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

综上，研究人员提供了一种全新的思路来解决水下机器人控制难题。传统方法很难实时模拟水下复杂多变的流体环境，而数据驱动模型让机器人能够从实验中“学习”水的特性，犹如赋予机器人一双感知水流的“眼睛”和“肌肉记忆”。这种让机器人“学会游泳”的探索具有重要意义：它不仅显著提升了特定机器人的游动性能，也为未来水下仿生机器人的设计与控制提供了新范式。利用该方法，研究者成功地让一台原本在水中步 履维艰的四足机器人

以下文章来源于“”，仅做学术分享2025年6月6日上午，第七届智源大会迎来一场思想的高光时刻：强化学习代表人物 Richard Sutton 与深度学习奠基人 Yoshua Bengio 双星交汇， 同台对话，各自围绕 AI 的未来展开阐述：Sutton 聚焦于 “AI 发展”，强调智能的演进；而 Bengio 则着眼于 “AI 安全”，强调伦理风险。两种视角看似交锋，实则殊途同归，皆指向对人类与

因此，知识扩散呈现为围绕少数核心的“星状”放射结构。2026年1月14日，清华大学徐丰力、李勇团队与芝加哥大学James Evans教授在《Nature》发表的系统研究，首次通过分析1980-2025年间六大自然科学领域的4100余万篇论文，量化揭示了AI融入科研带来的“双重效应”：个人效率飙升与集体视野收窄之间的深刻张力。因此，研究的最终指向是呼吁一场AI赋能科研的范式演进：未来的“AI for

在科学和工程领域，机器学习技术在流体力学系统建模方面取得了显著进展。将物理损失作为系统演化的约束能有效克服数据稀缺导致的泛化问题，提升模型预测能力，这在数据获取成本高昂的情况下尤为重要。然而，现实场景中，传感器限制导致我们往往只能获得部分观测数据，这使物理损失的计算变得不可行，因为物理损失计算通常依赖于高分辨率状态，使用部分观测数据计算的物理损失有很大的偏差。针对这一挑战，我们提出了在部分观测下重

以下内容转载自微信公众号“AI4CFD”，1.澳大利亚昆士兰科技大学机械、医学与过程工程学院，布里斯班4000；2.中国清华大学工程力学系应用力学实验室（AML），北京100084；3.澳大利亚南昆士兰大学商学院及应用气候科学中心，图文巴4350；4.德国汉诺威莱布尼茨大学数学与物理系光子学研究所，汉诺威30163；5.德国魏玛包豪斯大学结构力学研究所，魏玛99423；6.中国河海大学未来技术学院

我们提出了 CFDAgent，这是一种零样本、语言引导的多智能体框架，能够从自然语言提示出发，完全自主地完成计算流体力学（CFD）模拟。CFDAgent 集成了三个由大型语言模型驱动的专用智能体：(i) 预处理智能体（Preprocessing Agent），根据自然语言描述、二维图像或三维几何等输入生成拉格朗日（Lagrangian）表面网格；(ii) 求解器智能体（Solver Agent），

本研究提出了一种改进的多精度数据关联方法，通过在多层神经网络间引入差分方法层，有效拓展了模型的适用性。典型数值算例表明，与传统方法相比，所提出的多精度建模方法在精度和泛化能力方面均有提升，尤其在处理不连续问题方面表现突出。在翼型和机翼跨声速压力分布重构中，MFNN_DM方法显著提升了对激波位置的预测能力，较数值模拟及DNN、MFNN等方法实现了精度的大幅提升。通过多源气动数据重构，本研究验证了物理

2025高阅读量文章分享1.张伟伟︳从近期AI技术的极速发展想开去摘要：2025年春节前夕，笔者用DeepSeek（DeepSeek-R1 对话 - 高级推理 AI 助手）探寻了本专业领域的长久萦绕于心的两个学术问题（1.通过哪些数据驱动的方法能够发现物理知识？如方程，本构关系，标度理论或者经验设计公式等；2.有没有一款前掠翼、鸭翼和盒式翼结合到一起的飞机布局；相关讨论见文后附录）。DeepSee