快捷入口

  • 作者登录 作者登录
  • 专家审稿 专家审稿
  • 编辑办公 编辑办公
  • 当前目录
  • 预出版
  • 过刊浏览
更多
Volume 8 期 2，2026 2026年第8卷第2期

  • 评论智能

    王飞跃

    2026, 8(2): 131-148. DOI: 10.11959/j.issn.2096-6652.ZNKX26067
    摘要：人工智能的兴起并非单纯源于计算技术的突破，而是哲学思辨、数学逻辑与认知科学等学科长期交汇演化的结果。从知识本源的角度，系统梳理人工智能的思想根基与学科脉络。哲学层面，从东方“赋、比、兴”与西方“文法、逻辑、修辞”出发，结合本体论、平行智能以及“存在-生成-信念”的三元框架，阐释智能的层次结构、虚实共生机制与平行演化理念。数学层面，追溯3次数学基础危机对形式化、可计算性和复杂性理论的推动，展示从希尔伯特纲领、哥德尔不完备性定理、图灵机、控制论、人工神经元模型到范畴论与朗兰兹纲领的逻辑演进，揭示人工智能的数理根基。认知科学层面，围绕莱特希尔报告、人工智能寒冬、隆科-希金斯对认知科学的命名、米勒认知革命及认知科学六角形框架，说明认知科学如何为人工智能突破符号主义局限，走向深度学习、大模型与具身智能提供理论支撑。人工智能是人文思想、形式理性与认知机制共同作用的产物，对其知识本源的追溯有助于重新理解智能的边界、局限、演化路径与未来发展方向。  
    关键词：人工智能;知识本源;平行智能;智能哲学;认知科学   
    2113
    |
    136
    |
    0
    <HTML>
    <网络PDF><WORD><XML> ...
    <引用本文> <批量引用> 162952429 false
    更新时间：2026-06-15

  • 综述与展望

    刘传洋, 吴一全, 刘景景

    2026, 8(2): 149-168. DOI: 10.11959/j.issn.2096-6652.ZNKX26042
    摘要：基于无人机航拍图像和深度学习算法实现输电线路侵入异物的精准有效检测，有助于快速排查输电线路潜在安全隐患，进而提升电网精益化运维能力。综述了基于深度学习的无人机航拍输电线路侵入异物检测方法的研究进展。首先，从Faster R-CNN、SSD、YOLO系列算法及其他衍生算法4个维度，系统梳理了基于深度学习的无人机航拍图像异物检测方法。其次，阐释了无人机航拍图像下输电线路侵入异物检测的改进模型，分别阐明了注意力机制、多尺度特征融合、轻量化网络等技术在输电线路侵入异物检测中的应用路径及其带来的性能优化效果。接着，剖析了基于传统Transformer架构的DETR类异物检测模型，以及面向电力行业的Transformer大模型及其工程应用。最后，针对现有无人机航拍输电线路侵入异物智能检测面临的挑战，对下一步研究工作进行了展望。  
    关键词：输电线路;电力巡检;无人机航拍图像;深度学习;异物检测   
    128
    |
    101
    |
    0
    <HTML>
    <网络PDF><WORD><XML> ...
    <引用本文> <批量引用> 162952579 false
    更新时间：2026-06-15

  • 综述与展望

    张超, 杨君刚, 卢震海, 李尧, 王连清, 蒋超

    2026, 8(2): 169-182. DOI: 10.11959/j.issn.2096-6652.ZNKX26037
    摘要：针对时间敏感性任务场景中信息需求解析面临的挑战，提出一种基于本体的智能解析方法。首先通过设计本体模型对任务与力量进行形式化描述；其次建立以本体模型为基础的语义转换与逻辑推理方法，实现从非结构化任务描述到结构化信息需求清单的自动生成。实验结果表明，该方法能够生成规范翔实的信息需求清单，与传统人工分析的方式相比，信息保障的效率得到显著提升。  
    关键词：信息需求;智能解析;本体;应急指挥   
    104
    |
    87
    |
    0
    <HTML>
    <网络PDF><WORD><XML> ...
    <引用本文> <批量引用> 156752045 false
    更新时间：2026-06-15

  • 综述与展望

    程凯文, 杜圆圆, 赵宇浩

    2026, 8(2): 183-195. DOI: 10.11959/j.issn.2096-6652.ZNKX26030
    摘要：语言脑解码技术为失语患者重建交流能力提供了关键路径，也是脑机接口技术发展的重要驱动力之一。近年来，基于侵入性与非侵入性脑信号的多层级语言脑解码技术取得了显著进展，但不同语言层级在脑信号表征、任务复杂度与模型方法上存在明显差异，导致相关研究在技术路径和问题侧重上比较分散，尚缺乏系统的层级化梳理。鉴于此，系统梳理了2008—2025年语言脑解码研究在音素、声调、单词、短语、句子及语篇各层级的主要进展，分析了脑信号类型、任务设定与模型架构对解码精度的影响，并就多层级解码、开放词汇解码及预训练语言模型的融合应用等问题进行了重点讨论。在此基础上，提出了未来语言脑机接口研发与智能化语言康复的若干研究路径，以期为相关交叉研究提供理论支撑与技术参考。  
    关键词：大脑信号;语言脑解码;人工智能;语言脑机接口;多层级解码   
    94
    |
    82
    |
    0
    <HTML>
    <网络PDF><WORD><XML> ...
    <引用本文> <批量引用> 156752017 false
    更新时间：2026-06-15

  • 学术论文

    胡振虓, 姚肖婷, 席治远, 王晓

    2026, 8(2): 196-206. DOI: 10.11959/j.issn.2096-6652.ZNKX26020
    摘要：在自动驾驶的感知任务中，准确理解交通参与者发出的交互信号是实现安全拟人化决策的关键。当前高精度模型难以实现实时交互信号检测，且普遍缺乏对转向灯闪烁、行人手势等动态时序信号的有效建模，导致复杂场景下漏检误判频繁发生，构成安全隐患。为此，提出一种面向自动驾驶边缘设备的轻量-时序-蒸馏协同优化框架模型，即轻量化时序知识蒸馏YOLO（YOLO-TKD），旨在解决交互信号检测中时序建模需求与计算资源受限的矛盾。该模型以YOLOv8n为基线，首先采用MobileNetV2作为主干网络以压缩模型规模；继而引入时序卷积网络模块（TCN），捕捉连续帧之间的动态依赖关系；最后，结合知识蒸馏策略（KD），保持其识别性能。实验结果表明，本方法的精确率、召回率和平均精度均值分别达到87.5%、86.4%和84.3%，相较于基线YOLOv8n分别提升了3.2%、2.6%和1.1%。同时，模型参数量减少26.3%。所提YOLO-TKD在显著降低资源消耗的同时，有效提升了交互信号检测的精度与时序鲁棒性，为自动驾驶边缘设备提供了可行的技术路径。  
    关键词：交互信号检测;轻量化模型;时序卷积网络;知识蒸馏;YOLOv8   
    90
    |
    73
    |
    0
    <HTML>
    <网络PDF><WORD><XML> ...
    <引用本文> <批量引用> 157869625 false
    更新时间：2026-06-15

  • 学术论文

    王涛, 张格宁, 谢远涵

    2026, 8(2): 207-218. DOI: 10.11959/j.issn.2096-6652.ZNKX26048
    摘要：针对传统职业模型的生物人一元主体静态局限，提出“七巧板”三元协作动态框架，重构职业定义为由数智人（digital human）、机器人（robot）与生物人（biological human）构成的动态协作网络。该框架通过任务原子分解与动态权重量化，系统解析技术渗透对职业任务包的重构机制，突破职业科学“人类任务包”的静态范式，推动学科向“人机协作关系建模”的范式转型，为探索通用人工智能（AGI）时代的职业预测、政策设计、教育重构提供科学基础。  
    关键词：职业重构;人机协作;七巧板职业模型;人机社会学   
    55
    |
    69
    |
    0
    <HTML>
    <网络PDF><WORD><XML> ...
    <引用本文> <批量引用> 162952615 false
    更新时间：2026-06-15
查看更多

  • 近期专题
  • 特色专栏
查看更多

热文推荐

更多

基于多模态大语言模型的数字厨师与智能烹饪系统

面向高质量和精准烹饪的需求，提出一种基于多模态大语言模型的数字厨师与智能烹饪方法。离线阶段利用视觉、声音、温度等多源传感器记录专业厨师的连续操作，将图像与多轮问答文本融合，建立烹饪专家知识库，并采用低秩适配方法对预训练多模态大语言模型进行微调，以构建能够理解烹饪意图的多模态大语言模型。在线阶段将实时感知的数据转换为图文输入微调后的大语言模型，经模型分析后生成烹饪指令，引导用户完成相应的烹饪动作。以煎牛排任务为例，搭建了智能烹饪软硬件系统并进行实验验证。实验结果表明，经过微调后的智能烹饪系统能有效控制牛排的熟度与品质，相较于微调前的模型，显著提升了烹饪指令的合理性和针对性。

> 学术论文

李鑫源, 李柏, 孙跃硕, 张坦探, 田永林, 殷烛炎, 王飞跃

基于多模态大语言模型的数字厨师与智能烹饪系统
0