登录
可解释知识推理（EKR）
在人工智能从 “感知智能” 向 “认知智能” 跨越的过程中，“知识推理” 是核心能力 —— 它让机器能基于已有知识（如 “鸟类会飞”“企鹅是鸟类”）推导出新结论（“企鹅是否会飞”）。但随着推理模型从传统规则系统向深度学习演进，“黑箱问题” 日益凸显：模型能给出正确结果，却无法说明 “为什么这么推”。此时，可解释知识推理（Explainable Knowledge Reasoning, EKR）应运而生：它不仅要求推理结果准确，更强调推理过程和依据可被人类理解、验证，是解决 AI 信任危机、推动技术落地关键领域的核心支撑。
2025-09-14
0
0
0
因果知识推理
因果知识推理在人工智能（AI）的发展历程中，“预测”与“解释”始终是两大核心目标。早期的机器学习模型，无论是传统的逻辑回归，还是当下主流的深度学习，大多依赖于数据中的统计关联实现预测任务——例如通过用户的历史购买记录推荐商品，通过医学影像的像素特征诊断疾病。然而，关联不等于因果，当数据分布发生变化（如推荐场景中出现新的促销活动）或存在隐藏混杂变量（如医疗场景中未观测到的患者生活习惯）时，纯关联驱动的模型往往会失效。此时，因果知识推理（Causal Knowledge Reasoning）应运而生：它旨在让机器超越对“是什么”（What）的感知，深入理解“为什么”（Why），构建对现实世界因果结构的认知，从而实现更稳健、可解释、符合人类直觉的决策。
2025-09-14
0
0
0
多模态知识推理（MKR）
在人工智能发展的浪潮中，单一模态数据（如文本、图像、语音）的处理能力已趋于成熟，但现实世界的智能决策往往需要融合多种信息形式——医生需结合病历文本与医学影像诊断病情，自动驾驶系统要同步解析路况图像、雷达信号与交通标识文本，这些场景都指向一个核心需求：让机器像人类一样，通过“多模态知识推理”实现跨领域信息的深度融合与逻辑推断。
2025-09-13
981
4
4
基于深度学习的知识推理
知识推理是人工智能（AI）领域的核心任务之一，旨在利用已有的知识（如事实、规则、关系）推导出新的、隐含的知识，从而实现机器对复杂世界的理解与决策。从早期的专家系统到现代的智能问答，知识推理始终是实现机器“认知智能”的关键支撑——它不仅需要机器“记住”知识，更需要机器“理解”知识间的关联并进行逻辑推演。
2025-09-13
1
9
4
基于规则的知识推理（RBR）
在人工智能（AI）的知识推理领域，基于规则的知识推理（Rule-Based Reasoning，简称RBR）是最早被广泛应用且至今仍具重要价值的推理范式之一。它源于**演绎逻辑**的思想，通过将领域专家的经验与知识转化为明确的“条件-动作”规则，结合当前已知事实，由推理引擎推导得出结论。相较于依赖数据驱动的机器学习方法，RBR的核心优势在于**推理过程透明、结果可解释、逻辑可追溯**，尤其适用于对“因果关系明确性”和“决策可解释性”要求较高的场景，如医疗诊断、故障排查、法律判定等。
2025-09-12
798
2
14
基于统计学习的知识推理
在人工智能知识推理领域，若说基于规则的推理（RBR）是 “符号主义” 的代表，那么基于统计学习的知识推理便是 “连接主义与经验主义” 的核心载体。它不依赖人工预设的显式规则，而是通过从海量数据中学习统计规律与隐性模式，以概率、统计量或模型预测的形式实现 “从已知信息到未知结论” 的推导。相较于 RBR 的 “确定性逻辑”，统计学习推理更擅长处理 “数据模糊、关系复杂、规则难枚举” 的场景 —— 例如从医疗影像中识别病灶、从用户行为数据中预测偏好、从文本中提取语义关联。其核心价值在于 “用数据驱动适应性，用概率量化不确定性”，已成为当前 AI 推理（如深度学习推理、大数据分析）的主流范式。
2025-09-12
575
4
14
基于逻辑的知识推理
在人工智能的知识处理体系中，基于逻辑的知识推理是最具 “理性基因” 的技术分支。它以形式化逻辑为数学基础，通过严格的推理规则从已知知识推导未知结论，核心价值在于保证推理过程的严谨性与结论的确定性，成为医疗诊断、法律判定、工业控制等对 “可信性” 要求极高领域的核心支撑技术。
2025-09-12
712
2
2
量子计算机的发展对传统密码学的打击
量子计算机的发展对传统密码学的核心威胁，源于其能高效解决传统计算机“计算不可行”的数学问题——而这些问题正是当前主流密码算法保障安全的基石。这种影响并非“全面摧毁”，而是针对传统密码学的不同分支（非对称密码、对称密码、哈希函数）呈现出差异化的风险等级。
2025-09-11
607
5
5
抗量子密码学算法
抗量子密码学算法的核心目标是抵抗量子计算机（尤其是能运行Shor算法、Grover算法的大规模量子计算机）的攻击，其安全性不依赖于传统的“大整数分解”“离散对数”等易被量子算法破解的数学问题，而是基于量子计算机难以高效求解的新型困难问题。目前国际上（如NIST抗量子密码标准化项目）已明确几类主流算法：
2025-09-11
1
0
13
量子-resistant密码学研究
当亚马逊CloudFront在2025年9月宣布为所有TLS连接默认启用后量子加密支持时，这一举措标志着抗量子密码学从学术研究正式迈入大规模实用部署阶段。与此同时，密码学家们发出警告：一台拥有不到一百万噪声量子比特的计算机，可能在一周内破解目前广泛使用的RSA-2048加密。这种现实与未来的交织，凸显了量子-resistant密码学研究的紧迫性与重要性。本文将系统阐述量子计算带来的 cryptographic威胁、抗量子密码学的核心研究方向、标准化进程的最新进展以及产业落地的实践挑战，为理解这一跨时代的安全变革提供全面视角。
2025-09-10
713
3
1
主要的同态加密方案
一、同态加密同态加密（Homomorphic Encryption, HE）是一类特殊的加密技术，其核心特性在于对密文直接进行计算后，解密结果与对明文进行相同计算的结果完全一致。这一特性打破了 “加密数据无法计算” 的传统限制，为云计算、隐私计算、联邦学习等场景提供了关键安全支撑 —— 用户可将敏感数据加密后交由第三方（如云端服务器）处理，无需暴露明文，从根本上解决数据 “可用不可见” 的核心需求。
2025-09-10
695
9
1
LLM 中的多头注意力（Multi-Head Attention）
在大语言模型（LLM）的技术架构中，Transformer 是支撑其理解与生成语言的核心框架，而多头注意力（Multi-Head Attention）作为 Transformer 的 “感知中枢”，直接决定了模型捕捉文本中复杂依赖关系的能力。相较于传统单头注意力，多头注意力通过并行化的 “视角拆分”，让 LLM 能更全面地理解语言的语义、语法与逻辑关联，成为 LLM 实现长文本理解、多语义推理的关键技术。
2025-09-09
608
7
3
大语言模型注意力机制（Attention Mechanism）
注意力机制是大语言模型的核心组件之一，其本质是模拟人类“选择性关注信息”的能力——在处理文本时，模型会动态分配权重，对“更重要的词/片段”投入更多注意力，对“无关或次要信息”减少关注。这种机制直接解决了传统序列模型（如RNN）难以捕捉长距离依赖、无法并行计算的痛点，是Transformer架构（LLM的主流基础）的灵魂。
2025-09-07
846
2
7
大语言模型（LLM）的基本概念
在大语言模型（LLM）的知识体系中，Token 和 模型参数 是两大核心基础概念，同时还需结合输入处理、训练逻辑、核心机制等维度，形成完整的概念框架。一、核心数据处理单元：Token（词元）Token 是大语言模型处理文本的最小基本单位，是连接“原始文本”与“模型可理解数据”的桥梁，并非传统意义上的“字”或“词”。
2025-09-07
532
6
0
同态加密库（Google FHE）
Google FHE由谷歌推出，基于全同态加密理论，提供易于使用的API和工具集。其采用最新技术优化，包括快速电路评估、高效噪声管理和优化的密钥管理，以提高性能并降低使用难度，适用于云数据处理、医疗健康、金融行业、智能合约等场景。全同态加密由格雷戈里·维纳尔斯在2009年提出，谷歌的FHE库基于这一理论，提供了易于使用的API和工具集，使得开发者无需深入理解复杂的加密算法，就能利用FHE技术进行开发。该库采用了快速电路评估、高效的噪声管理和优化的密钥管理等最新技术优化，以提高性能并降低使用难度。
2025-09-06
1091
1
2
人工智能的新“货币”：解读计量单位Token
在人工智能浪潮席卷全球的今天，大模型正以前所未有的方式改变我们与机器的交互。当我们与ChatGPT等工具对话时，一个看不见却至关重要的计量单位正在幕后忙碌地工作——它就是Token。理解Token，是理解现代AI工作原理、成本构成与未来发展的钥匙。一、什么是Token？数字世界的“原子”
2025-09-06
1077
1
0
深度学习优化框架（DeepSpeed）
DeepSpeed 是由 微软 (Microsoft) 开发的开源深度学习优化框架，基于 PyTorch 生态构建，核心定位是解决超大规模模型（如千亿/万亿参数大语言模型、视觉大模型）训练与推理中的效率、显存、成本瓶颈，让开发者能在有限硬件资源下实现更大模型的训练，或在相同模型规模下提升训练/推理速度、降低资源消耗。
2025-09-05
728
4
3
混合架构大型语言模型（Jamba）
Jamba是由AI21 Labs开发的混合架构大型语言模型（LLM），结合了Transformer的语义理解能力和Mamba结构化状态空间模型（SSM）的高效性，旨在解决长文本处理中的计算瓶颈。项目地址：https://huggingface.co/ai21labs/jamba-v0.1一、技术特点1.混合架构设计 Jamba采用Transformer-Mamba混合架构，通过交替堆叠Transformer层和Mamba层，平衡了语义建模能力与长序列处理效率。Mamba层通过线性时间复杂度的状态空间变换处理长上下文（如256K tokens），而Transformer层保留了自注意力机制的全局依赖建模优势。这种设计使Jamba在处理长文档（如法律合同、科学论文）时，吞吐量比纯Transformer模型提升3倍，同时保持竞争力的生成质量。
2025-09-05
1126
7
0
开源本地LLM推理引擎（Cortex AI）
Cortex AI是一款开源本地LLM推理引擎，核心定位是“降低大模型部署门槛”，通过整合多类推理框架、兼容主流API标准，让开发者在本地设备（CPU/GPU）或边缘环境中快速运行大语言模型（包括DBRX、Mixtral等MoE架构模型），无需依赖复杂的集群资源。https://github.com/janhq/cortex一、核心定位
2025-09-04
974
5
14
开源混合专家大语言模型（DBRX）
DBRX是由Databricks开发的开源混合专家（MoE）大语言模型，其核心设计目标是在保持高性能的同时大幅降低计算成本。项目地址：https://github.com/databricks/dbrx一、模型介绍1.架构与性能参数规模：总参数1320亿，采用16个专家模块，推理时动态激活4个专家（约360亿参数），实现「大模型能力，小模型成本」。
2025-09-04
1179
9
0
© 2021 - 现在 杭州极深数据有限公司 版权所有 联系我们 
浙公网安备 33018302001059号  浙ICP备18026513号-1号