提高，且方案会持续优化 [3] 技术创新 - 系统引入“时间维度”，突破传统局限，能实时追踪微生物代谢动态变化，精准建模，提升生产精细化管理水平 [5][6] - 运用迁移学习技术，减少对大量标注数据的依赖，结合物理可解释性，便于工程师理解和优化模型 [8] - 采用轻量化设计，仅需十几张显卡即可稳定运行，显著降低算力需求与应用成本，利于中小企业部署 [8] 成果意义 - 对AI模型而言，打破传统思维局限，提升泛化和学习能力，拓展应用场景 [8] - 对制造工业自动化来说，解决行业长期痛点，提高生产效率和产品质量，为其他行业智能化转型树立典范 [8] 未来展望 - 人工智能在我国工业化转型升级中潜力巨大，将在生产制造、研发创新、供应链管理、能源管理、服务模式创新等方面发挥作用 [8]