Towards a new generation of artificial intelligence in China

最新推荐文章于 2024-05-31 21:18:28 发布
最新推荐文章于 2024-05-31 21:18:28 发布
阅读量1.1k 收藏 2
点赞数
分类专栏： 实习笔记 阅读笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zj71hmvx/article/details/118997188
版权
本文概述了中国新一代人工智能发展规划，强调了2020-2030期间的目标，包括缩小技术差距、推动产业升级、建立创新中心，以及大学、政府与企业的合作。关键领域如自动驾驶、医疗智能和物联网展示了AI的应用。同时，文章探讨了人才培养、AI解释性及伦理规范的重要性.

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

宏观上规划了我国的AI的前景。

新一代人工智能计划

2016 年 1 月，由科技部牵头，来自高校、研究所、企业和政府部门的220多位人工智能专家参会，共同参与起草了《新一代人工智能（NGAI）发展规划》Artificial Intelligence (NGAI) Development Plan。

中国国务院于 2017 年 7 月启动了 NGAI 发展规划（2015-2030），这是本世纪中国人工智能领域的第一个系统性战略规划。它提出了到2030年中国人工智能发展的总体思路、战略目标、主要任务和配套措施，分三个阶段性的国家顶层规划。

第一，到2020年底，中国将缩小与世界领先国家的技术差距，中国人工智能产业将在国际最高水平上展开竞争。
第二，到2025年，我国人工智能基础研究取得重大突破，形成NGAI框架，部分技术和应用达到世界领先水平，人工智能成为我国产业升级和经济发展的主要动力。转型。
第三，到 2030 年，中国有望成为世界一流的人工智能创新中心之一，并将为人工智能发展制定全面、适当的监管、法律和伦理原则。

大学、政府和行业之间的合作

为使领先的人工智能相关企业全面致力于解决人工智能技术和应用需求，科技部近年来建立了15个以应用驱动、企业为主导、市场为导向的国家开放创新平台。

国家开放创新平台：

  1. 百度（自动驾驶）
  2. 阿里巴巴（城市认知）
  3. 腾讯（医学影像）
  4. 科大
最低0.47元/天 解锁文章
NeuroEvolution: Towards a New Generation of Neural Netw
AI天才研究院
08-14 494
作者：禅与计算机程序设计艺术 1.简介 Artificial Intelligence (AI) is one of the hottest topics in computer science recently with several breakthroughs achieved at this y
中国人工智能网http://www.chinaai.org/
xu的blog
11-19 7121
中国人工智能网 www.ChinaAI.org人工智能、模式识别、数字图像处理人工智能论文资料下载文字识别软件，脱机手写体汉字识别软件程序  
AI力量大集结！中国团队首次在Nature子刊发布中国AI全景论文
睡前人工智能共享实验室
07-06 2769
由 AI 青年科学家联盟牵头，15 位国内大学教授和企业界 AI 领军人物合作在 Nature Machine Intelligence 上发布了 AI in China 的全景报告。 今年 6 月，由 AI 青年科学家联盟 · 梧桐汇牵头，联盟学术委员会主席、中国工程院院士潘云鹤作为通讯作者，15 名来自中国学界和 AI 产业界的领军人物联手，在 Nature Machine Intelligence 上发表了论文《Towards a new generation of artificial int..
AI IN CHINA
qq_65486295的博客
10-17 387
我的英语作业
Neural Machine Translation (seq2seq) Tutorial----from https://www.tensorflow.org/tutorials/seq2seq
雪夜归人
06-07 3608
Neural Machine Translation (seq2seq) Tutorialfrom https://www.tensorflow.org/tutorials/seq2seqAuthors: Thang Luong, Eugene Brevdo, Rui Zhao (Google Research Blogpost, Github)This version of the tutori...
python爬虫xpath方法
Dream____Fly
08-16 693
这里利用python爬取了站长之家的图片，代码如下 from lxml import etree import urllib.request,os,time class OuMeiSpider(object): def __init__(self,start_page,end_page): self.start_page = start_page self...
Codeforces Global Round 12 C2. Errich-Tac-Toe (Hard Version)（思维）
热门推荐
li_wen_zhuo的博客
02-28 8万+
题目描述 The only difference between the easy and hard versions is that tokens of type O do not appear in the input of the easy version. Errichto gave Monogon the following challenge in order to intimidate him from taking his top contributor spot on Codeforce
Cybersecurity Challenges In The Uptake Of Artifitial Intelligence in Autonomous Driving [1]
weixin_40928171的博客
05-17 1821
• State-of-the-art literature survey on AI • Mapping of AVs’ functions to their respective AI techniques • Analysis of cybersecurity vulnerabilities • Presentation of possible attack scenario • Presentation of challenges and corresponding recommendations
Distributed Artificial Intelligence Empowered by End-Edge-Cloud Computing: A Survey
Bedoom的博客
05-31 850
这是22年关于分布式AI的综述论文。对于刚刚进行调研的我来说，这篇论文很好地整理了我的思维结构。
Reasons, Values, Stakeholders: A Philosophical Framework for Explainable Artificial Intelligence
weixin_42786150的博客
02-28 1249
arXiv:2103.00752v1 [cs.CY] 1 Mar 2021 Reasons, Values, Stakeholders: A Philosophical Framework for Explainable Artificial Intelligence Atoosa Kasirzadeh atoosa.kasirzadeh@mail.utoronto.ca University of Toronto (Toronto, Canada) &Australian Natio.
xshell终端中文乱码问题
cs825900618的博客
05-09 5945
ubuntu系统的编码问题： 1、安装中文语言包：sudo apt-get install language-pack-zh-hant language-pack-zh-hans2、设置系统环境变量LANG为en_US.UTF-8export LANG=en_US.UTF-8
「现场参会攻略」| 2018AI in China之智能制造数据驱动产业变革高峰论坛
数据猿
04-26 2092
hey，朋友！期待已久的《2018AI in China之智能制造数据驱动产业变革高峰论坛》终于要来咯！活动将于2018年04月26日（周四）下午13:00准时举行！近几...
AI in China 之智能制造-数据驱动产业变革-高峰论坛
数据猿
03-20 793
点击阅读原文，进入报名链接
重磅！《新一代人工智能伦理规范》发布丨附全文
mGina_的博客
09-29 3136
9月25日，国家新一代人工智能治理专业委员会发布了《新一代人工智能伦理规范》(以下简称《伦理规范》)，旨在将伦理道德融入人工智能全生命周期，为从事人工智能相关活动的自然人、法人和其他相关机构等提供伦理指引。 《伦理规范》经过专题调研、集中起草、意见征询等环节，充分考虑当前社会各界有关隐私、偏见、歧视、公平等伦理关切，包括总则、特定活动伦理规范和组织实施等内容。 《伦理规范》提出了增进人类福祉、促进公平公正、保护隐私安全、确保可控可信、强化责任担当、提升伦理素养等6项基本伦理要求。同时，提出人工智
Yen Threshoding
zj71hmvx的博客
03-08 3193
无意间用到了Yen Threshoding方法……翻开论文一看挖槽居然是95的文章 难怪全网找不到一点内容相关…… 不过也确实，现在普遍用Otsu阈值，但是在我这个细胞分割预处理上用Yen效果反而比Otsu要好，于是就简单拜读一下吧哈哈哈哈哈，以我的水平估计还遥远着。 A New Criterion for Automatic Multilevel Thresholding 在自动选取阈值的众多方法中，绝大多数都是基于最大熵原则进行阈值的选择，Yen提出基于最大相关性原则的一个新方法。 众所周知，随着分
Big Self-Supervised Models Advance Medical Image Classifications
zj71hmvx的博客
08-30 1609
自监督用于医学图像分类 试着去看了另一个课题自监督分类的参考文献 Big Self-Supervised Models Advance Medical Image Classifications 通过这个文献对自监督总算有概念了 介绍 自监督在图像处理方面效果显著。 介绍了一种新颖的多实例对比学习(MICLe)，使用每个患者病例的潜在病理的多个图像，为我监督学习构建更多正对信息。 此外作者发现大型自监督模型对分布偏移具有鲁棒性，并且可以使用少量标记的医学图像进行有效学习。 注释医学图像既费时又费钱，所以医学
Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference
zj71hmvx的博客
03-15 1388
Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference Pattern-Exploiting Training (PET)模式开发训练，一种半监督训练程序，将输入示例重新表述为完形填空式短语，以帮助语言模型理解给定任务。然后使用这些短语将软标签分配给大量未标记的样本。 介绍 由于大量的语言、领域和任务以及注释数据的成本，在 NLP 的实际使用中通常只有少量标记的示例，这使得小样本学习
Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks
zj71hmvx的博客
03-09 1356
Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks 代码 BERT 的构造使其不适合语义相似性搜索以及聚类等无监督任务。 别人很完善的总结 介绍 这篇论文介绍了 Sentence-BERT (SBERT)，它是对预训练 BERT 网络的一种修改，它使用连体siamese 和三元组网络triplet network 结构来推导语义上有意义的句子嵌入，可以使用余弦相似度进行比较。这将工作量从 BERT / RoBERTa 的 65 小时减
End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
zj71hmvx的博客
02-24 1343
End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF 虽然说是16年的老文了但是依旧值得一读 当年非常新颖的神经网络结构 使用双向 LSTM、CNN 和 CRF 的组合。 实现了端对端，不需要数据预处理或者特征工程 在POS-tagging上取得了97.55%的正确率，在NER上取得了91.21的F1值。 介绍 传统高性能模型是 ...
agent rag
最新发布
03-09
### Agent RAG in IT Context In the context of Information Technology (IT), **Agent RAG** refers to a specialized framework or methodology that integrates Retrieval-Augmented Generation (RAG) techniques into intelligent agents designed for multimodal interaction. This approach leverages advanced retrieval mechanisms combined with generative models to enhance an agent's ability to process, understand, and respond effectively across various modalities such as text, images, audio, etc.[^1] The core concept behind Agent RAG involves equipping artificial intelligence systems with capabilities not only to generate responses but also to retrieve relevant information from large datasets dynamically. By doing so, these agents can provide more accurate, timely, and contextually appropriate interactions compared to traditional methods relying solely on pre-programmed rules or static knowledge bases. #### Definition An **Agent RAG system** is characterized by its dual functionality: - **Retrieval**: Efficiently searching through vast amounts of data stored within databases or external sources. - **Generation**: Utilizing retrieved information along with contextual understanding derived from user inputs to produce meaningful outputs. This combination allows for dynamic adaptation based on real-time needs while maintaining high levels of accuracy and relevance in generated content[^2]. #### Usage Scenarios Applications of Agent RAG span multiple domains including customer service chatbots, virtual assistants, educational platforms, healthcare diagnostics tools, among others. In each case, the technology enables smarter decision-making processes supported by up-to-date factual information alongside personalized engagement strategies tailored specifically towards individual users' requirements. For instance, in customer support scenarios, an Agent RAG-powered bot could access company policies, product manuals, previous conversation logs, and even live web searches when formulating replies—ensuring comprehensive yet precise assistance every time without requiring extensive manual intervention. #### Related Technologies Several key technologies underpin successful implementation of Agent RAG solutions: - **Natural Language Processing (NLP)**: Facilitates comprehension and generation of human-like textual communications between machines and people. - **Machine Learning Models**: Particularly those optimized for sequence prediction tasks like transformers which power both retrieval and generation components efficiently. - **Knowledge Graphs & Databases**: Provide structured storage options enabling rapid lookups during runtime operations critical for effective retrievals. - **Multimodal Fusion Techniques**: Allow seamless integration of diverse input types ensuring richer overall experiences beyond simple text-based exchanges alone. By integrating these elements cohesively, developers create robust frameworks capable of delivering sophisticated interactive services powered by cutting-edge AI methodologies. ```python # Example Python code snippet demonstrating basic structure of an Agent RAG pipeline using Hugging Face Transformers library from transformers import RagTokenizer, RagTokenForGeneration tokenizer = RagTokenizer.from_pretrained("facebook/rag-token-nq") model = RagTokenForGeneration.from_pretrained("facebook/rag-token-nq") def get_response(query): inputs = tokenizer([query], return_tensors="pt", truncation=True) out = model.generate(**inputs) answer = tokenizer.batch_decode(out, skip_special_tokens=True)[0] return answer ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值