我们不再只是问：“我们能否训练一个模型来解决X问题？”而是要问：“我们应该训练AI去做什么？我们又该如何衡量真正的进展？”要在这场下半场比赛中脱颖而出，我们需要及时地转变思维方式和技能结构，而这种转变也许更接近于一名产品经理的思维方式。

复杂物理系统的时空演化预测是科学与工程领域长期关注的核心问题，典型场景涵盖流体力学、燃烧与可控核聚变等多类多尺度复杂动力学系统。近年来，科学机器学习（Scientific ML）在神经算子、物理约束学习与大模型预训练等方向快速发展，为高维、强非线性、非定常系统的高效准确建模开辟了新的范式。现实与仿真之间存在较大的差距，在现实中测量，常常会受传感器噪声干扰、观测数据不完整或者实验环境不稳定等因素的影

以下内容转载微信公众号“创头条New”，仅作分享特朗普政府最新发布的《美国AI行动计划》充满了技术霸权理念，充满了对中国的敌视，供批判性学习。

人工智能的突破正在改变航空行业，重塑教育、科研和工业实践。由于人才能力需求的转变，教育考核体系在发生着转变。科学研究正朝着数据与知识结合的范式发展，而产业链正在经历全面的智能升级。然而，大模型在工业行业的应用仍然面临诸多挑战，包括工业专用数据库的构建、历史数据如何迁移、如何保证模型的精度和泛化性、模型结果的可信任性等。专家化模型、行业特定的大模型以及全生命周期的数字孪生系统正在不断发展。解决这些挑

原文链接：https://mp.weixin.qq.com/s/Y0_zHuobor7rcRaj5oIMrA在2026年的人工智能国际大会（AAAI）上，邀请了物理学家Daniel Whiteson做了主题演讲。这里给大家献上本次演讲的全文实录。先介绍一下午演讲者：丹尼尔・怀特森（Daniel Whiteson）。1975 年 6 月 17 日出生。是美国实验粒子物理学家，同时担任加州大学欧文分校

近年来，基于强化学习的主动流动控制（AFC）技术备受关注。然而，强化学习策略对大量试错数据的需求在实际应用中形成了显著障碍，同时限制了跨案例智能体的训练。针对强化学习样本需求量较大的问题，课题组前期提出了专家演示策略加速方法，在训练数据中掺入“伪专家”给出的指导数据，引导控制律高效、合理、有针对性地进行探索和试错，大幅减少了探索数据需求量[1]。针对跨案例智能体训练问题，本研究提出了一种基于强化学

以下内容转载自“AI深度研究员”，仅作学术分享，如有侵权请留言删除原文链接：https://mp.weixin.qq.com/s/DcjR6G89LydlJTy4MwLfBQ（宾大工程学院，对话Meta首席AI科学家Yann LeCun）最近的一两周时间里，65 岁图灵奖得主 、Meta首席AI科学家Yann LeCun（杨立昆） 先后出现在新加坡国立大学与宾大工程学院的讲台。他没有谈参数，也没有

计算流体力学（CFD）对于推动科学和工程领域的发展至关重要，但其操作复杂性、高专业门槛以及有限的可访问性阻碍了其广泛应用。本文介绍了ChatCFD，这是一个由大语言模型（LLM）驱动的智能体系统，用于实现端到端的CFD自动化。ChatCFD 由驱动，采用多智能体架构、结构化 OpenFOAM 知识库、精确错误定位器和迭代反思机制，其性能显著优于现有系统。

在巴黎举行的AI行动峰会上，Meta首席AI科学家Yann LeCun提出一个问题：“什么才是智能的基本构成？这四项能力在LeCun看来，是任何一种具备智能的生命体所共有的基础能力。相比之下，当前主流人工智能系统，尤其是以语言模型为代表的架构，在这些方面仍显不足。这不是他第一次表达类似看法。作为深度学习早期的关键推动者，LeCun一直在强调当前模型能力的局限性。他一直认为，。

选择深抖振状态具代表性的流动区域评估不同算法的预测精度，包括激波振荡区（x/c=0.5，y/c=0.068）、大尺度分离流区（x/c=0.55，y/c=0.067和x/c=0.85，y/c=0.035）和尾缘涡脱落区（x/c=1.025，y/c=0.007）。面对多个低幅值离散特性的PSD数据，MLP算法的预测精度显著降低，尤其是f≥75Hz时x/c=0.55，y/c=0.067和x/c=1.02