在「数字化 + 智能化」的数智化转型中，企业普遍卡在"有数据、无知识"：数据孤岛严重、专家经验难以复用、大模型在企业场景幻觉频发。本文从技术视角梳理知识工程的核心能力栈，重点拆解其与大模型的结合范式（RAG），并给出一个可落地的架构与实施路线图，供研发与架构同学参考。知识工程把隐性的领域经验工程化，再借大模型的能力释放出来，是企业从"看得见"走向"想得清、答得准"的关键路径。没有好的知识底座，RA

船舶领域智能体（Marine AI Agent）是面向船舶设计、建造、航行、运维、管理全生命周期的自主智能系统，需融合海洋环境感知、船舶动力学、国际海事规则、船岸协同等多维知识。截至2026年，以中国船舶集团（CSSC）、中远海运、招商局工业等为代表的中国企业已在多个场景实现智能体落地。📌 案例：中船集团“智飞”号智能拖轮，在青岛港实现全自动靠离泊，避碰响应时间 < 3 秒。自主航行与避碰智能体

作者：罗俊仁 张万鹏 袁唯淋 胡振震 陈少飞 陈璟“人工智能技术与咨询” 发布摘 要对手建模作为多智能体博弈对抗的关键技术，是一种典型的智能体认知行为建模方法。介绍了多智能体博弈对抗几类典型模型、非平稳问题和元博弈相关理论；梳理总结对手建模方法，归纳了对手建模前沿理论，并对其应用前景及面对的挑战进行分析。基于元博弈理论，构建了一个包括对手策略识别与生成、对手策略空间重构和对手利用共三个模块的通用对

源自：信息与控制作者：柴浩轩 金曦 许驰 夏长清摘要随着计算机技术不断应用于工业物联网，工业系统中的数据传输愈加需要支持高实时、高可靠、高带宽以及海量连接的特性。传统的网络已经无法满足这些需求，5G网络因其高速率、低时延、支持海量连接以及良好的移动性等优越性能已成为当前工业物联网领域的研究热点。本文对面向工业网络的5G机器学习方法进行了综述，首先分析了5G网络通信技术领域的大规模天线、终端直连、移

源自：情报杂志“人工智能技术与咨询” 发布摘要[研究目的]为强化国家安全情报能力,推动风险监测预警能力提升,构建基于多模态大数据的国家安全风 险态势感知模型。[研究方法]首先,对国家安全风险态势感知进行阐释;然后,分析多模态大数据驱动下的国家安 全风险态势感知运作逻辑;在此基础上,构建态势感知模型并解析其内涵。[研究结论]该模型集国家安全风险态势 察觉、态势理解、态势预测及态势投射为一体,其构建可

它自己不干活，专门负责把大任务拆碎了，分给底下几个“ specialist”（专家智能体）去干，最后它再把结果收上来拼好交差。比如：第一个智能体负责“翻译”，第二个负责“润色”，第三个负责“排版”。如果是算账的，就转给财务。老板智能体负责规划，然后指挥“搜索员”去搜数据，“分析师”去写报告，“绘图员”去画图表。但那个“老板”如果太笨，或者底下人太多忙不过来，整个系统就卡住了（单点故障）。比如：写小

构建多模态数据集是一个系统性工程，涉及多个步骤，包括需求分析、数据采集、对齐处理、标注、质量控制、存储管理以及伦理合规等。公开数据集复用：如 COCO（图像+文本）、AudioSet（音频+标签）、HowTo100M（视频+语音+文本）、MMIMDb（电影海报+剧情文本）等。确定模态组合：常见模态包括图像、文本、音频、视频、传感器数据（如IMU、EEG）、3D点云等。定义应用场景：如视觉问答（VQ

基于多智能体深度确定性策略梯度算法（MADDPG）构建分布式编队控制架构，并结合集中式训练-分布式执行框架进行求解。针对多智能体环境不稳定问题，依据单个智能体的局部信息构建对应奖励函数。针对大规模编队协同控制，实现了多个多智能体环境下的算法训练与评估。试验结果表明，应用该算法的多智能体能够完成协同任务，且所有智能体都可得到合理的协同控制策略。公众号转载的文章及图片出于非商业性的教育和科研目的供大家

数据集的划分按照类别N=4 , 数据条数K=10,50,100,150 , 网络训练Eoph的E1=10 , 随机抽取独立的任务个数S1=100 , 内部学习率χinner=0.05 、δinner=15 、εinner=15 , 内部步长M=4 , 外部学习率χouter=10−3 、δouter=10−3 、εouter=10−3 , 验证阶段的测试数据大小Q=150 , 网络训练Eoph的E

今天把数字孪生最核心的 “感知 - 建模 - 应用” 三层架构拆透，每一层都附技术选型、实战难点和解决方案，新手也能直接落地参考～私信回复【数字孪生架构】免费领取数字孪生视频，同步拉你进人工智能、数字孪生技术交流群，和 100 + 行业大佬讨论架构设计、开发难点。感知层的核心目标是实时、精准获取物理实体的多维度数据，是虚实联动的前提，没有靠谱的感知，后续建模和应用都是空谈。应用层要围绕行业需求提供