亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

具有高柔順性、低能耗、高功率等特點的微型軟體機器人在管道檢修、戰場偵察等復雜環境中具有廣闊的應用前景。能源與驅動器決定了微型軟體機器人運動方式和運動性能。為使更多研究人員了解現有柔性驅動技術及其能量來源的研究進展,從物理能源驅動、化學能源驅動以及生物混合驅動三方面入手,總結了基于這三種能源的典型驅動方式并分析其優劣。對現有柔性驅動及其能源存在的不足與未來發展進行討論與總結,可為后續軟體機器人柔性驅動技術發展與性能提升提供參考。

隨著科技的發展，機器人與人類的生活緊密 聯系在一起。剛性機器人已廣泛應用于工業生 產、生活服務、軍事偵察等領域［１－３］ ，為人類的生 產生活帶來極大的便利。然而，當面臨狹窄彎曲 的復雜環境時，傳統剛性機器人受自身剛性結構 的制約無法完全發揮出其優勢。此時，大自然中 的軟體動物（如毛毛蟲、蛇等）給予科研人員啟 發，這些動物憑借著其柔軟的身材可以輕松靈活 地通過各種復雜環境。通過對這些動物結構和運 動方式的研究，軟體機器人便應運而生。 軟體機器人作為仿生機器人的延續，由柔性 材料制成。它可以輕松改變形狀和尺寸［４］ ，彌補 了剛性機器人的不足，在生物醫療、應急救援、管 道檢修等領域具有廣闊的應用前景［５］ 。我國軟 體機器人的研究起步于 ２０世紀 ９０年代，上海交 通大學馬建旭團隊受蚯蚓啟發設計了用于狹窄管 道檢修的機器人［６］ 。該機器人使用記憶金屬作 為機器人的動力源，模仿蚯蚓的蠕動過程。該機 器人的研究對我國軟體機器人的發展具有歷史性 意義。驅動器作為軟體機器人的動力轉換部件，是 決定軟體機器人運動方式和運動性能的關鍵要 素［７］ ；能源作為軟體機器人運動的動力來源，是 決定軟體機器人的運動能力的重要環節。因此， 如何開發適合微型軟體機器人的驅動器及其驅動 能源成為制造軟體機器人的關鍵點。通過對微型軟體機器人現有驅動器及能源類型進行分析，其 供能方式可分為：①物理能源驅動，如形狀記憶合 金（ｓｈａｐｅｍｅｍｏｒｙａｌｌｏｙ，ＳＭＡ）驅動［８－１１］ 、介電彈 性體（ｄｉｅｌｅｃｔｒｉｃｅｌａｓｔｏｍｅｒ，ＤＥ）驅動［１２－１６］ 、磁場驅 動［１７－１９］ ；②化學能源驅動［２０－２２］ ，如過氧化氫分解 驅動［２３－２５］ ；③生物混合驅動［２６－２７］ ，如心肌細胞驅 動［２８－３０］ 、骨骼肌細胞驅動［３１－３３］ 。在此基礎上，本 文首先對基于不同能量來源的驅動方式進行歸納 總結并闡述其基本驅動機理；然后結合現有國內 外研究現狀，總結所述驅動的優勢與不足；最后， 對未來柔性驅動發展提出思考，為未來微型軟體 機器人的發展提供參考。

地理信息的不斷泛化對經典的地理信息分析模式提出了巨大挑戰，網絡化的知識服務將逐漸成為地理信息應用的新模式，助力地理計算到社會計算的形態轉變。地理知識服務需要打通人、機構、自然環境、地理實體、地域單元、社會事件之間的關聯，促進知識輔助下的數據智能與計算智能。本文聚焦地理時空知識獲取與形式化表達及分析的迫切需求，首先分析了時空知識圖譜的基本概念與特征，認為時空知識圖譜是指具有地理時空分布或位置隱喻的知識構成的有向圖，即以時空分布特征為核心的知識圖譜；然后提出了時空知識圖譜的研究框架，該框架可實現時空大數據到時空知識服務應用的轉變，包括泛在時空大數據、時空知識獲取、時空知識管理、時空知識圖譜、軟件系統及行業應用等多個層次；接著從文本描述地理信息抽取、異構地理語義網對齊、時空知識表達與表示學習等方面，介紹了相關研究進展；結合應用實踐，介紹了面向行業的時空知識圖譜構建與應用途徑；最后，討論了時空知識圖譜研究目前面臨的關鍵科學問題與技術瓶頸，提出在大模型時代，構建顯式的時空知識圖譜，并針對行業需求開展知識推理，仍是時空知識服務的必由之路。

//www.dqxxkx.cn/article/2023/1560-8999/1560-8999-25-6-1091.shtml

1 引言

隨著地球觀測與導航及信息通訊技術的迅猛發展，各種顯式和隱式的時空數據爆發式增長，已經成為泛在地理時空大數據的重要組成部分。泛化的地理時空大數據處理技術，超越了傳統測繪/地理/數據庫技術范疇，使得地理信息科學與技術（GIS）向廣義化、社會化、知識驅動方向發展，地理空間智能（Geo-spatial Artificial Intelligence, GeoAI）成為研究熱點，推動了城市信息學、計算社會科學的涌現，并融入電子商務、文化傳媒、體育競技等行業。GIS的發展目標也從聚焦地理空間實體/過程的幾何形態過渡到側重語義關聯，從信息服務過渡到網絡化的知識服務，從地理計算過渡到社會計算。

GeoAI是地理空間科學與人工智能相結合的交叉研究方向，通過研究與開發機器的空間智能，提升對于地理現象和地球科學過程的動態感知、智能推理和知識發現能力，并尋求解決人類和地球環境系統相互作用中的重大科學和工程問題[1]。GeoAI針對影像分類、目標探測、場景分割、仿真與插值、鏈接預測、基于自然語言的地理信息抽取與問答、實時數據集成、地理語義充實等應用需求，利用數據處理技術與數據體制文化的進步，支持更智能的地理信息以及方法、系統與服務的創建[2]。面對不斷變化的復雜地理環境與社會系統，GeoAI需要打通人、機構、自然環境、地理實體、地域單元、社會事件之間的關聯，促進知識輔助下的數據智能與計算智能。當前流行的大數據工程化驅動的計算智能技術，能力的提升主要依賴于數據規模和計算速度的增長。而大數據“紅利”效應正在逐漸減弱。計算智能技術的單點突破也難以為大數據驅動的智能應用提供持續支撐[3]。脫離知識驅動的計算過程，智能化程度終究有限，需要從認知角度確立思維方式，實現知識匯聚與知識推理，才能充分發揮已有經驗知識的價值。

GeoAI的成功應用需要系統化、形式化、規范化的地理時空知識支撐。一方面，大量隱藏在結構化或非結構化的地理時空大數據中的新知識等待發現；另一方面，GeoAI需要與地理時空分布相關的可解釋、可復用、可推理的知識作為基礎設施，輔助人工智能理解地理空間規律。目前基礎地理服務普遍存在著“數據海量、信息爆炸、知識難求”現象，原因主要在于以往業界重點關注基礎地理數據的空間載體作用，雖然研發了元數據查詢、數據瀏覽下載、應需專題制圖、API調用等服務功能，但對基礎地理數據的知識存量挖掘不夠，提供的地理空間知識服務極少[4]。

在此背景下，時空知識圖譜應運而生。時空知識圖譜作為一種高效的時空知識組織和表示方式，可為上述問題提供解決方案。時空知識圖譜的構建過程，即如何自動化地探測地理實體間的時空關系與語義關系，實現地理信息的自動聚合過程[5]。時空知識圖譜是地理信息科學領域的前沿科學問題，也是提升時空大數據價值，促進地理信息服務能力和產業發展的必然要求。

2 時空知識圖譜概念與特征

2.1 知識的形成與傳承

知識這一概念源于人類不斷遞進的認知過程，一般遵從數據（Data）-信息（Information）- 知識（Knowledge）-智慧（Wisdom）的金字塔模型（DIKW）①(①)，如圖1所示。數據是使用約定俗成的關鍵詞，對客觀事物數量、屬性、位置及相互關系的抽象表示。信息是指具有時效性、有一定含義，有邏輯、經過加工處理、對決策有價值的數據流。知識是不斷凝練并與已有知識庫進行結構化整合的有價值的信息。智慧是基于已有知識，針對客觀世界運動過程中產生的問題，根據獲得的信息進行分析、對比、演繹，進而找出解決方案的能力。

更詳細地，知識可以定義為：在人類感知世界和實踐過程中，對已獲取信息進行提煉、歸納，并認為正確的、具有普適性的認識、觀點、經驗、方法、技能和流程等，是人類探索物質世界和精神世界逐漸累積形成的結果總和。知識包括事實、信息的描述或在教育和實踐中獲得的技能。知識分類方法很多，可參考圖書館學與知識工程相關文獻。從認知心理學角度，知識可分為描述型知識和操作型知識。描述型知識用來回答事物“是什么”、“怎么樣”的問題，與人們日常使用的知識概念內涵較一致，包括事實、概念和原理，可以通過語言傳授（如“珠穆朗瑪峰高程8 848.86 m”、“早高峰由于通勤交通流劇增造成主干道擁堵”等）。描述型知識通過符號系統傳播，包括語言、圖形、圖像、文字（竹簡、石碑、書籍、網絡文本等各種文字形式）、地圖（地表事物和現象分布情況）、數學公式、音視頻等，具有隱性、動態、時效性、主觀、可復制、可拓展、情境相關等基本特征。操作型知識是關于開展某項工作必需的知識和技能，一般須通過實踐才能獲得（如機動車駕駛技術等）。本文所述知識主要指描述型知識。

2.2 知識的形式化表達需求

知識表達形式多樣，但絕大多數知識表達是服務人類學習的需求，不是服務機器理解的需求。故而知識的數字化過程多限于存儲，以便人類用戶可以更便捷地檢索和學習知識。知識服務的內涵模糊，從圖書館到網絡百科、文獻共享，乃至基于已有知識的信息推薦，都可稱為知識服務。目前各種流行的知識服務系統，大多是從各種知識資源中提煉內容，建立知識網絡，為用戶提出的問題提供已有知識資源或解決方案的信息服務過程。這些知識服務過程本質上是已有信息匯聚與人機交互查詢過程。隨著科學研究范式發展到數據驅動型，即科學研究的第四范式，使得可以在不依靠模型和假設的情況下，直接通過數據分析，發現很多以往的研究方法無法發現的新模式和新規律。然而第四范式在揭示事物本質規律方面存在固有的局限性，單獨靠第四范式的數據驅動方法，不僅要消耗大量的計算資源，也難以真正預測未來的趨勢與變化。目前的計算智能在存儲、搜索、感知、確定性問題求解等方面性能表現優越，但在高級認知和復雜問題決策方面與人類智能相差很遠[3]。從方法論來看，知識發現過程所需的人工智能，終究需要形式化的、計算機可讀的知識體系支撐，實現深度學習與知識輔助的有機融合。因此，從早期的專家系統，到當前流行的知識圖譜，業界一直在努力推動知識的形式化表達，以便讓計算機能夠充分利用已有知識，實現知識的自動推理。

知識圖譜（Knowledge graph）概念由谷歌公司于2012年提出，旨在實現更智能的搜索引擎，并且于2013年以后開始在學術界和工業界普及。知識圖譜是通過有向圖的方式表達實體、概念及其相互之間語義關系的數據組織形式或產品，本質上是一種語義網絡（Semantic network）。知識圖譜中的“圖譜”（Graph）源自圖論，其中節點代表實體或者概念，邊代表實體/概念的屬性或者彼此之間的語義關系[5]。業界開發的通用知識圖譜產品包括YAGO、DBpedia、Freebase、NELL、Zhishi.me等。這些知識圖譜通過本體（Ontology）、資源描述框架（Resource Description Framework, RDF）等方法實現非結構化或半結構化知識的表達，將人類已有的知識系統中的海量知識點，存儲在數據庫中，并開發一系列搜索引擎實現訪問與查詢，輔助網絡搜索問答、客服機器人、智能推薦等。

嚴格意義上，“Knowledge Graph”一詞譯為“知識圖”更合適，因為一般而言“譜”多具有“序列”的內涵，如電磁波譜、基因圖譜等。雖然Knowledge Graph中實體或概念之間的邏輯關系結構也具有多尺度和可追溯性，但“序列”內涵較弱。然而，知識圖譜的譯稱已得到業界廣泛接受，在此不再進行嚴格界定。

2.3 時空知識圖譜

時空知識圖譜，顧名思義，是具有地理時空分布或位置隱喻的知識構成的有向圖，即以時空分布特征為核心的知識圖譜（Spatial-temporal Knowledge Graph，或Geo-related Knowledge Graph，以下簡稱GeoKG）。GeoKG旨在通過計算機規范化表達與存儲與地理時空分布相關的知識集合，進而支持地理時空分布或位置相關知識檢索與知識推理。其中的圖（譜）指地理時空分布或位置要素（概念、人類群體/個體、地理實體、事件、現象等）之間的語義聯系形成的網狀拓撲結構。

以往專業領域的關注點更多在于地理或地學專業知識，因此，常采用地理知識圖譜或地學知識圖譜的術語[5?-7]。在追求自然系統、社會系統統一綜合描述的背景下，涉及人類群體/個體、交通工具、建筑樓宇、興趣點（Point of Interests，POI）以及其他具有社會系統屬性與地理空間分布隱喻的概念和實體，無疑也是知識的巨大承載體，應用需求廣泛。因此，為了避免與專業化的地理知識或地學知識混淆，本文將時空知識更廣泛地定義為一切具有時空位置和動態變化特征的相關知識。時空知識是人類對地理空間上人、物、事件、現象分布、演變過程和相互作用規律的認知結果。除了傳統的地理/地學應用外，時空知識也是消費領域基于位置的服務（Location-based Services，LBS）、新型基礎設施建設和智慧城市管理的核心支撐。時空知識也可以參考地理知識或地學知識分類方法，分為事實型、規則及控制型、決策型知識3 種類型[6]，或者分為數據性、概念性和規律性知識3個層次[7]。業界已有諸多研究介紹了時空知識圖譜的基本構建流程[5-6,8-9]。

時空知識圖譜是地理信息分析向縱深拓展的關鍵技術。例如，在信息提取方面，傳統的遙感分類和信息提取算法思維，主要是基于數據特征，利用樣本學習獲取遙感信息的過程。這種算法思維導向的方法可擴展性欠佳，在大區域應用時需要不斷地補充新知識，或者使用海量樣本訓練學習來彌補地表異質性造成的特征差異[7]。業界已充分認識到，缺乏已有專業知識的支撐，很難在海量遙感大數據中獲取更新、更廣、更深層次的地學知識。在遙感大數據時代背景與深度學習不斷發展壯大的趨勢下，多源異質的大規模遙感知識圖譜構建以及基于圖神經網絡的知識圖譜學習與計算成為內在需求[10]。一方面，知識圖譜可以構建遙感知識模型與復雜遙感場景，為知識—數據驅動的數據挖掘提供知識基礎。另一方面，利用知識圖譜中豐富的語義關系，可以實現面向語義需求的智能檢索、增強智能遙感服務。耦合知識圖譜和深度學習的新一代遙感影像解譯范式，可以承載不同類型和層次的地學知識，使其具有查詢檢索、知識推理、動態更新、知識拓展等功能，為新時代地學知識驅動下的遙感大數據高精度智能解譯服務，有效提升遙感影像的解譯性能，并最終實現地學知識的自動化精準和積累[7,11]。在數據集成方面，數字孿生和智慧城市管理等需要實現自然環境/社會環境的多維度刻畫與實時更新，從不同維度感知人-地關系，這也是全息地圖思想的核心，即以全要素、全信息、全內容、全視角來開展地理空間對象的描述、表達、分析和服務，實現物理系統和社會系統要素在任何時間、任何地點的信息無縫鏈接與交互[12]。從數據集成的視角，本文認為全息地圖可以理解為時空場景測度+知識圖譜，即以位置和時空場景實體為載體的異構數據實時關聯與聚合平臺，強調物理環境變化（水土氣生、建筑環境、聲光電磁）、社會環境動態（Rich POI/人群流動、地理空間交互、社交關系）和移動對象軌跡/語義的綜合集成。場景要素間的動態聯系是全息地圖的精髓，有助于將地圖轉化為地理或位置相關知識的表達工具。在數據服務方面，由于各種可獲取數據異構性極強，需要在統一時空本體的支撐下，基于地理空間數據的多維度特征，建立地理時空大數據之間的高精度關聯，以及面向計算模型的地理空間數據的自動推薦和匹配[13?-15]。在數據分析方面，隨著機器學習技術不斷成熟，其中的深度學習模型，依靠海量的訓練數據和強大的算力，在人臉識別、機器翻譯、網絡問答等任務上性能已經超過人類。然而，深度模型均為面向具體任務的隱性模型，難以遷移，也較難解釋。而知識圖譜作為顯性模型，目前在知識儲備量上已經超過人類個體，可廣泛適用于不同任務，且采用類似人類的思考方式，具有很好的可解釋性。作為人工智能技術的兩大驅動力，深度學習和知識圖譜需要深度融合②(②王仲遠. 美團大腦智享生活. (訪問時間2023.01.26)。)，才能滿足城市智能計算等諸多場景需求，即實現城市多源時空數據的實時學習與時空知識的自動化積累。這也是城市建設與運維體現智慧的核心所在。

需要說明的是，時空知識圖譜和地學信息圖譜（Geo-information Tupu）是截然不同的2個概念。地學信息圖譜是《地球信息科學學報》創刊人陳述彭院士提出的重要學術思想，源于中國歷史早已有之的圖譜概念。圖譜是一種運用圖形語言來進行表達與分析的方式。地學圖譜是應用于地學分析的系列多維圖解。其中圖指地圖，描述區域、現象的空間范圍和分布格局，反映各地理要素的空間配置和相互作用；譜指可從時間上追根溯源的動態系列表達，描述對象的發展方向與演化過程，大都以樹狀結構圖表描述。圖譜合一，則是空間與時間動態變化的統一表述。隨著GIS技術的發展，地學圖譜自然演化為由征兆圖、診斷圖和實施圖組成的地學信息圖譜[16?-18]。地學信息圖譜是認知、方法和動態地圖三者的綜合與統一。認知是人類對地學對象在圖形思維上的觀察能力；方法是信息的獲取和分析的手段；地圖是信息的交互表達形式，它反映的是地學對象的規律[19]。

地學信息圖譜源于地理學與地圖學，強調基于專業知識圖形化描述的形象思維。而時空知識圖譜源于計算機科學，強調基于知識表達形式化描述的邏輯思維。時空知識圖譜的目標是輔助發現與利用新的與地理位置相關的知識。從這一點上看，就地學分析而言，時空知識圖譜和地學信息圖譜的目標是一致的。站在今天大數據、人工智能以及高分遙感等新技術的發展背景下，地學信息圖譜就是通過信息圖譜、知識圖譜等方法，實現從數據到信息再到知識的跨越，進而發現和表達地學規律[19]。

3 時空知識圖譜研究框架

從國家戰略和行業需求的角度來看，自然資源規劃利用、生態環境監管、智慧城市建設、公共健康監測等部門，正在全面推進行業治理體系和治理能力現代化，提升智能化管理能力和智慧化服務水平。然而，行業部門普遍存在數據資源整合集成、業務統籌協同難等問題。作為地理空間智能的基石，時空知識圖譜是組織和利用大規模時空知識的有效手段。然而，現有的時空知識圖譜主要依靠領域專家人工構建，存在行業領域知識不全面、不系統、不精準、更新困難等問題，迫切需要基于泛在時空大數據，在時空知識獲取與管理技術支撐下，研發時空知識圖譜管理和知識服務的基礎軟件，形成大規模、高質量的時空知識圖譜，進而支撐行業領域時空知識服務應用。時空知識圖譜總體研究框架如圖2所示。

如何建立符合時空知識特點的時空認知與知識圖譜表達方法，形成多維度的時空知識分類體系和統一的時空本體，發展顧及復雜時空特征及關系的時空知識圖譜自適應表達模型，是時空知識組織管理、更新與計算推理、時空知識表示學習的理論基礎。

時空知識蘊含在不同模態和類型的時空數據中，具有多粒度、異構、高維低密度、樣本稀疏等特征，蘊含的時空知識內容、豐富程度和時效性各不相同，質量參差不齊。自動獲取這些多模態、多類型的泛在時空數據，統一評估這些數據源所蘊含時空信息的質量，并在時空信息多維度特征和多層次關系綜合認知指導下，實現基于統一時空本體的時空信息抽取與融合，為時空知識圖譜構建與更新提供可靠語料，是時空知識圖譜構建的數據基礎。

現有時空知識圖譜構建方法自動化程度極為有限，且存在時空知識本體與實例脫節、時空信息利用不充分問題，基于知識圖譜的時空知識計算與推理研究更為罕見。亟需發展人工智能支持下群智協同的時空本體構建、基于海量開放語料和深度學習的時空知識圖譜自動構建、“本體-實例”迭代融合的時空知識元組補全、時空知識表示學習與鏈接預測等技術，為大規模時空知識圖譜更新與知識推薦提供技術支撐。

4 時空知識圖譜研究進展

文本是知識沉淀和傳播的載體。各種形式的文本是目前構建時空知識圖譜的主要數據源。當前的知識圖譜研究也主要是圍繞自然語言文本開展工作，以得到地理時空知識元組的規范化顯式表達。其他形態的地理信息，如各種格式的專業空間數據、物聯感知數據、移動軌跡數據等，在當前的知識圖譜研究中，其知識發現結果也基本轉化提煉為顯式的文本（字符串）形式三元組，才可納入知識圖譜的知識計算過程。

近年來，在國家自然科學基金、國家重點研發計劃等項目支持下，業界圍繞自然語言文本蘊含地理信息抽取、異構地理語義網對齊、時空知識圖譜構建、時空知識圖譜領域應用等主題，開展了系統性研究工作。

4.1 地理信息標注語料庫構建

地理信息標注語料庫是開展文本蘊含地理信息提取與理解的重要基礎，旨在為文本信息的時空語義理解提供標準化的訓練和測試數據。長期以來，標注語料庫的匱乏一直是阻礙文本蘊含地理信息解析的關鍵因素。針對這一問題，業界設計了文本蘊含地理信息的標注規范，提出了地理實體及關系語料庫自動構建方法[20-21]，彌補了人工定義標注體系缺乏可擴展性的不足，為語料庫快速擴充和開放式地理信息抽取提供了新思路。

（1）地理實體標注語料庫迭代式構建

在文本蘊含地理實體識別與語義消歧基礎上，可設計人機交互式標注平臺，對文本進行地理實體標注和校正[20]。當標注的文本語料達到閾值時，將初始訓練語料與標注語料進行融合，輸入到地理實體識別模型中再次訓練，優化模型參數，提升識別效果，同時將新增語料加入標注語料庫；迭代上述步驟直至所構建語料庫滿足要求。結果顯示，在基于相同的語料庫情況下，這一方法較傳統的基于條件隨機場（Conditional Random Field，CRF）的地理實體標注方法，準確率、召回率、綜合值均有提高。

（2）地理實體關系語料庫自動構建

領域專家構建的地理實體關系標注規范通常要求標注者深入理解上下文語義，且涉及復雜空間關系的標注。如果缺乏人工參與，計算機將無法理解標注規范，不能完成自動標注。此外，同一地理實體的不同表達形式在語料標注的多個環節均可能存在歧義，影響地理實體關系語料庫質量。據此，業界提出了基于回標技術的地理實體關系語料庫自動構建方法[21]，首先利用詞嵌入模型對網絡百科中的地理實體標簽類別進行語義聚類，通過地理實體詞條的百度信息框屬性名稱和屬性值篩選出地理實體關系，形成地理實體關系分類體系；其次，如果地理實體詞條信息框的屬性值也為地理實體，則把記錄轉化為地理實體關系種子三元組。在實體消歧后，對句子集合和種子三元組集合進行主客體匹配和關系匹配，實現種子三元組映射到句子的定量化評價，篩選出最優匹配項作為地理實體關系回標結果。這種基于百科信息框的回標方法，充分利用百科平臺中數據龐大且關系類型豐富的地理實體詞條作為構建地理實體關系語料庫的數據源，且構建的地理實體關系標注體系涵蓋了語義關系和空間關系。

4.2 文本蘊含地理實體識別與語義消歧

文本蘊含地理實體識別與語義消歧是將文本中涉及的地理實體名稱進行切分并予以標記的過程，旨在識別出文本中表示地理實體名稱的符號，消除“同名異體”或“異名同體”的地理實體歧義現象，獲取地理實體對應的位置或空間分布信息[22-23]。文本蘊含地理實體識別與語義消歧可通過實體共現與主題建模方法實現[24]，也可通過基于規則的地名詞典間地理實體匹配方法實現[25]。以往多采用隱馬爾科夫模型、支持向量機、最大熵、條件隨機場等機器學習方法開展地理實體識別[26]。近年來，深度學習方法被引入地理實體識別領域，以減少人工方式的地理實體描述語言特征歸納過程，或突破字符串相似性度量指標難以處理由于語言和文化差異形成的地名字符變更問題，例如基于深度神經網絡（Deep Neural Network, DNN）的方法[27]、基于深度信念網絡（Deep Belief Network，DBN）的方法[28]。DNN方法采用循環節點來表達與待匹配字符串對應的字節序列，并將其與前饋節點相結合，從而決定地名對是否匹配。方法顯著優于單一相似度匹配指標及基于監督機器學習的多重指標組合方法[27]。DBN方法通過DBN模型的深層次網絡結構，從輸入數據中解析更易分類的高維度語言特征，計算每個字符屬于地理實體名稱組成部分的概率，并采用相鄰字符組合方法，得到輸入數據中描述地理實體信息的字符串。研究結果顯示DBN模型與條件隨機場模型的地理實體識別結果具有顯著互補性，將二者進行融合有望大幅度提升地理實體識別性能[28]。文本中地理實體描述具有歧義現象，同一地理實體可能對應多個地理位置，同一位置也可能有多個地理實體描述。此外，文本中的地理實體描述還存在顯著的離散化和稀疏性特征。針對這一問題，可基于已有的開放型百科知識平臺（如維基百科、百度百科等）和自然語言詞向量方法，進行地理實體語義消歧[29]。

4.3 文本描述地理實體空間關系抽取

地理實體之間具有密切的空間關系。文本中的地理實體空間關系描述是對地理實體間精確空間關系的抽象化。自然語言理解領域中的關系抽取研究，以往主要集中于語義關系、因果關系、時態關系抽取等，針對空間關系抽取的研究較少[30]。然而，文本蘊含地理實體空間關系抽取對地理位置相關應用至關重要，包括空間查詢[31]、空間參考[32]、數據預測[33]等。

已有的空間關系抽取方法可分為傳統機器學習方法[34-35]和神經網絡方法[36-37]。前者高度依賴人工特征或明確的句法結構，后者基于神經網絡，通過依存句法分析產生候選關系，并利用雙向長短時記憶網絡模型（Bi-directional Long Short-Term Memory，BiLSTM）進行分類，或者利用預訓練自然語言模型BERT和CRF模型抽取空間關系。這些方法本質上均屬于分類任務，對非空角色關系抽取表現優異，但由于信息缺失的限制，難以勝任空角色（null-role）關系抽取，即難以處理空間位置關系三元組中元組要素缺失的情況。因此，業界提出將生成模型和分類模型相結合，利用分類模型抽取非空角色關系，利用生成模型引入先驗知識捕獲空角色關系語義，并使得結果具有更好的可解釋性[30]。但這種方法在非地理實體之間動態空間關系抽取方面可能有效，對于地理實體之間靜態空間關系抽取的有效性尚需驗證。此外，也有研究提出融合地理語義的文本描述地理實體空間關系抽取模型[38]，將地理實體類型與空間關系特征詞兩項地理語義與深度學習模型融合，以提高空間關系抽取結果的準確率與召回率，并提升模型對拓撲、方向、距離等空間關系分類的泛化能力。

隨著網絡文本爆發式增長，預定義的關系類型難以全面覆蓋不斷變化的地理實體間新型關系，限制了地理語義理解和空間推理。無監督學習方法具有捕獲文本的動態變化特征并發現新增關系類型的能力，對動態擴展時空知識圖譜中知識三元組類型極具潛力。例如，有學者提出了語境增強的無監督地理實體關系抽取方法[39]，首先進行地理實體識別，借助分類知識庫確定實體類別，然后基于預訓練BERT詞向量知識庫合并上下文中語義相似的詞匯，增強相同類別的地理實體對的上下文語境，最后利用給定的句法特征排序增強語料中各詞語的重要性，確定給定地理實體對的關系關鍵詞。結果顯示，相較于Domain Frequency和Entropy詞頻統計的抽取方法，語境增強的無監督地理實體關系抽取方法的關鍵詞提取準確率大幅提升。同時，該方法具有識別新增關鍵詞的能力，可有效擴展地理知識三元組的關系種類。業界進一步利用Stanford OpenIE工具實現了網絡文本蘊含地理實體開放關系的實時抽取[40]，基于通用知識庫的地理實體開放關系過濾方法，從OpenIE抽取的地理實體開放關系中篩選出高質量結果。相比OpenIE的原始抽取結果，該方法大幅度濾除了開放關系抽取結果中的噪聲，并最大程度召回正確的地理關系三元組。

4.4 文本描述地理事件信息抽取

不同類型地理事件在文本描述中差異顯著，而且地理事件往往涉及多個地理實體及空間位置。針對這一問題，有學者將地理實體關系識別引入事件抽取過程，采用CRF模型和支撐向量機（Support Vector Machine, SVM）模型進行角色和語義關系標注，并以交通為例，通過正則表達式匹配識別事件的時間要素，實現了社交媒體文本中涉及多個地理實體描述的交通事件位置信息抽取[41]。此外，文本中存在大量多種類型地理事件表達共存的現象。基于觸發詞的方法容易將描述近似但類型不同的地理事件錯誤分類，而使用傳統的文本全局特征向量作為監督分類方法的輸入，模型學習的特征大多數與事件主題無關，導致訓練分類器對事件分類檢測失效。針對這一問題，有研究以環境污染事件為例，提出了基于聯合主題特征的文本蘊含地理事件檢測方法[42]，首先計算文本中主題詞頻來構建主題分布特征向量，利用事件語料和維基百科語料訓練的Word2Vec詞向量對初始主題詞庫進行同義詞擴展，然后基于TF-IDF向量表示文本的全局特征向量，計算詞匯在各種事件主題類型的詞頻分布作為文本的主題分布特征向量，最后構建聯合主題特征向量，進而采用邏輯回歸模型與SVM分類模型提取了地理事件信息。這一方法兼顧文本的全局特征和主題分布特征，使用同義詞林和知網改善了多類型地理事件信息檢測分類效果。

地理事件具有時空動態變化特征。現有的模式匹配和機器學習算法很難遷移適用。針對這一問題，可在事件抽取過程中結合事件特征和語境特征[43]，考慮詞匯的事件特征和上下文信息，采用句法分析快速標注事件語料，基于BiLSTM-CRF模型，從文本中抽取出事件的時空屬性信息，進而支撐地理事件知識庫構建。

4.5 文本描述地理空間范圍計算

空間位置與幾何形態共同刻畫出地理實體、地理事件占據的空間范圍。文本描述的空間范圍具有顯著模糊性。基于文本描述計算地理實體、事件的空間范圍，需要明確地理空間位置的認知機制與描述方式，界定地理實體空間位置與幾何形態的關系，將文本上下文中特定地理實體的空間關系描述，簡化為二元空間關系的組合描述，實現地理實體、事件空間范圍描述的近似計算。

針對不同語境中位置描述模糊性差異顯著而難以定位的問題，有學者提出了基于超賦值語義的定位方法[44]，從多個層次分析位置描述中模糊性的來源，以及在各要素表達形式上的體現，然后從空間對象、距離關系和方向關系3個方面構建定位模型。通過對多個位置描述上下文進行超賦值，從上下文語義中獲得觀察值閾值，進而實現位置描述的精確化定位。

量化模糊空間邊界有助于通過空間計算理解人類活動與地理空間的交互特征。業界提出了基于上下文空間關系的模糊地名空間建模方法[45]、基于核密度分析的地名模糊空間建模方法[46]、基于網絡文本地理實體共現關系特征的認知范圍方法[47]等。上述方法充分利用了文本中的空間關系詞匯信息，但是忽略了不同類型地理實體的特征差異。因此，也可以考慮采用地理時空知識圖譜和上下文相結合的方法，利用知識圖譜中相關地理實體的時空特征、屬性和關系，擴大相關文本數據源，同時提升文本中相關信息獲取性能，從而提高地理實體、事件空間范圍計算精度。

4.6 異構地理語義網對齊

互聯網上有著大量開放的地理語義網（地理知識庫）資源，可以作為構建時空知識圖譜的重要基礎。然而，這些地理語義網產品中不同類型的實體存在詞法、結構和空間等方面的異質性，導致不同語義網中知識間的鏈接關系不可見，冗余數據難識別等問題。為此，業界開展了地理實體對齊形式化表達研究，針對不同應用場景提出了基于詞嵌入增強的機器學習和基于空間映射變換的地理實體及類別對齊方法[48??-51]，可以在地理實體缺乏空間參考或者信息不完整的情況下有效完成實體和類別對齊，并構建了異構地理語義網對齊框架，充分利用多維信息度量地理實體相似性，并集成不同類型的地理實體對齊任務，一次完成地理實體從概念、屬性到實例的完整對齊。

（1）詞嵌入增強的地理實體對齊

現有文本蘊含地理實體對齊方法嚴重依賴地理實體的字符距離相似度，無法準確捕捉地理實體的深層次語義相關性，使得對齊性能難以提高。為此，業界提出了基于詞嵌入增強的地理實體對齊方法[48]，借助大規模文本中豐富的詞匯間上下文關系，通過訓練和學習，基于詞嵌入模型，將文本中的詞匯表示為低維實數向量。該向量隱含了從文本中學習到的語義信息以及詞匯間的深層次語義相關性。相比于基于字符距離的地理實體相似度，由于詞向量隱含了語義信息，可以更準確地捕捉語義相關性，度量其相似程度。

（2）基于空間映射變換的地理實體對齊

現有地理實體對齊方法通常計算實體名稱相似度，利用絕對空間坐標來計算空間距離，并利用計算得到的實體名稱相似度和空間距離來實現對齊。然而，矢量型地理實體可能存在缺乏空間參考或者信息不完整的情況，嚴重影響對齊效果。據此，業界提出了基于空間映射變換的地理實體對齊方法[49]，通過橡皮頁空間映射方式校正待對齊的兩個數據集的相對坐標，使得數據集可以實現空間疊置，疊置后的數據集相對坐標可用于計算空間距離等，實現實體對齊。其中，空間映射通過基于控制點的橡皮頁變換實現。控制點可通過數據集中部分地理實體對齊和對齊的實體計算得到。

（3）基于詞嵌入的地理實體類別對齊

針對已有的地理實體類別對齊主要基于字符或結構相似度方法進行，難以利用深層語義信息的問題，業界提出了地理語義增強的詞嵌入地理實體類別對齊方法[50]。首先構建語料庫，輸入詞嵌入模型進行訓練，生成能夠充分表達地理實體類別語義信息的詞向量，然后根據生成的詞向量，獲得來自不同地理知識庫的實體類別的相似度，根據相似度計算結果生成地理實體類別的對齊結果。這種方法可以有效度量類別間的相關性。需要注意的是，詞向量維度提升雖然增強了向量對語義相關性的表示精度，提升了對齊結果，但過大的維度卻可能導致查全率的降低。需要根據查準率和查全率的均衡確定合適的詞向量維度。

（4）異構地理語義網整體對齊框架

目前業界已有大量公開的地理語義網資源，如GeoNames Ontology、OSM Semantic Network Network、 GeoWordNet、LinkedGeoData等。然而不同組織發布的地理語義網標準不同，存在一詞多義和同形異義的現象，整體上分散獨立。如何整合這些異構分散的知識資源成為亟待解決的難題。通用對齊系統大多缺乏實例對齊功能，需要建立集成框架以支持各種類型的對象對齊。此外，許多地理空間數據使用扁平式存儲，缺乏明確的層級結構，和通用鏈接數據存在本質差異。獨立研究各種類型的地理實體對齊方法，不但增加了計算資源，還缺乏相似性度量指標的自動整合機制，限制了對齊方法的可擴展性。鑒于此，業界構建了地理空間數據的整體對齊框架，充分利用了多維信息度量地理實體相似性，集成了不同類型的地理實體對齊任務，可一次完成概念、屬性到實例的匹配[51]。其中相似性計算考慮了地理實體的空間相似性、詞法相似性、結構相似性和擴展信息相似性；采用初始匹配和增強匹配的兩階段匹配策略。相較于著名的集成對齊系統PARIS，這一集成框架不僅利用了更多類型的信息來協同增強對齊的效果，而且聚合多種相似性度量方法時避免了人工調參，降低了方法對指定信息的依賴，適用于信息分布失衡的數據對齊。

4.7 時空知識表達與表示學習

綜合考慮時間和空間2種要素的獨特性，業界提出了“以地理實體為核心”的時空知識表示模型，發展了基于描述邏輯語言的時空知識形式化描述方法，建立了時空知識圖譜的統一表達框架，解決了“如何將時空知識表示為計算機可接受的符號和可存儲數據結構”的問題[6,52]，并以網頁文本為數據源，探索了基于機器學習模型的時空知識圖譜自動生成方法[53]。針對現有知識圖譜中地理實體間鏈接稀疏，無法為已有知識嵌入表示的學習過程提供充足訓練數據，導致地理知識嵌入表示效果不佳的問題，提出了顧及地理距離特征的時空知識圖譜嵌入表示方法[54]，結合時空知識圖譜具有空間隱喻的獨特性，將隱含的地理實體和地理關系間的空間距離模式引入知識嵌入表示學習過程，優化地理實體和關系在低維向量空間的表示效果，以更好地表達地理實體間稀疏鏈接的知識圖譜三元組，服務時空知識圖譜補全等應用場景。

4.8 時空知識圖譜應用案例

通用知識圖譜作為現代搜索引擎的底層資源，已成為互聯網信息服務的核心支撐。與地理位置相關的城市設施與人類個體/群體知識資源，如POI畫像與消費者行為軌跡模式等，也已在智慧城市管理、城市電商和零售領域取得了廣泛應用。針對行業需求的其他時空知識資源，尚處于應用起步階段。 例如，針對臺風災害應急管理決策需求，業界提出了臺風災害知識圖譜構建方法[55]，通過梳理臺風災害知識來源，建立了臺風災害事件知識體系，提出了臺風災害事件知識表達模型，實現了基于“事件-對象-狀態-屬性”的臺風災害事件知識融合，構建了臺風災害知識圖譜，分析了知識圖譜在臺風災害對象查詢、災情應對措施推理等場景中的應用途徑；針對大氣污染事件追溯和執法需求，提出了以事件為核心的大氣污染執法知識本體模型，建立了大氣污染發現、現場檢測、處罰決定、整改監督4個階段的事件本體，確定了本體涉及的對象要素的核心屬性及其相互關系[56]；采用BERT和 CRF模型組合，實現了大氣污染事件分類及其文本中事件對象要素等的自動化精準抽取[57]，構建了大氣污染執法事件知識圖譜，開展了大氣污染事件關聯性、發展態勢、執法量裁準確度分析等；針對鐵路隧道智能化施工管理需求，提出了鐵路隧道鉆爆法施工安全質量進度知識圖譜構建方法[58]，根據鐵路隧道施工建設過程中與安全質量進度關聯的人機料法環5類關鍵要素的概念與語義關系，設計了模式層自上而下和數據層自下而上雙向協同的構建方式，抽取了實體及關系并進行融合，構建了模式-數據關聯的知識圖譜，精細刻畫了影響安全、質量和進度的關鍵要素屬性、要素間語義關聯關系以及互饋作用關系等，為鐵路隧道施工安全質量進度管理提供了支撐；針對國土資源不同數據產品難以有效管理與快速應用的問題，利用圖數據庫對公開土地覆蓋數據集進行語義層面的結構化存儲，建立了可動態更新的中國國土資源知識圖譜[59]，提出了基于知識圖譜的感興趣圖節點快速檢索算法，充分利用多源土地覆蓋數據產品間的信息，縮短了數據預處理時間，并發現了覆蓋全國的縣級行政單元的產品數據一致性誤差。針對旅游管理與市場分析需求，基于旅游信息門戶的用戶生成內容（User Generated Contents, UGC），通過專家知識本體與預訓練語言模型ERNIE的遷移學習，實現了旅游相關知識抽取，并集成多源信息構建了全方位的旅游知識圖譜，支持游客行為模式和出游偏好分析[60]，并基于知識圖譜，利用旅游評論文本訓練Word2Vec詞嵌入模型，實現文本語義增強，捕捉旅游知識圖譜中蘊含的關系語義，度量旅游景點的相似性[61]；通過構建知識圖譜，解決了當前推薦系統面臨的推薦精度低和推薦結果缺乏可解釋性問題[62-63]。

5 發展趨勢與展望

時空知識圖譜方興未艾。針對時空知識圖譜所涉及的時空信息抽取、空間計算、語義網對齊、知識形式化表達與表示學習等主題，業界已經開展了大量研究，取得了諸多研究成果，為時空知識圖譜的深度應用奠定了基礎。然而，時空知識服務所需的知識獲取、推理計算與主動推薦過程，依然存在一些關鍵科學問題與技術瓶頸需要突破，包括：

（1）多模態時空知識獲取

知識圖譜中的形式化知識元組，當前主要基于各種形態的文本數據源處理得到。然而，除文本外，各種對地觀測、傳感器網絡與社會感知手段獲取的圖像、視頻、移動對象軌跡與傳感網監測數據中同樣蘊含豐富的時空知識。基于不同模態數據獲取的時空知識在系統性、完整性上存在較大差異。需要探索基于多模態數據的時空知識獲取與融合方法，彌補單一數據來源的不足，為時空知識圖譜提供多源異構信息支持。

（2）復雜時空知識表達

知識圖譜通常采用RDF模型進行知識點表達，強調對象間的語義關系。RDF模型本質上是一種“二元一階謂詞邏輯”的知識表示形式，雖然能夠表示大部分簡單事件或實體屬性，然而在表示復雜時空知識時卻束手無策。面對客觀世界中普遍存在的各類復雜時空知識，RDF模型難以保證知識的準確性與完備性。如何突破RDF模型的缺陷，發展可充分反映多維度時空特征及關系，兼容不同時空對象、尺度和粒度的復雜時空知識自適應表示模型，及對應的數據庫實現方法，需要進一步研究。 （3）面向時空知識圖譜的知識推理

面向知識圖譜的知識推理旨在基于已有知識圖譜中的事實，推理出新的事實或識別錯誤的知識，一方面維護知識圖譜的完整性與有效性，另一方面，利用知識推理過程的可追溯性，增強推理結果的可解釋性。可以說，知識推理貫穿知識圖譜從構建到應用的全過程。面向知識圖譜維護的知識推理包括知識圖譜補全和知識圖譜去噪兩個主要任務。知識圖譜補全通過對已有事實的歸納演繹，基于邏輯、規則和上下文，填補存在缺失的知識三元組要素，或者對知識元組進行新的擴充，增加知識存量，包括連接預測、實體預測、關系預測、屬性預測等任務。知識圖譜去噪通過對已有知識元組進行一致性檢驗，或者根據新獲取的知識，識別已有知識圖譜中知識元組的誤差甚至錯誤，對知識元組進行修訂更新[64]。

面向通用知識圖譜的知識推理已在垂直搜索、智能問答等應用領域發揮了重要作用。而時空知識推理目前還處于萌芽狀態。時空知識推理是實現時空數據智能向時空知識智能躍遷的技術瓶頸，直接決定了時空知識圖譜的應用廣度與深度。如何構建時空知識高效計算與推理機制，并提升時空知識推理結果的可解釋性，需要深度借鑒面向通用知識圖譜的知識推理技術，結合時空知識表示學習、實體空間位置語義與空間關系表達，采用地理實體多尺度層次關系推理機制與關系傳遞概率圖模型等，進行深入研究。

（4）行業時空相關知識抽取與工程應用

知識圖譜的核心資源是高質量的知識。對于應用領域而言，行業的深層知識屬于知識中最具含金量的內容，其表現形式都是非結構化、隱性的。目前仍然缺乏有效的行業知識抽取手段。實際應用中多依賴人工/半人工的方式進行，效率和準確性有待提升。

此外，時空知識在空間格局解析、問題診斷、演變模式識別、趨勢預測等不同應用中的作用不盡相同。現有的時空知識服務主要實現了相關數據、文獻及工具的整合，提供跨類型資源語義檢索及簡單的知識導航等。時空知識的行業應用，需要基于時空知識圖譜自適應表達模型，在前述關鍵技術方法基礎上，研發時空知識圖譜管理系統和時空知識應用服務支撐平臺，并與自然資源、生態環境、應急管理、城鄉規劃與建設等行業領域業務深度融合，發展適應不同應用場景的多層次時空知識服務工程化應用技術，支撐相關行業對時空知識服務的迫切需求。

目前各大互聯網企業競相推出基于大規模語料和機器學習大模型的問答系統，如OpenAI ChatGPT、Google Bard、百度文心一言等，成為全球關注熱點。這些產品利用自然語言模型在大規模語料上訓練巨大的神經網絡模型，能夠通過理解和學習人類語言來進行互動[65]。基于海量語料和機器學習大模型的知識提取與產生能力，讓很多以往依賴人工完成的基礎性、模式化工作變得無關緊要。雖然這些產品被詬病不具備實時搜索功能，無法學習新知識并更新知識儲備，但是可以預見，這些問題將很快得到解決。我們認為，在科學探索方面，碳基生命的個性化特征也將不斷被硅基生命的普適化特征所取代。除非這些個性化特征具有強烈的創新內涵，在當時的科技背景下，人工智能難以表達與復現。

然而，這些系統從大規模語料庫中學習到的很多知識，據推測是存儲在分布式表示的難以解釋的黑盒模型中，并非知識圖譜要求的形式化表達的顯式知識元組。這與人類直接認識世界內在機理的樸素需求是相悖的。并且，訓練一個大型語言模型費時費力，成本巨大，這種解決方案是否適合行業領域的應用需求，值得商榷。行業領域知識異構性極強，如何把行業領域知識融入到大模型中極具挑戰。此外，這些系統并不構建顯式的知識圖譜，而是通過大規模文本語料的學習過程，建立隱式的知識圖譜，然后根據這個隱式知識圖譜回答問題。換句話說，它們并不是真正理解了人類的知識傳承，進而也難以實現很多需要因果關系而不是相關關系的知識推理過程。因此，我們認為，在很長一段時間內，構建顯式的時空知識圖譜，并與深度學習技術有機融合，針對行業領域業務需求進行知識組織和計算推理，仍將是時空知識服務的必由之路。

以人工智能為代表的新興技術正日益成為影響全球戰略穩定的新變量。作為引領新一輪科技革命的戰略技術，人工智能在國家安全和軍事領域具有顛覆性的潛力。世界主要軍事大國已將軍用人工智能視為戰略競爭新的 制高點。人工智能軍事化的加快推進改變了傳統戰爭模式以及國際軍事競爭態勢。在常規武器領域，人工智能技術擁有增強自主武器威懾、參與輔助決策及 維護網絡安全的能力，可以推動傳統戰爭模式的顛覆性變革，加速戰爭邁向智能化。在核武器領域，人工智能技術與核導彈預警系統、核指揮和控制系統以及自主核運載平臺迭代融合，可以增強核國家核威懾力量，推動核決策走向智能化。從長遠角度來看，人工智能技術的軍事化應用或將改變現有戰略力量的平衡，削弱核國家核威懾的能力，增加危機意外升級的可能性，鼓勵軍備升級和軍備競賽，沖擊和挑戰以核威懾力量為基礎的戰略穩定，進而動搖甚至可能 破壞現有全球戰略穩定的根基。國際社會應聚焦人工智能軍事化過程中相關技術、結構、機制和治理方面的建設，探索降低人工智能軍事應用引發戰略穩定風險的路徑，為建立新型全球戰略穩定體系創造有利條件。

人工智能(artificialintelligence,AI)賦能醫療,通 過提升臨床診療效率和服務質量,緩解醫療衛生資源 短缺和不均衡等問題[１Ｇ３].醫療機構、科研院所和企業 多方聯合攻堅,希望借鑒 AI在翻譯、金融和安防等領 域的成功經驗,實現醫療領域的重大變革[１].本文擬 梳理醫療 AI的發展歷程,探討目前存在的挑戰及未 來發展方向.

個性化推薦系統能夠根據用戶的個性化偏好和需要，自動、快速、精準地為用戶提供其所需的互聯網資源，已成為當今大數據時代應用最廣泛的信息檢索系統，具有巨大的商業應用價值。近年來，隨著互聯網海量數據的激增，人工智能技術的快速發展與普及，以知識圖譜為代表的大數據知識工程日益受到學界和業界的高度關注，也有力地推動推薦系統和個性化推薦技術也邁入到知識驅動與賦能的發展階段。將知識圖譜中蘊含的豐富知識作為有用的輔助信息引入推薦系統，不僅能夠有效應對數據稀疏、語義失配等傳統推薦系統難以避免的問題，還能幫助推薦系統產生多樣化、可解釋的推薦結果，并更好地完成跨領域推薦、序列化推薦等具有挑戰性的推薦任務，從而提升各類實際推薦場景中的用戶滿意度。本文將現有融入知識圖譜的各種推薦模型按其采用的推薦算法與面向的推薦場景不同進行分類，構建科學、合理的分類體系。其中，按照推薦方法的不同，劃分出基于特征表示的和基于圖結構的兩大類推薦模型；按推薦場景劃分，特別關注多樣化推薦、可解釋推薦、序列化推薦與跨領域推薦。然后，我們在各類推薦模型中分別選取代表性的研究工作進行介紹，還簡要對比了各個模型的特點與優劣。此外，本文還結合當下人工智能技術和應用的發展趨勢，展望了認知智能推薦系統的發展前景，具體包括融合多模態知識的推薦系統，具有常識理解能力的推薦系統，以及解說式、勸說式、抗辯式推薦系統。本文的綜述內容和展望可作為推薦系統未來研究方向的有益參考。

//jcs.iie.ac.cn/xxaqxb/ch/reader/view_abstract.aspx?file_no=20210503&flag=1

得益于CG、AI、XR等技術發展，虛擬數字人行業逐步進入成熟期，應用領域從單一文娛拓展至政務、金融、醫療、教育等行業

　　虛擬數字人作為新一代人機交互平臺，其發展與制作技術息息相關，正向智能化便捷化、精細化、多樣化發展。根據系統運作流程差異，虛擬數字人可分為非交互型虛擬數字人、智能驅動型虛擬數字人和真人驅動型擬數字人，主要為終端對語音、動畫生成處理方式的不同

　　虛擬數字人行業市場規模已達千億級別，主要得益于虛擬IP、虛擬第二分身以及多模態AI助手應用

　　虛擬數字人產業鏈上游是內容制作類、工具類和IP策劃類公司，中游是虛擬人廠商、綜合類/互聯網技術廠商、專長類AI廠商、CG廠商和XR廠商，下游主要是企業服務、文娛等各類公司。按不同下游應用領域劃分，2020年中國虛擬數字人行業市場規模約2000億元，未來隨著新技術成熟以及市場接受度拓展，2030年中國虛擬數字人市場規模將達2700億元

　　虛擬數字人基礎技術架構包括“五橫兩縱”，核心技術為建模、驅動、渲染技術，目前運營成本仍較高

　　虛擬數字人基礎技術架構包括用于數字人制作交互的五大技術模塊，即人物生成人物表達、合成顯示、識別感知、分析決策等模塊，以及2D、3D數字人。當前虛擬數字人產業生產及運營成本高，優劣差異化顯著，受眾群體不斷拓展，因而虛擬數字人價值凸顯，應用領域不斷拓展，未來有望加速商業化進程。

//data.eastmoney.com/report/zw_industry.jshtml?infocode=AP2025210

從2018年谷歌提出BERT預訓練語言模型至今，超大規模智能模型已經走過了三年的發展歷 程。近年來，預訓練模型成為人工智能領域一大重點研究方向。

大模型技術不僅是學術界重點關注的領域，產業領域也在期待其能夠在各個場景加速落地。人們期待，大模型不僅能夠提升應用服務的智能水平，甚至還能夠催生新的場景和產業模式。

然而，當前全球大模型商業落地仍處于早期探索階段，目前已有很多模型落地的探索，但真正讓大模型成為推動智能產業發展的核心引擎，目前仍存在不小的差距。

今日，智源研究院推出了《超大規模智能模型產業發展報告》，旨在梳理當前大模型領 域產業的發展情況，為讀者提供交流和討論的機會。

本報告將主要分為以下五部分內容。首先，報告將介紹大模型領域的技術發展情況和趨勢。接著，報告將梳理目前已經出現的大模型產業落地模式，提出該模式誕生的條件、特點和優勢。

然后，報告將重點介紹目前大模型已經開展商業化的發展領域，包括國際和國內的落地領域和應用 場景。最后，報告將用兩章內容論述應用存在的問題和解決案例，并提出下一步工作建議。

報告鏈接：//baai.org/l/MdRePort

自動駕駛車輛的本質是輪式移動機器人，是一個集模式識別、環境感知、規劃決策和智能控制等功能于一體的綜合系統。人工智能和機器學習領域的進步極大推動了自動駕駛技術的發展。當前主流的機器學習方法分為：監督學習、非監督學習和強化學習3種。強化學習方法更適用于復雜交通場景下自動駕駛系統決策和控制的智能處理，有利于提高自動駕駛的舒適性和安全性。深度學習和強化學習相結合產生的深度強化學習方法成為機器學習領域中的熱門研究方向。首先對自動駕駛技術、強化學習方法以及自動駕駛控制架構進行簡要介紹，并闡述了強化學習方法的基本原理和研究現狀。隨后重點闡述了強化學習方法在自動駕駛控制領域的研究歷史和現狀，并結合北京聯合大學智能車研究團隊的研究和測試工作介紹了典型的基于強化學習的自動駕駛控制技術應用，討論了深度強化學習的潛力。最后提出了強化學習方法在自動駕駛控制領域研究和應用時遇到的困難和挑戰，包括真實環境下自動駕駛安全性、多智能體強化學習和符合人類駕駛特性的獎勵函數設計等。研究有助于深入了解強化學習方法在自動駕駛控制方面的優勢和局限性，在應用中也可作為自動駕駛控制系統的設計參考。

//www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20210103&flag=1

機器視覺是建立在計算機視覺理論工程化基礎上的一門學科，涉及到光學成像、視覺信息處理、人工智能以及機電一體化等相關技術。隨著我國制造業的轉型升級與相關研究的不斷深入，機器視覺技術憑借其精度高、實時性強、自動化與智能化程度高等優點，成為了提升機器人智能化的重要驅動力之一，并被廣泛應用于工業生產、農業以及軍事等各個領域。在廣泛查閱相關文獻之后，針對近十多年來機器視覺相關技術的發展與應用進行分析與總結，旨在為研究學者與工程應用人員提供參考。首先，總結了機器視覺技術的發展歷程、國內外的機器視覺發展現狀；其次，重點分析了機器視覺系統的核心組成部件、常用視覺處理算法以及當前主流的機器視覺工業軟件；然后，介紹了機器視覺技術在產品瑕疵檢測、智能視頻監控分析、自動駕駛與輔助駕駛與醫療影像診斷等四個典型領域的應用；最后分析了當前機器視覺技術所面臨的挑戰，并對其未來的發展趨勢進行了展望。希望為機器視覺技術的發展和應用推廣發揮積極作用。

摘要: 工業4.0將工業制造流程以及產品質量優化從以前依照經驗和觀察進行判斷轉變為以事實為基礎, 通過分析數據進而挖掘潛在價值的完整智能系統. 人工智能技術的快速發展在工業4.0的實現中扮演著關鍵的角色. 然而, 傳統的人工智能技術通常著眼于日常生活、社會交流和金融場景, 而非解決工業界實際所遇到的問題. 相比而言, 工業人工智能技術基于工業領域的具體問題, 利用智能系統提升生產效率、系統可靠性并優化生產過程, 更加適合解決特定的工業問題同時幫助從業人員發現隱性問題, 并讓工業設備有自主能力來實現彈性生產并最終創造更大價值. 本文首先介紹工業人工智能的相關概念, 并通過實際的工業應用案例如元件級的滾珠絲杠、設備級的帶鋸加工機與機器群等不同層次的問題來展示工業人工智能架構的可行性與應用前景.

//www.aas.net.cn/cn/article/doi/10.16383/j.aas.200501