关键词： 人工智能   算法   人机关系   人工智能管理  

摘要： 本文基于人工智能快速发展的时代背景，从算法本质出发，系统解构人工智能的技术逻辑、应用边界及管理影响。研究发现，人工智能本质上是缺乏主体性与拟主体性的算法集合体，其发展始终受困于“特殊性与一般性”“价值中立与非中立”两组核心哲学矛盾。由此形成技术应用的双重边界：一是算法逻辑的局限性导致其无法突破特定场景的适应性约束，二是价值立场的非中立性引发伦理与社会风险。生成式AI的崛起推动人机关系从“工具性使用”向“共生性协作”演进，催生了具备自主决策能力的“智能体”与打破传统分工的“超级个体”，但同时也加剧了算法黑箱、权责模糊与权力集中等问题。本文进一步提出“以人为本”的人工智能管理框架，强调通过第三方监督、算法审计与权责统一机制平衡效率与伦理需求，并从战略管理、组织设计与创新模式等维度剖析人工智能对传统管理范式的冲击。

关键词： 人工智能   智能文明   人类智能文明新形态  

摘要： 尽管人工智能发展于工业文明，但其变革了人类认知和实践、社会生产方式和社会意识，使人类文明的相关组成发生累积性变化，为智能文明的出场提供了可能。首先，智能文明具有智能技术体系文明化、文明社会智能化、追求人自由而全面发展的特征。其次，不同社会形态反映出智能文明的不同形态，基于技术规则下的中西分野、发展逻辑下的文明差异，虽然资本主义智能文明占有先发优势，但社会主义制度能为智能文明开辟更广阔的发展空间，人类智能文明走向新形态。最后，人类智能文明新形态“新”在要破解后发国家的技术赶超问题、智能时代社会主义初级阶段的社会转型发展问题、创造性转化历史文化传统的问题。人类智能文明新形态将为各国探索与社会兼容的人工智能提供路径参考，以中国智慧点亮人类智能文明的历史进程。

关键词： 低轨卫星   人工智能   资源管控   接入网  

摘要： 随着宽带互联网、物联网等业务的迅猛兴起，卫星通信的应用领域持续拓展。然而，卫星用户业务需求呈指数级增长，这对卫星通信系统在容量、覆盖范围、服务质量及动态资源调度等方面提出了更为严苛的要求。传统卫星通信系统所采用的静态资源分配策略，暴露出资源利用率低、系统容量受限、服务质量波动大等诸多问题。尽管多波束技术取得了一定进展，但现有技术体系在面对复杂多变的通信环境时，依旧面临着难以突破的理论瓶颈。鉴于低轨卫星网络场景具有高动态性、强异构性与业务多样性等显著挑战，本文参照 3GPP 业务和系统架构工作组关于人工智能服务系统架构的讨论成果，创新性地提出了一种融合集中与分布式控制思想的卫星网络资源管控架构。该架构运用分层式模块设计，通过构建多层次协同工作机制，旨在对空间与地面资源实现有效分配。?此外，本文深入探究了该架构所具备的关键能力，涵盖时频空码四维资源管理、对 5G NTN 体制的支持能力、星地协同机制，以及人工智能算法的部署与交互设计思路等方面。期望通过这些研究，为人工智能赋能低轨卫星接入网提供强有力的技术支撑，助力低轨卫星通信系统实现性能的全面提升与跨越式发展。

关键词： 智能制造系统   生产-物流   乱序执行   不确定性   数据驱动决策  

摘要： 复杂动态环境下的智能化生产-物流运作管控与决策是离散型智能制造系统的核心技术之一。针对系统结构及多资源交互依赖关系复杂、多资源约束和多类扰动下生产-物流运作复杂，以及不确定性扰动下决策与执行间偏差难以弥合的问题，本文受高性能中央处理器中“乱序执行”的启发，创新性地提出了智造生产-物流指令化运作系统架构，从智造系统动态解构、不确定性的时空推演、生产-物流的底层交互运作逻辑及核心管控机制与决策方法上重构其生产-物流运作模式。案例分析与实验检验了乱序执行在不确定性扰动频发的随机环境中的表现，结果表明，乱序执行在最大完工时间、平均作业延迟、平均作业流程时间和平均工人有效工作率4项指标上表现良好，在随机环境中结果波动范围更小，性能也更稳定。最后展望了未来“乱序执行”在智能制造系统中的应用与研究，为智能制造工厂生产-物流优化运作管理提供了新的思路和方法。

关键词： 人工智能   人工智能生成内容   《人工智能法》   欧盟   中国路径  

摘要： 欧盟颁布了世界上第一部《人工智能法》，为全球人工智能监管树立了新标杆，堪称国际上人工智能治理立法的典范，对我国具有积极的借鉴意义。运用文献综合研究法和系统方法，首先对目前相关研究文献进行综述，找准研究重心和侧重点；进而对欧盟《人工智能法》予以分析与解读，阐述其立法演进、主要内容和特色、立法价值以及与生成式人工智能相关的规定，然后分析欧盟《人工智能法》对中国借鉴的适用性；最后，采取实事求是态度，提出人工智能生成内容治理的“中国路径”。结论认为，可从以下5个方面采取并实施“中国路径”：采取“安全与发展并重”的治理模式；法律治理路径；技术治理路径；分类分级监管治理路径；伦理治理路径。

关键词： 总磷   机器学习   影响因素   丹江口水库  

摘要： 通过机器学习方法开展丹江口水库汉库总磷预测和影响因素分析，为水库水污染防治提供参考。基于2021—2023年汉库逐日监测数据，评估多元线性回归、反向传播神经网络、随机森林、极端梯度提升和轻量级梯度提升机（LightGBM）5种机器学习算法对坝上中点位总磷的预测性能，使用SHAP模型解释识别影响总磷浓度的关键因素，并用条件回归树分析关键影响因素的阈值。结果显示，LightGBM 算法预测性能最佳，R2为0.950，MAE为0.002，RMSE为0.003；水位、浊度和出库流量对总磷浓度影响较大，其中水位的关键影响阈值为163.02 m，浊度为 6.5 NTU，出库流量为 1 616.7 m3/s，当水位≤163.02 m 且浊度≤6.5 NTU 时，总磷达标率最高，达 99.1%。研究可为大型水库水质预测的机器学习应用及模型可解释性研究提供实践案例和方法支撑。

关键词： BP神经网络模型   易贡藏布河   含沙量预测   机器学习  

摘要： 准确预测河流泥沙含量及其变化趋势,对于河流管理、水资源利用及生态环境保护具有重要意义。为此,引入BP神经网络,基于易贡藏布水文站2013～2022年实测数据,构建了基于BP神经网络的含沙量预测模型,利用该模型预测了易贡藏布河流含沙量,并选取决定系数、平均绝对值误差、平均偏差、均方根误差评价模型的性能。结果表明,所提模型预测精度极高,R2值远超0.98,误差指标均趋近于零,充分验证了该模型的有效性与准确性,为该流域未来含沙量预测工作提供了参考依据和科学指导。

关键词： 遥感   分形   机器学习   Hurst指数   降水校正  

摘要： 准确获取降水信息对防灾减灾、水资源管理意义重大。针对复杂地形区卫星遥感降水数据因受地面杂波、地形遮挡、反演算法的影响而误差较大的问题，构建了一种融合分形特征Hurst指数的机器学习模型（机器学习-H模型）来校正复杂地形区的IMERG降水数据:先通过输入降水数据和环境因子，训练机器学习模型，实现降尺度;同时提取站点降水数据的分形特征Hurst指数构建降水数据校正模型，实现降水数据订正。结果显示:（1）经过机器学习模型校正过后的降水数据的空间分布更加平滑，细节更加丰富，很好地改善了原IMERG分布的块状和边缘低估问题。（2）在所选用模型中，决策树-H的校正效果最好，相比较于原始数据，在各个时间尺度下效果都有明显的提升。（3）机器学习-H降水校正模型在降水贫瘠和充沛的区域具有较好的订正效果，相较于源头和上游区域，中下游区域校正前后的RMSE和MAE更小，相关系数R2也更高。（4）在模型里的特征变量中，DEM的贡献度最高，Hurst指数具有略高于植被指数NDVI的重要性。

关键词： 有机光伏材料   机器学习   图卷积网络   图注意力网络   光电转换效率  

摘要： 随着全球清洁能源需求的持续上升，为解决传统有机光伏(Organic Photovoltaic，OPV)材料开发中出现的实验周期长、试错成本高等问题，机器学习辅助OPV材料的开发模式已引起广泛关注。首先，本文收集了公开文献中的OPV材料数据，搭建了一种融合图卷积网络（Graph Convolutional Network，GCN）与图注意力网络（Graph Attention Network，GAT）相结合的混合神经网络模型，用于精准预测有机光伏材料的光电转换效率（Power Conversion Efficiency，PCE）。其次，通过迁移学习技术，在哈佛有机光伏数据集HOPV15上对模型微调。与现有方法相比，本模型在预测精度上有所提升。此方法可广泛应用于新型OPV材料的快速初步筛选，加速新型OPV材料的研发进程。

关键词： 次生林   树种分类   高光谱图像   卷积神经网络   机器学习  

摘要： 【目的】为了提高我国东北典型天然次生林主要树种分类的准确性，提出了一种针对无人机高光谱图像的卷积神经网络（convolution neural network，CNN）树种分类框架。【方法】以东北林业大学帽儿山实验林场天然次生林水曲柳（Fraxinus mandshurica）、胡桃楸（Juglans mandshurica）、榆树（Ulmus）和白桦（Betula platyphylla）的4个主要树种为研究对象，采用新型无人机载高光谱成像仪对7个不同区域进行影像采集。以地面实测数据为参考构建不同树冠尺寸的单木数据集，并以7：3的比例划分训练集和测试集。构建了包含三维卷积层和二维卷积层的3D-2D-CNN模型，通过3D卷积层提取光谱-空间耦合特征，2D卷积层提取细节特征，从而有效增强模型对数据整体特征的学习能力；将该模型与2D-CNN、3D-CNN以及基于特征筛选的机器学习模型（随机森林（random forest，RF）、支持向量机（support vector machine，SVM）和梯度增强机（gradient boosting machine，GBM））进行对比实验。此外，采用逐波段逐步移除方法分析了波段的重要性，并探讨了模型对光谱特征的敏感性。【结果】构建的3D-2D-CNN分类模型对4个主要树种的分类准确率达到了87%，F1分数为0.86，优于其他对比算法，整体精度提高了5%～6%。波段重要性分析表明，近红外波段对分类结果影响显著。【结论】基于高光谱图像的3D-2D-CNN模型通过有效结合光谱与空间信息，显著提升了对天然次生林树种分类的性能，相较于传统分类方法表现优越，可为森林资源管理和生态系统的遥感检测提供技术支持。