С начала 2025 года трафик нейросетей в России вырос в шесть раз
ChatGPT 处于领先地位，占总流量的 39.9%；俄罗斯解决方案 GigaChat 和“Alice AI”占 13%。
神经模型和符号模型以根本不同的方式压缩世界，而稀疏自动编码器 (SAE) 提供了连接它们的桥梁。后神经网络是模糊的，符号系统是支离破碎的。稀疏自动编码器帮助我们将它们组合起来。首先出现在《走向数据科学》上。
Mediascope: Каждый четвертый россиянин использует нейросети хотя бы раз в месяц
最受欢迎的人工智能服务是“Alice AI”和DeepSeek，建立了统一的RuNet受众计量表。
Understanding Convolutional Neural Networks (CNNs) Through Excel
深度学习通常被视为黑匣子。我们知道它从数据中学习，但我们很少停下来问它如何真正学习。如果我们可以打开那个盒子并观察每一步在我们眼前发生怎么办？使用 Excel，我们可以做到这一点，看看数字如何变成模式，以及简单的计算如何成为我们所谓的“深度学习”的基础。在本文中，我们将直接在 Excel 中构建一个微型卷积神经网络 (CNN)，以逐步了解机器如何检测图像中的形状、模式和含义。通过 Excel 的卷积神经网络 (CNN) 首先出现在《走向数据科学》上。
I Measured Neural Network Training Every 5 Steps for 10,000 Iterations
图片来自 Pixabay.com 文章《我每 5 个步骤测量 10,000 次迭代的神经网络训练》一文首先出现在《走向数据科学》上。
Schülerinnen und Schüler trainieren ihre eigenen neuronalen Netze mit fischertechnik
fischertechnik 在技术教育领域树立了另一个里程碑。新的 STEM Coding Ultimate AI 学习概念首次让您自己训练神经网络并从头开始了解其工作原理。 Fischertechnik 从而向年轻人传达... 阅读更多 →
NIST Researchers Demonstrate that Superconducting Neural Networks Can Learn on Their Own
通过详细的模拟，美国国家标准与技术研究所 (NIST) 的研究人员及其合作者证明了一类神经网络（受人脑启发的电子电路）可以被编程为
IEEE Transactions on Artificial Intelligence, Volume 6, Issue 12, December 2025
1) 基于主体建模中的生成主体：概述、验证和新兴挑战作者：Carlo Adornetto、Adrian Mora、Kai Hu、Leticia Izquierdo Garcia、Parfait Atchade-Adelomou、Gianluigi Greco、Luis Alberto Alonso Pastor、Kent Larson 页数：3165 - 31832) KnowZRel：通用场景图生成的基于常识知识的零样本关系检索作者：M. Jaleed Khan、John G. Breslin、Edward Curry 页数：3184 - 31943) 用于高能物理的洛伦兹等变量子图神经网络
IEEE Transactions on Emerging Topics in Computational Intelligence Volume 9, Issue 6, December 2025
1) 以用户为中心的智能系统的可解释性、鲁棒性和公平性：系统综述作者：Idrees A. Zahid、Salem Garfan、M.A. Chyad、A. S. Albahri、O. S. Albahri、A. H. Alamoodi、Muhammet Deveci、Raad Z. Homod、Laith Alzubaidi 页数：3728 - 37532)走向机器学习模型逐点可靠性评估技术的综合分类作者：João Loureiro、Lorena Petrella、Paulo Gil、Teresa Rocha、Simão Paredes、Jorge Henriques页数：3754 - 377
Could Symbolic AI Unlock Human-like Intelligence?
将较新的神经网络与较旧的人工智能系统相结合可能是构建人工智能以匹配或超越人类智能的秘诀
What Is the NVIDIA Jetson Nano Developer Kit Used For? Explained
NVIDIA Jetson Nano 开发者套件是一款紧凑而强大的 AI 计算机，专为创客、学习者和开发者设计。凭借其 128 核 Maxwell GPU、四核 ARM CPU 和 4GB 内存，它能够以经济实惠的价格进行机器学习、机器人、计算机视觉和边缘 AI 应用实验。无论您是构建智能机器人、训练神经网络还是探索物联网项目，Jetson Nano 都能提供性能、可访问性和多功能性的完美平衡。在本文中，我们将解释 Jetson Nano 的用途、工作原理以及为什么它成为学生、业余爱好者和专业人士最喜欢的工具。 NVIDIA Jetson Nano 开发人员套件是一款小型、经济实惠的 AI 计
PyTorch Tutorial for Beginners: Build a Multiple Regression Model from Scratch
PyTorch 实践：构建用于多元回归的 3 层神经网络《PyTorch 初学者教程：从头开始构建多元回归模型》首先出现在《走向数据科学》上。
Ростех начал серийное производство «умных» систем наблюдения для ударных дронов
该产品实现了神经网络算法，可让您自动检测、识别和跟踪物体
Опасения россиян относительно ИИ растут
在俄罗斯，由于神经网络的影响，焦虑情绪出现了新的增加。 2025年第三季度“国家焦虑指数.KROS”显示，人工智能对人类的攻击是该国居民担忧的十大原因之一。
New AI framework can uncover space physics equations in raw data
人工智能 (AI) 系统，特别是人工神经网络，已被证明是非常有前途的工具，可用于发现大量数据中难以检测的模式。在过去的十年里，人工智能工具已被应用于广泛的场景和领域。
IEEE Transactions on Artificial Intelligence, Volume 6, Issue 11, November 2025
1) 基于 DNN 和 GAN 的鲁棒实时视听语音增强作者：Mandar Gogate、Kia Dashtipour、Amir Hussain 页数：2860 - 28692) 优化神经网络训练：资源节约的马尔可夫链方法作者：Ke Wang、Xianting Huang、Cong Tan、Siu-Ming Yiu、Zicong Chen、雷小林页数：2870 - 28833) LibriSQA：大型语言模型口语问答的新颖数据集和框架作者：赵子涵、江一阳、刘鹤阳、王宇、王彦峰页数：2884 - 28954) 从常规到反思：高效通信联邦学习中的修剪神经网络作者：裴家明、魏Li, Shahid Mu
Learning Deformable Body Interactions With Adaptive Spatial Tokenization
本文已被 NeurIPS 2025 的 AI for Science Workshop 接受。模拟可变形体之间的相互作用在材料科学、机械设计和机器人等领域至关重要。虽然使用图神经网络 (GNN) 的基于学习的方法可以有效解决复杂的物理系统，但在对可变形身体交互进行建模时会遇到可扩展性问题。为了对对象之间的交互进行建模，必须动态创建成对的全局边缘，这对于大规模网格而言是计算密集型且不切实际的。为了克服这些挑战，借鉴......
New book sheds light on human and machine intelligence
《涌现思维》由斯坦福大学认知心理学家杰伊·麦克莱兰 (Jay McClelland) 与人合着，探讨了神经网络如何推进人工智能并从根本上改变我们对人类思维的理解。
