Wiki - Recent changes [en]

Main Page

WikiAdmin — Wed, 03 Jun 2026 19:42:17 GMT

← Older revision		Revision as of 19:42, 3 June 2026
(One intermediate revision by the same user not shown)
Line 5:		Line 5:
	{\| style="width:100%; background:#f8f9fa; border:1px solid #a2a9b1; border-radius:8px; padding:15px; margin-bottom:15px;"		{\| style="width:100%; background:#f8f9fa; border:1px solid #a2a9b1; border-radius:8px; padding:15px; margin-bottom:15px;"
	\| style="text-align:center;" \|		\| style="text-align:center;" \|
	<div style="font-size:200%; font-weight:bold;">欢迎来到 Wiki</div>		<div style="font-size:200%; font-weight:bold;">欢迎来到 Hydite Wiki </div>
	<div style="font-size:120%; color:#54595d; margin-top:8px;">一个聚焦人工智能 · 计算机科学 · 生物医药与基因工程的开放知识库</div>		<div style="font-size:120%; color:#54595d; margin-top:8px;">一个聚焦人工智能 · 计算机科学 · 生物医药与基因工程的开放知识库</div>
	<div style="margin-top:10px;">目前共收录 [[Special:Statistics\|{{NUMBEROFARTICLES}}]] 篇条目，欢迎参与编辑与共建。</div>		<div style="margin-top:10px;">目前共收录 [[Special:Statistics\|{{NUMBEROFARTICLES}}]] 篇条目，欢迎参与编辑与共建。</div>

深度学习

WikiAdmin — Wed, 03 Jun 2026 19:29:13 GMT

Created page with "'''深度学习'''（英语：'''Deep Learning'''）是机器学习的一个分支，指使用包含多个隐藏层的人工神经网络，从大量数据中自动学习层次化特征表示的一类方法。与依赖人工设计特征的传统方法不同，深度学习能够直接从原始数据中逐层提取由低到高、由具体到抽象的特征，从而在图像、语音、文本等复杂任务上取得突破性表现。它是当代人工智能浪潮..."

New page

'''深度学习'''（英语：'''Deep Learning'''）是 [[机器学习]] 的一个分支，指使用包含多个隐藏层的人工神经网络，从大量数据中自动学习层次化特征表示的一类方法。与依赖人工设计特征的传统方法不同，深度学习能够直接从原始数据中逐层提取由低到高、由具体到抽象的特征，从而在图像、语音、文本等复杂任务上取得突破性表现。它是当代 [[人工智能]] 浪潮的核心驱动力，支撑着 [[计算机视觉]]、[[自然语言处理]] 与 [[大语言模型]] 等众多领域的发展。

== 概述 ==

深度学习的"深度"指神经网络中层的数量。通过堆叠多个非线性变换层，网络能够学习到数据中高度复杂的模式与表示。其核心思想是'''表示学习'''——让模型自动发现对任务有用的特征，而非依赖人类专家手工设计。

深度学习的成功离不开三大要素的共同推动：大规模标注数据的积累、图形处理器（GPU）等算力的飞跃，以及反向传播等训练算法的成熟。2012 年，深度卷积网络在 ImageNet 图像识别竞赛中大幅领先传统方法，被视为深度学习时代到来的标志性事件。

== 基本原理 ==

=== 人工神经网络 ===
深度学习的基础是人工神经网络，它由大量相互连接的"神经元"组成。每个神经元接收输入、进行加权求和并通过激活函数产生输出。多个神经元构成层，多层堆叠便形成深层网络。

=== 反向传播与梯度下降 ===
网络通过反向传播算法计算损失函数对各参数的梯度，再利用梯度下降及其变体（如 SGD、Adam）不断调整权重，使模型预测逐步逼近真实值。这是深度学习模型训练的核心机制。

=== 激活函数 ===
激活函数为网络引入非线性，使其能够拟合复杂的函数关系。常用的激活函数包括 ReLU、Sigmoid 与 Tanh，其中 ReLU 因能有效缓解梯度消失问题而被广泛采用。

== 主要网络架构 ==

=== 卷积神经网络 ===
卷积神经网络（CNN）通过卷积核提取图像的局部特征，具有参数共享与平移不变性等优点，是 [[计算机视觉]] 领域的主力架构。代表性网络包括 AlexNet、VGG、ResNet 等。

=== 循环神经网络 ===
循环神经网络（RNN）及其变体 LSTM、GRU 擅长处理序列数据，曾广泛应用于语音识别、机器翻译等任务。

=== Transformer ===
2017 年提出的 Transformer 架构基于自注意力机制，能够高效建模长距离依赖，已成为 [[自然语言处理]] 乃至多模态领域的主导架构，并直接推动了 [[大语言模型]] 的诞生。

=== 生成模型 ===
生成对抗网络（GAN）、变分自编码器（VAE）与扩散模型（Diffusion Model）能够学习数据分布并生成逼真的新样本，广泛用于图像、音频与视频的生成。

== 典型应用 ==

深度学习已渗透到科技与生活的方方面面。在 '''计算机视觉''' 中，它支撑图像识别、目标检测与图像生成；在 '''自然语言处理''' 中，它驱动机器翻译、对话系统与文本生成；在 '''语音技术''' 中，它实现语音识别与语音合成。尤为值得关注的是，深度学习正深刻变革 '''生命科学''' 领域——例如 AlphaFold 利用深度学习高精度预测 [[蛋白质结构预测|蛋白质三维结构]]，[[基因组学]] 与 [[药物研发]] 也借助深度模型加速靶点发现与分子设计，成为连接人工智能与 [[生物信息学]] 的典范。

== 挑战与发展趋势 ==

尽管成就斐然，深度学习仍面临诸多挑战：对大规模标注数据和算力的高度依赖、模型的"黑箱"特性导致可解释性不足（参见 [[AI 伦理与安全]]）、对对抗样本缺乏鲁棒性，以及高昂的训练能耗与碳排放。未来的发展趋势包括自监督与无监督学习以降低数据依赖、模型轻量化与高效推理、多模态融合，以及将深度学习与符号推理、知识相结合以增强模型的推理能力。

== 相关条目 ==

* [[人工智能]]
* [[机器学习]]
* [[计算机视觉]]
* [[自然语言处理]]
* [[大语言模型]]
* [[AI 伦理与安全]]

== 参考与延伸阅读 ==

* 深度学习经典教材（如《Deep Learning》）与综述文献
* CNN、RNN、Transformer 等架构的奠基性论文
* 主流深度学习框架（TensorFlow、PyTorch）与公开数据集资料

[[分类:人工智能]]
[[分类:深度学习]]
[[分类:机器学习]]

自然语言处理

WikiAdmin — Wed, 03 Jun 2026 19:27:58 GMT

Created page with "'''自然语言处理'''（英语：'''Natural Language Processing'''，缩写 '''NLP'''）是人工智能与语言学的交叉分支，研究如何使计算机理解、解析、生成与运用人类的自然语言。其目标是弥合人类语言与机器表示之间的鸿沟，让计算机能够像人一样"读懂"文字与语音，并以自然的方式与人交流。作为人工智能的核心领域之一，自然语言处理是大语言模型、机器翻..."

New page

'''自然语言处理'''（英语：'''Natural Language Processing'''，缩写 '''NLP'''）是人工智能与语言学的交叉分支，研究如何使计算机理解、解析、生成与运用人类的自然语言。其目标是弥合人类语言与机器表示之间的鸿沟，让计算机能够像人一样"读懂"文字与语音，并以自然的方式与人交流。作为 [[人工智能]] 的核心领域之一，自然语言处理是 [[大语言模型]]、机器翻译、智能问答等技术的理论基础。

== 概述 ==

自然语言具有高度的歧义性、灵活性与上下文依赖性，同一句话在不同语境下可能含义迥异，这使得让计算机准确理解语言成为一项艰巨的任务。自然语言处理需要综合运用语言学知识、统计方法与机器学习技术，从词、句、篇章等多个层次对语言进行建模。

该领域的发展大致经历了三个阶段：早期基于规则与语法的符号方法、20 世纪 90 年代兴起的统计学习方法，以及 2010 年代后由 [[深度学习]] 驱动的神经网络方法。尤其是 2017 年 Transformer 架构的提出，彻底改变了这一领域的技术格局。

== 核心任务 ==

=== 词法与句法分析 ===
包括分词、词性标注、命名实体识别与句法依存分析等，旨在解析语言的基本结构。中文等语言由于缺乏天然词边界，分词本身即是一项重要任务。

=== 语义理解 ===
研究如何让计算机理解文本的含义，涵盖词义消歧、语义角色标注、指代消解等任务，是实现深层语言理解的关键。

=== 文本分类与情感分析 ===
将文本归入预定义类别（如垃圾邮件识别），或判断文本所表达的情感倾向，广泛应用于舆情监测与商业分析。

=== 机器翻译 ===
将一种自然语言自动翻译为另一种语言，从早期的统计机器翻译发展到如今基于神经网络的端到端翻译，质量已大幅提升。

=== 文本生成与问答 ===
包括自动摘要、对话生成、阅读理解与开放域问答等，是当前大语言模型最具代表性的应用方向。

== 关键技术与方法 ==

=== 传统方法 ===
早期自然语言处理依赖人工编写的语法规则与词典，后发展为基于统计的 n-gram 语言模型、隐马尔可夫模型（HMM）与条件随机场（CRF）等概率方法。

=== 词向量与表示学习 ===
Word2Vec、GloVe 等词嵌入技术将词语映射为稠密向量，使语义相近的词在向量空间中彼此接近，为神经网络处理语言奠定了基础。

=== 循环神经网络 ===
循环神经网络（RNN）及其变体长短期记忆网络（LSTM）擅长处理序列数据，曾长期是机器翻译与文本生成的主流架构。

=== Transformer 与预训练模型 ===
2017 年提出的 Transformer 架构凭借自注意力机制高效建模长距离依赖，催生了 BERT、GPT 等预训练语言模型。"预训练 + 微调"范式成为现代自然语言处理的标准方法，并最终演化出参数规模庞大的 [[大语言模型]]。

== 典型应用 ==

自然语言处理已深度融入日常生活与各行各业。在 '''智能助手''' 与 '''对话系统''' 中，它支撑着语音助手与客服机器人的交互；在 '''搜索引擎''' 中，它用于理解查询意图与匹配相关内容；在 '''机器翻译''' 中，它打破了跨语言沟通的壁垒；在 '''内容创作''' 领域，它支持文本生成、润色与摘要。值得关注的是，自然语言处理与 [[生物信息学]] 的结合日益紧密——例如将蛋白质序列、基因序列视为"语言"进行建模，借助语言模型的思想解析生命的"密码"，正成为连接信息技术与生命科学的前沿方向。

== 挑战与发展趋势 ==

尽管以大语言模型为代表的技术取得了突破性进展，自然语言处理仍面临诸多挑战：模型可能生成看似合理实则错误的内容（幻觉问题）、对低资源语言支持不足、推理与常识能力有限，以及训练与部署的高昂成本。此外，模型的偏见、隐私与可解释性问题也引发广泛关注（参见 [[AI 伦理与安全]]）。未来的发展趋势包括多模态融合（语言与视觉、语音结合）、增强模型的推理与规划能力、知识与大模型的结合，以及更高效的训练与推理方法。

== 相关条目 ==

* [[人工智能]]
* [[机器学习]]
* [[深度学习]]
* [[大语言模型]]
* [[计算机视觉]]
* [[AI 伦理与安全]]

== 参考与延伸阅读 ==

* 自然语言处理经典教材与综述文献
* Transformer、BERT、GPT 等模型相关论文
* 主流 NLP 开源工具与数据集资料

[[分类:人工智能]]
[[分类:自然语言处理]]
[[分类:深度学习]]

计算机视觉

WikiAdmin — Wed, 03 Jun 2026 19:26:27 GMT

Created page with "'''计算机视觉'''（英语：'''Computer Vision'''，缩写 '''CV'''）是人工智能的一个重要分支，研究如何使计算机从数字图像、视频或其他视觉输入中获取、处理、分析与理解信息，并据此做出决策或采取行动。其目标是让机器具备类似甚至超越人类视觉系统的感知与理解能力。作为人工智能与深度学习的核心应用领域之一，计算机视觉已广泛渗透到工业、..."

New page

'''计算机视觉'''（英语：'''Computer Vision'''，缩写 '''CV'''）是人工智能的一个重要分支，研究如何使计算机从数字图像、视频或其他视觉输入中获取、处理、分析与理解信息，并据此做出决策或采取行动。其目标是让机器具备类似甚至超越人类视觉系统的感知与理解能力。作为 [[人工智能]] 与 [[深度学习]] 的核心应用领域之一，计算机视觉已广泛渗透到工业、医疗、交通、安防等众多场景。

== 概述 ==

人类视觉系统能够轻松完成识别物体、判断距离、理解场景等任务，但让计算机实现这些能力却极具挑战。计算机视觉的核心问题在于：图像本质上只是像素值的数值矩阵，如何从这些低层次的数值中提取出高层次的语义信息（如"这是一只猫"或"前方有行人"），是该领域长期研究的根本难题。

早期的计算机视觉主要依赖人工设计的特征（如边缘、角点、纹理）与传统机器学习方法。自 2012 年 [[深度学习]] 在图像识别任务上取得突破以来，基于卷积神经网络（CNN）的方法逐渐成为主流，并在近年进一步扩展到 Transformer 等新型架构。

== 核心任务 ==

=== 图像分类 ===
判断一张图像整体所属的类别，是计算机视觉中最基础的任务。经典数据集如 ImageNet 极大推动了该方向的发展。

=== 目标检测 ===
在图像中定位并识别出多个物体，输出每个物体的类别与位置（边界框）。代表性方法包括 R-CNN 系列、YOLO 系列等。

=== 图像分割 ===
将图像划分为若干具有语义意义的区域，可细分为语义分割、实例分割与全景分割，广泛应用于医学影像与自动驾驶。

=== 目标跟踪 ===
在视频序列中持续定位特定目标，是视频分析与监控的关键技术。

=== 三维视觉 ===
从二维图像中恢复三维结构，包括立体视觉、深度估计、三维重建与点云处理等。

== 关键技术与方法 ==

=== 传统方法 ===
在深度学习兴起之前，计算机视觉主要依赖人工特征提取（如 SIFT、HOG）结合支持向量机等分类器，以及图像处理中的滤波、边缘检测、形态学操作等技术。

=== 卷积神经网络 ===
卷积神经网络（CNN）通过局部连接与权值共享高效提取图像的层次化特征，是现代计算机视觉的基石。经典网络包括 AlexNet、VGG、ResNet 等。

=== 视觉 Transformer ===
近年来，源自 [[自然语言处理]] 的 Transformer 架构被引入视觉领域，提出了 Vision Transformer（ViT）等模型，在大规模数据上展现出强大性能。

=== 生成模型 ===
生成对抗网络（GAN）与扩散模型（Diffusion Model）能够生成逼真的图像，推动了图像生成、编辑与超分辨率等应用的发展。

== 典型应用 ==

计算机视觉的应用已深入日常生活与各行各业。在 '''医疗健康''' 领域，它用于医学影像的病灶检测与辅助诊断；在 '''自动驾驶''' 领域，它负责环境感知、车道识别与障碍物检测；在 '''工业制造''' 领域，它用于产品质检与缺陷识别；在 '''安防监控''' 领域，它支持人脸识别与行为分析；此外，在增强现实、零售、农业等领域也有广泛应用。值得一提的是，计算机视觉与 [[生物信息学]] 的结合（如细胞图像分析、医学影像组学）正成为连接信息技术与生命科学的重要桥梁。

== 挑战与发展趋势 ==

尽管计算机视觉取得了长足进步，但仍面临诸多挑战：模型对数据分布变化的鲁棒性不足、对大规模标注数据的依赖、计算资源消耗大，以及在安全敏感场景中的可解释性问题（参见 [[AI 伦理与安全]]）。未来的发展趋势包括自监督与少样本学习、多模态融合（视觉与语言结合）、轻量化模型部署，以及与具身智能的深度结合。

== 相关条目 ==

* [[人工智能]]
* [[机器学习]]
* [[深度学习]]
* [[自然语言处理]]
* [[AI 伦理与安全]]

== 参考与延伸阅读 ==

* 计算机视觉经典教材与综述文献
* 主流模型架构（CNN、ViT、扩散模型）相关论文
* ImageNet、COCO 等公开数据集资料

[[分类:人工智能]]
[[分类:计算机视觉]]
[[分类:深度学习]]

AI 伦理与安全

WikiAdmin — Wed, 03 Jun 2026 19:25:07 GMT

Created page with "'''人工智能伦理与安全'''（英语：'''AI Ethics and Safety'''）是研究人工智能系统在设计、开发、部署与使用过程中所涉及的道德规范、社会影响与风险防控的交叉学科领域。它既关注 AI 技术对个人权利、社会公平与人类价值的影响（伦理维度），也关注如何确保 AI 系统的行为可控、可靠且符合人类意图（安全维度）。随着大语言模型与自主智能体能力的快速提..."

New page

'''人工智能伦理与安全'''（英语：'''AI Ethics and Safety'''）是研究人工智能系统在设计、开发、部署与使用过程中所涉及的道德规范、社会影响与风险防控的交叉学科领域。它既关注 AI 技术对个人权利、社会公平与人类价值的影响（伦理维度），也关注如何确保 AI 系统的行为可控、可靠且符合人类意图（安全维度）。随着大语言模型与自主智能体能力的快速提升，这一领域已成为人工智能研究与治理的核心议题之一。

== 概述 ==

人工智能伦理与安全通常被视为两个紧密关联但侧重点不同的方向。'''AI 伦理'''侧重于价值层面的问题，探讨技术应当遵循何种道德原则、如何避免对社会造成伤害；'''AI 安全'''侧重于技术层面的问题，研究如何在工程上保证系统行为符合预期、不产生意外或灾难性后果。二者在实践中往往相互交织——一个不安全的系统几乎必然带来伦理风险，而一个忽视伦理的系统也难以被认为是真正安全的。

== 核心伦理议题 ==

=== 公平性与偏见 ===
机器学习模型从历史数据中学习，可能继承甚至放大数据中潜藏的社会偏见，导致在性别、种族、年龄等维度上产生歧视性结果。如何在 [[机器学习]] 流程中检测、量化并缓解算法偏见，是公平性研究的核心。

=== 透明性与可解释性 ===
许多现代 AI 系统（尤其是 [[深度学习]] 模型）具有"黑箱"特性，其决策过程难以被人类理解。可解释 AI（XAI）致力于提升模型的透明度，使决策依据可被审查与追溯，这在医疗、司法、金融等高风险场景中尤为重要。

=== 隐私保护 ===
AI 系统的训练与运行往往依赖大量个人数据，由此带来数据采集、使用与共享中的隐私风险。差分隐私、联邦学习等技术被用于在不泄露原始数据的前提下完成模型训练。

=== 责任与问责 ===
当 AI 系统造成损害时，责任应由开发者、部署者还是使用者承担，是伦理与法律共同关注的难题。明确的问责机制是建立社会信任的基础。

== 核心安全议题 ==

=== 对齐问题 ===
'''对齐'''（Alignment）指确保 AI 系统的目标与行为符合人类真实意图与价值观。随着模型能力增强，如何避免系统追求被错误指定的目标（即"目标错误规范"）成为关键挑战。相关研究包括基于人类反馈的强化学习（RLHF）、宪法式 AI 等方法。

=== 鲁棒性与可靠性 ===
AI 系统应在面对噪声、分布外输入或恶意攻击（如对抗样本）时保持稳定与可靠的表现。鲁棒性研究关注系统在非理想环境下的行为边界。

=== 可控性 ===
随着自主智能体（Agent）能力的提升，如何确保人类始终能够监督、干预乃至中止 AI 系统的运行，成为安全研究的重点，涉及可中断性、人类监督等机制设计。

=== 滥用风险 ===
强大的 AI 能力可能被用于生成虚假信息、网络攻击、自动化欺诈等恶意用途。防范技术滥用需要技术防护与制度约束的协同。

== 治理与监管 ==

各国与国际组织正逐步建立 AI 治理框架，试图在鼓励创新与防控风险之间取得平衡。常见手段包括风险分级监管、算法审计、透明度要求以及对高风险应用的合规审查。行业自律、技术标准与法律法规共同构成了 AI 治理的多层次体系。

== 相关条目 ==

* [[机器学习]]
* [[深度学习]]
* [[自然语言处理]]
* [[大语言模型]]
* [[计算机视觉]]

== 参考与延伸阅读 ==

* 关于对齐问题的综述性研究
* 各国 AI 治理与监管政策文件
* 可解释 AI（XAI）相关技术文献

[[分类:人工智能]]
[[分类:AI 伦理]]
[[分类:AI 安全]]

Main Page

WikiAdmin — Wed, 03 Jun 2026 19:23:16 GMT

Getting started

@@ Line 3: / Line 3: @@
 Consult the [https://www.mediawiki.org/wiki/Special:MyLanguage/Help:Contents User's Guide] for information on using the wiki software.
-== Getting started ==
+{| style="width:100%; background:#f8f9fa; border:1px solid #a2a9b1; border-radius:8px; padding:15px; margin-bottom:15px;"
-* [https://www.mediawiki.org/wiki/Special:MyLanguage/Manual:Configuration_settings Configuration settings list]
+| style="text-align:center;" |
-* [https://www.mediawiki.org/wiki/Special:MyLanguage/Manual:FAQ MediaWiki FAQ]
+<div style="font-size:200%; font-weight:bold;">欢迎来到 Wiki</div>
-* [https://lists.wikimedia.org/postorius/lists/mediawiki-announce.lists.wikimedia.org/ MediaWiki release mailing list]
+<div style="font-size:120%; color:#54595d; margin-top:8px;">一个聚焦 人工智能 · 计算机科学 · 生物医药与基因工程 的开放知识库</div>
-* [https://www.mediawiki.org/wiki/Special:MyLanguage/Localisation#Translation_resources Localise MediaWiki for your language]
+<div style="margin-top:10px;">目前共收录 [[Special:Statistics|{{NUMBEROFARTICLES}}]] 篇条目，欢迎参与编辑与共建。</div>
-* [https://www.mediawiki.org/wiki/Special:MyLanguage/Manual:Combating_spam Learn how to combat spam on your wiki]
+|}

Main Page

MediaWiki default — Wed, 03 Jun 2026 16:41:09 GMT

New page

<strong>MediaWiki has been installed.</strong>

Consult the [https://www.mediawiki.org/wiki/Special:MyLanguage/Help:Contents User's Guide] for information on using the wiki software.

== Getting started ==
* [https://www.mediawiki.org/wiki/Special:MyLanguage/Manual:Configuration_settings Configuration settings list]
* [https://www.mediawiki.org/wiki/Special:MyLanguage/Manual:FAQ MediaWiki FAQ]
* [https://lists.wikimedia.org/postorius/lists/mediawiki-announce.lists.wikimedia.org/ MediaWiki release mailing list]
* [https://www.mediawiki.org/wiki/Special:MyLanguage/Localisation#Translation_resources Localise MediaWiki for your language]
* [https://www.mediawiki.org/wiki/Special:MyLanguage/Manual:Combating_spam Learn how to combat spam on your wiki]