南京大学博士生蒋俊鹏 投稿 量子位 | 公众号 QbitAI 在AI应用中，表格数据的重要性愈发凸显，广泛应用于金融、医疗健康、教育、推荐系统及科学研究领域。 深度神经网络（DNN）凭借其强大的表示学习能力，在表格数据建模上展现出令人瞩目的潜力。 南京大学团队系统介绍了表格表示学习这一研究领域，他们将现有方法按泛化能力划分为三大类： 专用模型 （Specialized）、可迁移模型（Transferable）和通用模型（General） 。 除此之外，他们还比较了DNN与传统方法——树模型的优劣，并剖析表格数据学习中的核心挑战，讨论了集 成学习方法以及开放环境下的表格学习和多模态表格任务等扩展方向。同时，考虑到不同数据集之间方法表现 差异显著，研究团队还探讨了数据集收集、评估与分析的系统策略，旨在建立跨数据集的稳健评估体系。 背景 表格数据本质上是一种 结构化的信息表示方式 ，在组织与表达复杂数据关系方面具有天然优势。 此研究聚焦于 有监督的表格机器学习任务 ，主要包括分类与回归两类常见问题。 除了结构化的组织形式外，表格数据通常还具有 属性类型异质性 ，即包含数值型、类别型或混合型等多种数 据类型，且这些数 ...

本文第一作者为张桂彬，新加坡国立大学25Fall计算机科学博士生；本文在南洋理工大学的王琨博士、上海人工智能实验室的白磊老师、和中国科学技术大学的王 翔教授指导下完成。 LLM 智能体的时代，单个 Agent 的能力已到瓶颈，组建像 "智能体天团" 一样的多智能体系统已经见证了广泛的成功。但 "天团" 不是人越多越好，手动设计既费 力又不讨好，现有的智能体自动化方法又只会 "一招鲜"，拿一套复杂阵容应对所有问题，导致 "杀鸡用牛刀"，成本高昂。 现在，一篇来自新加坡国立大学、上海 AI Lab、同济大学等机构并被 ICML 2025 接收为 Oral Presentation 的论文，为我们带来了全新的解题思路。 他们将神经网络架构搜索（NAS）的超网络（Supernet）思想引入 Agent 领域，首创了一个名为 "智能体超网"（Agentic Supernet）的概念。它不再寻找一个固定的 最佳 "阵容"，而是根据任务难度，动态 "剪" 出一个量身定制的智能体团队。结果有多惊艳？性能超越现有方法最高 11.82%，推理成本却只有它们的 45%！ Agentic Supernet： 论文地址：https:/ ...

6月11日，「2025火山引擎 FORCE 原动力大会·春」"AI+医药大健康"行业论坛圆满落幕。以"云载 AI·健 行未来"为主题，本届医药大健康行业论坛深入探讨了豆包大模型与 AI 云原生技术的落地实践，来自清 华大学、广州实验室、津药达仁堂集团、美中宜和、北京大学人民医院、北京大学第一医院、北京友谊 医院的多位嘉宾，分享了 AI 在医药大健康等场景中的应用成果。 AI驱动医疗大健康行业全流程提效 针对科研进入"数据密集型+AI for Science"新范式融合时代的趋势，广州实验室研究员李亦学认为，AI 的发展源于对其基本原理的了解，贝叶斯定理、Transformer 神经网络、Scaling Law 等原理，支撑了大 模型能力的跃升，使其具备将复杂科研问题拆解为可学习、可重构问题空间的能力，能够加速科研范式 转变。 就此，他分享了与火山引擎联合开发 Bio-OS-Co-Pilot 的实践成果：该系统通过多智能体协作，将原本 需数年完成的科研流程压缩至小时级，显著提升建模、分析及多模态融合等全流程效率。 火山引擎副总裁张鑫在开场致辞中表示，医药大健康行业正在经历由 AI 驱动的范式转变，云计算的算 力 ...

撰文丨王聪 编辑丨王多鱼 排版丨水成文 2025 年 6 月 18 日，国际顶尖学术期刊 Nature 上线了 19 篇论文 ， 其中 9 篇来自华人学者 （包括作为通讯作者和第一作者的论文） 。此外，本周一 （6 月 16 日） ， Nature 加速上线了一篇来自复旦大学的研究论文。 6 月 18 日，清华大学 张强 教授、 同丹 助理教授作为共同通讯作者，在 Nature 期刊发表了题 为： Strategies for climate-resilient global wind and solar power systems （ 气候适应型全球风能和太阳能电力系统的策略 ） 的研究论文 【1】 。 6 月 18 日，霍华德·休斯医学研究所珍妮莉亚研究园区博士后 钟林 作为第一作者兼共同通讯作者，在 Nature 期刊发表了题为： Unsupervised pretraining in biological neural networks （ 生物神经网络中的无监督预训练 ） 的研究论文 【2】 。 6 月 18 日， 新加坡国立大学 刘小钢 院士、 厦门大学 梁亮亮 教授作为共同通讯作者，在 Natu ...

在石化、电力、储能等高危行业中,火焰探测器的响应速度与准确性直接关乎生命与资产安全。传统探 测器常因环境干扰、探测距离不足等问题留下隐患,而百年安防专家梅思安(MSA),推出的FL5000多频红 外火焰探测器,凝聚了先进的红外传感与人工神经网络技术,不仅将探测半径扩展至95米,更通过22种燃料 火焰的精准识别能力,重新定义行业标准。 梅思安(MSA)FL5000火焰探测器:革新探测性能,突破安全阈值 在极端环境适应性上,FL5000展现了梅思安(MSA)对用户痛点的深度洞察。内置光学加热器可自动调节 镜片温度,破解寒带地区冷凝水雾化导致的监测盲区问题。其自检系统不仅实时监控光路完整性,更通过 蓝牙连接Flame Connect App,使工程师能远程下载事件日志、调整参数,大幅减少高空作业风险。TL105 防爆测试灯的引入,则让安全验证摆脱了传统明火测试的隐患,这些细节共同构成了梅思安(MSA)"以人为 中心"的安防生态。 梅思安(MSA)FL5000火焰探测器:全场景配件体系,延伸防护价值 探测器的效能发挥离不开配套系统的支持。梅思安(MSA)针对FL5000设计诸多配件,如NORYL 雨罩护 板,以航天级 ...

Core Viewpoint - The article discusses the increasing security issues in blockchain technology, particularly focusing on DDoS attacks and how quantum convolutional neural networks (QCNN) developed by Micro Algorithm Technology (NASDAQ: MLGO) can enhance detection and response capabilities against these threats [1][7]. Group 1: Quantum Convolutional Neural Network (QCNN) Development - Micro Algorithm Technology has innovatively improved QCNN for detecting DDoS attacks in blockchain networks by optimizing quantum bit initialization and control methods, enhancing stability and reliability [1][7]. - The structure of QCNN has been adjusted to better handle blockchain transaction data and network status information, making it more suitable for the specific characteristics of blockchain data [1][7]. - Specialized quantum state reading and parsing technologies have been developed to accurately extract features related to DDoS attacks from quantum computation results [1][7]. Group 2: Data Collection and Preprocessing - Data collection involves gathering various types of data from the blockchain network, including transaction data, node status information, and network traffic data, using APIs and monitoring tools [3]. - Preprocessing of collected data is crucial for the effective operation of QCNN, involving data cleaning, noise reduction, and standardization to ensure data quality [3]. - Feature extraction is performed to identify characteristics related to DDoS attacks, such as transaction frequency and network traffic changes, which serve as inputs for the QCNN [3]. Group 3: Quantum Operations - Quantum bit initialization ensures that quantum bits are in a stable initial state, balancing the number of quantum bits with computational complexity [4]. - Quantum convolution operations utilize the properties of quantum bits to extract features and recognize patterns from input data through a series of quantum gate operations [4]. - Quantum pooling operations reduce data dimensions while retaining important features, employing a measurement-based pooling method to select the most probable quantum states [5]. Group 4: Classification and Output - After quantum convolution and pooling, a quantum fully connected layer processes the low-dimensional quantum state for DDoS attack classification and detection [6]. - The output from the quantum fully connected layer is a quantum state representing classification results, which is converted into a readable format using specialized quantum state reading techniques [6]. - If the probability distribution indicates a high likelihood of a DDoS attack, alerts are generated to notify network administrators for appropriate defensive actions [6]. Group 5: Applications and Future Prospects - The QCNN developed by Micro Algorithm Technology can monitor blockchain networks in real-time, promptly detecting signs of DDoS attacks and issuing alerts for immediate defensive measures [7]. - This technology can be integrated with other security measures, such as encryption and access control, to create a more secure blockchain environment [7]. - As quantum computing technology advances, the application prospects for QCNN in detecting DDoS attacks will expand, potentially enhancing computational power and accuracy [7].

（图片来源：摄图网） 在智能驾驶技术蓬勃发展的当下，关于其技术路线的选择，行业内外争论不休。 6月16日，特斯拉副总裁陶琳在微博上发布了一则马斯克的采访视频。"马斯克在采访中表示，与道路系统最 适配的智能驾驶技术就是人工智能、数字神经网络和摄像头相结合。因为全世界的道路系统都是为了智能、 生物神经网络和眼睛设计的，而不是根据"从眼睛里发射激光"来设计的。 马斯克表示，"目前的道路系统的设计和人工智能最为适配。更准确地说，它是为智能、生物神经网络和眼 睛设计的。整个道路体系就是基于这样的逻辑构建，因此，真正最适配道路系统的，是人工智能、数字神经 网络和摄像头。当然我们的车辆还配备了麦克风，用于识别紧急车辆的声音，同时我们发现，当系统使用多 种传感器时，它们之间往往会产生冲突，你该相信摄像头，还是该相信激光雷达，一旦感知系统自相矛盾， 就可能引发安全事故。" 与马斯克坚定的纯视觉路线不同，我国多数车企选择了激光雷达方案。激光雷达强大的主动探测能力不容忽 视。它能够很好地弥补摄像头的缺陷，克服各种千奇百怪的"Corner case"，最大程度为人民群众生命财产安 全提供保障。 理想汽车便是激光雷达方案的坚定支持者之 ...

AI教父杰弗里·辛顿可能是这个时代对AI最悲观的人。 2024年的诺贝尔物理学奖颁给了他，以表彰他在神经网络领域的开创性成就。但"AI威胁人类"一直都是 辛顿的主要论调。除此之外，他对当前主流大模型的经典评价是，"一辆锈迹斑斑到处都是问题的车， 只是进行了一次喷漆。" 众所周知，目前主流大模型都采用了基于人类反馈的强化学习（RLHF）来进行预训练微调，而辛顿的 评价原话是"ChatGPT的RLHF就是垃圾。" 王欣是杰弗里·辛顿的硕士研究生。在辛顿执教多伦多大学期间，他见证了辛顿在整个学术圈最边缘的 时光。 作为辛顿的关门弟子，在王欣想要继续跟随辛顿读博士的时候，辛顿劝他辍学，不要再读了。原因是， 这个专业根本找不到工作。他的师兄师姐们的求职之路都不顺利。 在很长一段时间里，辛顿选择的神经网络研究方向就一直不被学术界看好，认为是没有未来、注定失败 的一条路。 在硅谷，这个专业在2000年前后基本没有任何应用场景——没有人认为神经网络的方向是对的。彼时， 人工智能研究最流行的，还是穷举法。 很长一段时间里，多伦多大学计算机科学系官网上辛顿的个人页面都极为简陋。只有黄褐色背景上的一 行行文字与超链接。其中还有他的 ...

广发证券首席金工分析师 安宁宁 SAC: S0260512020003 anningning@gf.com.cn 广发证券资深金工分析师 张钰东 SAC: S0260522070006 zhangyudong@gf.com.cn 广发金工安宁宁陈原文团队 摘要 估值水平，截至2025/06/13，中证全指PETTM分位数54%，上证50与沪深300分别为62%、52%，创业板指接近13%，中证500与中证1000分别为30%、 22%，创业板指风格估值相对历史总体处于相对较低水平。 长周期看深100指数技术面，深100技术面每隔3年一轮熊市，之后是牛市，比如2012/2015/2018/2021年，每次下行幅度在40%至45%之间，本轮始于2021年 一季度的调整无论时间与空间看都比较充足，关注底部向上周期的可能。 使用卷积神经网络对图表化的价量数据与未来价格进行建模，并将学习的特征映射到行业主题板块中。最新配置主题为、有色金属、银行等。 资金交易层面，最近5个交易日，ETF资金流出170亿元，融资盘5个交易日增加约94亿元，两市日均成交13392亿元。 一、市场涨跌 二、主流ETF规模变化 最近5个交易日， ...

广发证券资深金工分析师 张钰东 SAC: S0260522070006 zhangyudong@gf.com.cn 广发金工安宁宁陈原文团队 摘要 广发证券首席金工分析师 安宁宁 最近5个交易日，科创50指数跌1.89%，创业板指涨0.22%，大盘价值涨0.10%，大盘成长跌0.16%，上证50跌0.46%，国证2000代表的小盘跌0.74%，有色金 属、石油石化表现靠前，家用电器、食品饮料表现靠后。 SAC: S0260512020003 anningning@gf.com.cn 风险溢价，中证全指静态PE的倒数EP减去十年期国债收益率，权益与债券资产隐含收益率对比，历史数次极端底部该数据均处在均值上两倍标准差区 域，比如2012/2018/2020年（疫情突发），2022/04/26达到4.17%，2022/10/28风险溢价再次上升到4.08%，市场迅速反弹，2024/01/19指标4.11%，自2016年 以来第五次超过4%。截至2025/06/13指标3.83%，两倍标准差边界为4.75%。 二、主流ETF规模变化 估值水平，截至2025/06/13，中证全指PETTM分位数54%，上证50与沪深3 ...