人工智能相关文章

芯科科技2026 Tech Talks技术讲座启航

随着物联网（IoT）与人工智能（AI）技术的深度融合与飞速发展，低功耗无线连接与嵌入式AI正成为驱动智能家居、工业物联网、智慧城市、智能零售、互联健康等创新升级的核心引擎。在此背景下，低功耗无线连接领域的创新性领导厂商Silicon Labs（亦称“芯科科技”）再次发力，宣布其2026年亚太区Tech Talks中文技术讲座正式拉开帷幕。

发表于：2026/4/15

YJJFA：一种数据驱动的高性能正则表达式匹配算法

正则表达式匹配技术在人工智能时代背景下扮演着重要角色，尤其在数据清洗与数据抽取领域，可为大语言模型训练所需的高质量数据处理提供技术支撑。然而，传统正则表达式匹配算法存在性能瓶颈，限制了其应用范围。针对此问题，提出一种基于可信区域的高性能正则表达式匹配算法，命名为YJJFA算法。该算法通过对状态转移表划分成最优可信区域与非信任区域，减少需要处理的状态转移表输入字符数量，并借助非内存访问的非信任字符集向量比较以实现信任字符低时间消耗处理。实验结果表明，YJJFA算法在L7filter规则上的吞吐率达17.88~53.81Gb/s，较原始DFA算法性能提升了一个数量级。

发表于：2026/4/15

基于嵌套组合模型的Web页面生成方法研究与应用

为了满足不同行业生产、运营、管理系统平台中用户角色多样、数据异构、页面展示需求复杂多变等需求，提出一种基于嵌套组合模型的Web页面生成方法。通过采用统一建模语言和面向对象编程技术，结合Vue.js和Nuxt.js框架，实现了页面元素的灵活配置和高效渲染。该方法在不同的工程项目中取得了满意的应用效果，显著降低了配置复杂度和维护成本，提升了用户体验，具有较好的应用推广价值。

发表于：2026/4/15

基于多尺度特征融合的NeRF三维重建方法

三维重建在计算机视觉与人工智能、医学影像、建筑与城市规划等领域中至关重要。针对传统手工建模效率低下的问题，提出一种基于神经辐射场的多尺度融合和注意力机制的方法。该方法引入了多尺度特征模块，并结合图卷积网络增强了网络对空间结构的理解，从而精确捕捉局部与全局的几何关系。多尺度特征模块能够在不同层次上提取信息，改善细节重建的准确性和全面性，进而提升整体重建质量。此外，为了进一步提高模型的鲁棒性与精度，通过引入特征金字塔网络，确保网络在不同尺度下均能有效捕捉重要信息，尤其是在复杂场景中能够避免细节丢失。结合SE注意力机制，模型能够自适应地对图像中的关键区域进行聚焦，增强重要特征的表现，提升了在复杂环境下的重建效果。实验结果表明，该方法在自建建筑物数据集上的结构相似性、峰值信噪比和感知损失分别为0.784、25.42、0.183，较NeRF模型分别提升了4.39%、3.29%、15.84%，能够更好地处理复杂的重建任务，为各类应用领域中的三维重建提供了一个新思路。

发表于：2026/4/15

500多家排队等上市 半导体AI企业挤爆港交所

4月15日消息，香港特首李家超于近日出席活动时，罕见披露了一组数据。李家超透露，目前有超过500家企业正排队等候在港上市。这些准上市企业中，越来越大的比例来自人工智能、半导体、机器人、自动驾驶等战略领域。

发表于：2026/4/15

博通将为Meta训练与推理加速器MTIA芯片提供技术支持

当地时间2026年4月14日，博通（Broadcom）公司和Meta公司共同宣布了一项多年、跨世代的战略合作伙伴关系，旨在支持Meta快速扩展的人工智能计算基础设施。

发表于：2026/4/15

英伟达称已在GPU芯片设计流程中大规模部署AI

4月14日，NVIDIA首席科学家Bill Dally披露了公司内部大规模部署AI优化GPU芯片设计的进展。在制程工艺迁移方面，基于强化学习的NB-Cell工具仅需单块GPU运行一夜，即可完成以往8人团队耗时10个月的标准单元库开发工作，且生成单元的面积与功耗表现均优于人工设计。针对进位超前链布局，Prefix RL工具使关键性能指标提升了20%-30%。此外，NVIDIA还应用了Chip Memo和Bug Nemo两款大语言模型，利用专有代码和文档进行微调，旨在协助初级工程师解答技术难题并自动汇总分配Bug报告。Dally强调，虽然完全端到端的自动化芯片设计尚需时日，但AI的应用已在提升研发效率、探索非直觉设计方案及人才培养方面展现出显著价值。

发表于：2026/4/15

我国最大规模科学智能计算集群投入使用

4月14日，我国规模最大的科学智能计算集群在位于郑州的国家超算互联网核心节点正式投入使用。该集群将国产AI加速芯片规模由此前的3万张升级至6万张，标志着我国在人工智能驱动科学研究（AI for Science）算力基础设施领域实现关键突破，将有力助推人工智能产业应用。 该核心节点于2月5日开始试运行，目前已构建起“数算模用”一体化的国产普惠生态，汇聚了上千款开源大模型及多元数据集。随着集群规模升级，相关部门同步启动了“超级科学计算智能体”战略。在该平台下，用户只需通过自然语言提出需求，系统即可自动拆解任务并调度算力，完成端到端交付，大幅缩短科研任务的完成时间。该集群的建成实现了全栈超智融合能力升级，为全国算力统筹提供了可复制的经验。

发表于：2026/4/15

量子计算两大难题被攻破 全球首个开源量子AI模型Ising发布

4月15日消息，当地时间周二，英伟达发布全球首个开源量子AI模型“ISING（伊辛）”。英伟达表示，AI模型将使研究人员和企业能够构建更出色的量子计算机，从而能够大规模运行实用的应用程序。

发表于：2026/4/15

美国BIS对英伟达和AMD等AI芯片出口许可审批放缓

4月14日消息，据彭博社报道指出，美国商务部负责审查敏感出口的工业与安全局（BIS）正面临人力限制与流程限制的双重瓶颈，导致英伟达与AMD等AI芯片对中国及其他市场的出口许可审批明显放缓。

发表于：2026/4/15

基于实例迁移的机载红外小目标检测算法

近年来，机载红外小目标检测技术已经成为军事和民用领域的研究热点。但在实际应用中，复杂背景和低信噪比等因素的影响仍然使红外小目标检测面临挑战。因此，针对小目标检测，选取更适合红外小目标及复杂背景的YOLOv7模型，在此基础上提出了一种改进的机载红外小目标检测算法AIR-YOLOv7，并利用实例迁移学习的方法分析红外小目标的特点，对数据集进行扩充，进一步提高算法的性能。实验结果表明，AIR-YOLOv7算法在机载复杂场景下的红外小目标检测方面具有更好的表现，mAP值达到97.09％，同时FPS为102.09帧/s。仅通过少量扩充本文数据集，实例迁移方法就使算法的mAP值提高了0.96个百分点，为后续硬件平台边缘计算移植提供了理论基础。

发表于：2026/4/14

基于多尺度特征融合的无人机目标识别算法研究

针对复杂环境下无人机目标识别精度低、实时性差的问题，提出一种基于自适应神经网络与多尺度特征融合的无人机目标识别算法。该算法采用改进的卷积神经网络提取多层次特征，结合注意力机制自适应调整特征权重，并通过多尺度特征融合增强目标表征能力。在DroneCrowd数据集上的实验表明，相比ResNet-50、YOLOv11和EfficientNet等算法，所提方法平均识别准确率达到94.3%，相比ResNet-50提升8.7个百分点，相比YOLOv11提升2.0个百分点；F1分数达到93.9%；处理速度达到61.0 FPS，相比ResNet-50提升35%；展现出优异的鲁棒性，为无人机目标识别提供了有效解决方案。

发表于：2026/4/14

基于深度强化学习的蜂窝连接无人机轨迹优化方法及仿真

蜂窝连接无人机（cellular-connected UAV）在5G网络中展现出巨大潜力。针对其在执行通信任务时需保持稳定地面基站连接的问题，研究了无人机轨迹优化。目标是在给定区域内，使无人机从起点到终点的飞行过程中联合最小化任务完成时间与通信中断时间，并最大化通信吞吐量。由于该问题具有非凸性，采用基于多步学习的竞争性双深度Q网络（Dueling Double Deep Q Network， D3QN）算法求解，通过无人机与地面基站的交互学习实现自适应轨迹优化。仿真结果表明，与直飞策略相比，该方法将任务完成时间缩短了28%，通信中断时长降低了42%，系统平均吞吐量提升了35%，在任务效率、通信稳定性和系统吞吐量等方面均实现显著优化。

发表于：2026/4/14

Lite-VAFNet：面向无人机边缘计算的多模态3D目标检测

针对无人机边缘算力受限与多模态3D检测高精度需求间的矛盾，基于VAF-Net提出一种面向机载平台的轻量化检测网络Lite-VAFNet。该网络首先通过构建网格降维检测头压缩约63%的参数量，以缓解设备存储压力；其次，设计Linear-Bottleneck融合模块实现线性复杂度的特征交互，消除显存峰值瓶颈；最后，引入空间重采样与Logit蒸馏协同加速框架，在突破访存限制的同时有效补偿量化带来的精度损失。KITTI基准实验表明，Lite-VAFNet仅以14.60 M的参数量即取得85.24%的3D AP（Mod.），性能显著优于BEVFusion等前沿模型。该研究在大幅降低资源消耗的同时实现了精度与效率的最佳平衡，极具边缘端部署潜力。

发表于：2026/4/14

面向无人机的深度学习内河船舶小目标检测方法

在内河低空无人机视角的船舶检测中，由于小目标和船舶遮挡等问题，传统算法在复杂背景、光照反射和波纹干扰下在准确检测小型船舶方面尚不成熟。为了解决这些问题，提出了一种基于YOLOv11n的改进算法——YOLO11-FFW（YOLO11—FEM FFM_Concat WIoUv2）。为提升小目标船舶的特征提取能力，引入了特征增强模块（FEM），通过多分支空洞卷积扩展感受野并融合多尺度上下文信息。为增强复杂背景下的多尺度特征表达，引入了特征融合模块（FFM_Concat），在BiFPN结构基础上加入可学习的权重重标定机制，实现了高低层特征的自适应融合。为提高模型在水面反光、遮挡及密集目标场景中的鲁棒性，改进了损失函数为WIoUv2，动态加权平衡定位与分类损失。实验结果表明，YOLO11-FFW相比YOLOv11，mAP@0.5提升1.4%，精确率提高0.8%，召回率提高2.4%，验证了该算法在复杂无人机视角下内河场景中检测小型船舶的有效性。

发表于：2026/4/14