关键词： 新质生产力   全面创新改革试验   人工智能   空间双重差分   双重机器学习  

摘要： 激发人工智能技术作为创新事业发展的引擎作用，驱动新质生产力的形成与发展，有助于中国实现高质量发展、建设社会主义现代化强国。基于2009-2022年中国30个省级行政区的面板数据，借助涵盖劳动者、劳动对象、生产资料三要素的新质生产力评价体系和包含制度环境、基础设施、技术创新、生产应用四维度的人工智能评价体系，构建空间双重差分模型和双重机器学习模型，通过准自然实验设计研究全面创新改革试验和人工智能对新质生产力的影响。研究发现：(1)全面创新改革试验和人工智能均能显著促进新质生产力，且二者对新质生产力的联合影响效应为正；（2）全面创新改革试验和人工智能均对新质生产力表现出显著的正向空间溢出效应；（3）全面创新改革试验能够通过提升人工智能水平促进整体新质生产力水平，并通过人工智能的中介作用显著促进新质生产力的劳动者、劳动对象和生产资料三方面。

关键词： 机器学习   联邦学习   后门攻击   干净标签攻击   可学习触发器  

摘要： 传统的干净标签后门攻击通常无法在触发器和目标类之间建立有效的强连接，导致攻击成功率较低，大量实验经验表明这种失效现象在联邦学习中更加严重。攻击失败的主要原因在于触发器的随机选择使其缺少和目标类的直接联系。为此面向联邦学习设计一种可学习触发器后门攻击，充分利用中心服务器下发的任务信息和共享模型训练与目标类强相关的触发器，将该训练过程形式化为双目标优化问题并求解。在约束条件下找到最佳扰动尽可能模糊图像的原始特征，从而最大化模型对触发器的学习能力；然后对这些模糊图像添加规定范围内允许的触发器作为输入进行训练，最小化其图像分类损失并利用小批量投影梯度下降的优化方法快速生成最优触发器。用该触发器激活的后门攻击在联邦学习中仍能保证出色的攻击性能。三个数据集上的实验结果表明提出的方法在联邦学习中攻击成功率远高于现有的各类干净标签后门攻击，尤其在CIFAR-10上其攻击成功率相较基线方法有82%以上的提升。所提出的攻击方法对联邦学习的安全性提出了新的挑战。

关键词： 钻进机械   随钻测量   钻进速度   潜孔钻机   机器学习  

摘要： 潜孔钻机的钻进速度作为衡量作业效率的一项重要指标，对于科学制定工作计划、准确评估开采成本有重要意义。本文针对露天潜孔钻机的钻进速度预测问题，通过在露天矿开采现场开展随钻测量试验，采用改进XGBoost模型建立露天潜孔钻机钻进速度预测模型。研究结果表明，该模型在测试集上的性能指标RMSE为0.001 27、R2为0.909，均优于轻型梯度提升机、支持向量机和神经网络，其RMSE分别降低了24.8%、23.9%和30.2%，总体R2则相应地提升了12.8%、16.4%和22.3%。在预测闪长玢岩的钻进速度时，改进XGBoost模型展现出更显著的预测性能提升，并在真实钻进速度增大时，其预测精度的降低幅度相对较小。在此模型中，回转力矩和冲击风量被识别为影响潜孔钻机钻进速度最关键的两个因素，而在本研究的试验条件下，回转速度和冲击功率的影响则相对较弱。进一步地基于所提模型对潜孔钻机钻进参数进行组合寻优，实践证明，所提的钻进参数组合有效降低了14.6%的油耗。

关键词： 绿色低碳   智能制造   钢铁冶金   铁前工序   能耗指标建模   机理建模   数据驱动建模   优化决策  

摘要： 在“双碳”战略背景下，钢铁冶金行业作为高能耗、高排放的重要工业部门，亟需实现节能降碳与绿色转型。本文综述钢铁冶金过程能耗指标建模与优化决策的研究进展与展望。首先，分析钢铁冶金过程的主要能耗特征，系统梳理了能耗指标的构成与评价方法。在能耗指标建模方面，综述了机理建模与数据驱动建模两类方法的研究进展，指出其各自优劣及融合趋势。在操作参数优化决策方面，分别探讨了单目标与多目标优化方法在能耗、产量、质量等冶金关键指标下的应用现状与典型案例，重点分析了多目标智能优化算法在复杂工况中的协同优化能力。最后，从多工况动态变化、多目标协同优化、可解释人工智能等方面提出了未来的研究方向。

关键词： 椎间盘退行性病变   机器学习   组织工程   支架  

摘要： [目的] 通过多种机器学习方法建立多特征参数对椎间盘支架生物学效应的预测模型，以降低实验试错成本，实现椎间盘退行性病变组织工程治疗的高效化。[方法] 基于近10年（2014—2024年）椎间盘支架相关材料、工艺、细胞培养数据，构建特征多维、标签多样的综合数据集，进而采用岭分类器、高斯朴素贝叶斯（Gaussian NB）、线性判别分析（LDA）、高斯过程分类器（GPC）等21种分类算法，评估各模型在数据集上的预测性能。[结果] 多数分类模型在本数据集上的预测一致性较好，且运行时间较短；其中，基于岭分类器算法构建的机器学习模型能对支架上的细胞行为进行最准确的预测。而通过进一步的模型可解释性分析，可以获知各支架特征参数生物学效应的方向和程度，从而使该模型具有较高的推广价值。[结论] 机器学习方法对于椎间盘组织工程体系的开发具有指导意义，通过恰当的模型构建，研究人员可以有针对性地进行特征组合，从而简单快捷地设计出具有良好生物学活性的支架。

关键词： 人文教育   人工智能   ChatGPT   新人文  

摘要： ChatGPT等生成式人工智能的发展,不只对高校人文教育的价值伦理、教学模式、职业选择等产生重要影响,更向整个人文教育发起了一场关涉知识、思想与智能的全面挑战。人工智能在与人类的话语交互中逐步产生出了类似于“自由意志”的深度交互智能,促使人文教育必须实现其范式转换:从人文知识的传承者转变为机器智能的教成者。人工智能时代的人文教育,应将传统人文理念转化为机器智能的底层逻辑,将人文学术作为人工智能技术的理论前提;应使AI技术成为人文学术的有机构成以确保人类的主体地位;应依赖范式革命重构人文教育以教成AI和规范领导自我的进化之路,预见性地实现人的AI化和AI的人文化。

关键词： 人工智能   高质量发展   新质生产力  

摘要： 当前，我们正置身于新一轮科技革命与产业革命的浪潮之巅，人工智能作为引领未来的核心技术创新之一，正逐步蜕变为我国经济转型升级、迈向高质量发展的核心驱动力。习近平总书记敏锐洞察国内外发展大局，提出了关于人工智能发展的一系列深刻论述，核心要义鲜明。阐明了人工智能作为国家战略科技力量的核心地位、论证了人工智能赋能经济高质量发展的实践路径、科学规划了人工智能创新人才体系的建设框架、全面构建了人工智能治理的保障机制以及创造性提出了携手全球共同推进人工智能稳健发展。这些重要论述具有思想基础的科学性、价值旨归的人民性、发展战略的前瞻性和创新应用的实践性，为我国当下人工智能和新质生产力发展提供了科学遵循和行动指南，也为世界各国人工智能发展贡献了中国智慧和中国方案，具有重要的理论价值和实践意义。

关键词： 食品安全   机器学习   深度学习   黄曲霉毒素   定性预测  

摘要： 一直以来，食品安全是全球关注的焦点之一，其中，黄曲霉毒素M1是黄曲霉毒素B1在奶牛体内代谢后的主要形态，其作为牛奶中的主要污染物，对消费者健康构成威胁，因此，对黄曲霉毒素M1的检测对于确保乳制品安全和消费者健康具有重要意义。而传统的黄曲霉毒素M1检测方法（如高效液相色谱法和酶联免疫吸附测定法等方法）存在成本高、耗时长和操作复杂等问题，无法满足乳品工厂高通量、快批次检测的需求。为此，本研究基于机器学习与深度学习技术，采集我国2022-2024年间，不同区域和季节的原奶成分数据，探索了一种利用易测得数据来定性预测黄曲霉毒素M1的方法，降低乳品工厂的批量检测成本。研究基于筛选得到的16类特征数据集，采用线性回归、随机森林、支持向量机等多种机器学习方法以及基于Transformer架构的方法进行预测实验，并通过对比实验分析这些模型在阴性样本（Class 0）和阳性样本（Class 1）上的预测性能及方差稳定性。实验证明，基于Transformer架构方法的预测方法综合性能最佳。同时，我们还通过消融实验探究了Transformer架构下位置编码与注意力机制对模型性能的影响。总的来说，本研究通过深度学习方法实现了黄曲霉毒素M1的高效定性预测，相对于传统方法而言，该方法既可以满足高通量的需求，又通过节省多余检测环节的方式显著降低了检测成本，为乳制品安全检测提供了数智化转型的解决方案和模型优化的理论依据。

关键词： 人工智能   价值对齐   现实障碍   智能向善   人文建构  

摘要： 人工智能价值对齐，是人类有效掌控人工智能技术的关键，更是确保人工智能推动人类社会良性发展的重要保障。在维护人类主体性、践行人类伦理道德方面，它具有显著的时代价值，为未来智能技术向善发展树立了标杆。然而，实现人工智能价值对齐面临诸多现实挑战。技术体系尚不完善，算法黑箱威胁人身财产安全；人类对伦理道德的认可度差异大；技术加速异化人类，资本回报压力致使泄露用户数据隐私常态化。为突破这些困境，可从多方面进行人文建构：健全人工智能技术体系，细化算法数据筛选流程机制，提高人工制品市场准入标准，完善技术投入资本的回报与退出机制。这些尝试对拓宽人工智能价值对齐路径具有积极参考价值。总之，人工智能价值对齐是探索人工智能技术与人类价值观平衡融合的创新之举，对人工智能增进人类福祉意义重大。

关键词： 锂离子电池   机器学习   高斯过程回归   电池健康状态   电池管理  

摘要： 准确地估计电池健康状态（SOH）对锂离子电池储能系统的安全高效运行十分重要，围绕电池老化特征提取依赖特定工况和实际电池充放电过程随机性的问题，该文提出一种基于分段特征提取和稀疏高斯过程回归（GPR）的电池健康状态估计方法。首先，按照荷电状态对数据进行分段，针对每一段数据分别提取了30种特征，并基于充放电过程数据各训练了10种模型；其次，对部分特征计算Shapley值，解释充放电模型的差异性；然后，分析对比了五种高斯过程回归模型的核函数的预测性能；最后，与其他四种机器学习模型进行对比。测试结果表明，在高倍率工况下，基于60%～70%荷电状态的放电数据片段的模型预测效果最佳，所有测试集的平均方均根误差为0.26%。利用充电数据估计SOH时，基于马特恩核函数的GPR模型的预测结果的方均根误差最高降低了31%，而利用放电数据估计SOH时，基于有理二次核函数的GPR模型的预测结果的方均根误差最高降低了64%。