https://ice-wocker.github.io/frontier-knowledge-base/ 覆盖九大领域的前沿科技专题文档，逐条附来源链接 zh-CN Sun, 04 Oct 2026 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/3d-and-gaussian-splatting.html https://ice-wocker.github.io/frontier-knowledge-base/ai/3d-and-gaussian-splatting.html 三维内容生成的主流技术可归为两类：一是 重建/渲染 （Neural Radiance Fields，NeRF；3D Gaussian Splatting，3DGS），从多视角图像恢复可渲染的场景表示；二是 生成式 3D （image/text-to-3D），直接产出可直接使用的 3D 资产（mesh + PBR 贴图）。2025–2026 年的趋势是两者融合… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-agents.html https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-agents.html AI Agent（智能体）指以大语言模型为推理核心、能够调用工具、读取与写入外部系统、并在多步任务中自主决策的系统。从工程视角看，一个典型 agent 由「模型 + 工具接口 + 状态与记忆 + 编排循环 + 防护栏」构成：模型负责推理与决策，工具接口负责把模型意图落到真实系统，状态与记忆负责跨步骤保持一致，编排循环负责把多步任务串起来，防护栏负责约束其自主… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-for-science.html https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-for-science.html AI for Science 指用机器学习方法加速自然科学发现，代表性方向包括：蛋白质与生物分子结构预测（AlphaFold 系列）、生物基础模型（ESM3）、材料发现（GNoME、MatterGen）、AI 气象预报（GraphCast、Pangu-Weather、Aurora、GenCast、AIFS）、数学定理证明（AlphaProof）与基因组调控预… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-product-and-ux.html https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-product-and-ux.html 2025–2026 年，AI 产品的交互范式从「对话框」向「入口 + 智能体」演进：AI 助手不再只是插件，而成为承载任务执行、应用构建与持续工作的入口。与此同时，评测驱动迭代（Eval-Driven Development）成为产品工程的基本实践，定价模式也从按席位转向按用量与按结果。这一转变意味着 AI 助手开始覆盖从对话、写作到应用构建与后台任务的完整… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-history-and-milestones.html https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-history-and-milestones.html 人工智能（Artificial Intelligence, AI）作为一个被正式命名的学科，通常以 1956 年在美国达特茅斯学院（Dartmouth College）举办的暑期研讨会为起点，正是在这次会议上 "artificial intelligence" 一词被采纳，该领域被组织为一个正式的研究计划（History of Artificial Inte… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-infrastructure-and-compute.html https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-infrastructure-and-compute.html AI 基础设施是前沿模型的物理底座，涵盖超大规模训练集群、GPU/TPU 互联网络、训练与推理软件栈、模型架构效率技术（MoE、量化、KV cache 优化）、以及数据中心的电力与散热。2025–2026 年，随着旗舰模型训练规模迈入"十万卡级"，基础设施的主旋律从"堆算力"转向"每瓦性能"与"每 token 成本"：一方面互联带宽、液冷与供电成为集群扩展的… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-safety-and-alignment.html https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-safety-and-alignment.html AI 安全与对齐（AI Safety and Alignment） 最后更新：2026-09-26 ｜ 领域：人工智能 / 安全、对齐与治理 ｜ 说明：信息来源为公开网络资料，详见文末参考来源 一、概述 AI 安全与对齐关注两类问题： 误用风险（misuse） ——模型被用于生化、网络、操控等危害；以及 失控 / 失准风险（misalignment & lo… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-security-threats-and-defense.html https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-security-threats-and-defense.html 随着 LLM 与 Agent 进入生产系统，AI 的攻击面从「内容风险」向「行为风险」扩散：一方面智能体在复杂环境中的错误决策或越权操作可能直接导致事故，另一方面攻击者可通过工具投毒等新手段劫持智能体用于违法犯罪，责任主体更模糊（专家解读 以规范应用护航智能体发展行稳致远）。行业普遍以 OWASP Top 10 for LLM Applications 作为… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-search-and-deep-research.html https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-search-and-deep-research.html AI 搜索（AI Search）指以对话式界面替代或补充传统关键词检索的产品形态，典型代表包括 ChatGPT Search、Google AI Overviews、Perplexity 等；深度研究（Deep Research）则是其中的"重模式"分支：Agent 自主制定研究计划、反复检索、识别知识缺口并再次检索，最终产出多页带引用的报告（Build w… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-coding-tools.html https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-coding-tools.html AI 编程工具与编程智能体 最后更新：2026-09-26 ｜ 领域：人工智能 / 软件开发工具与编程智能体 ｜ 说明：信息来源为公开网络资料，详见文末参考来源 一、概述 AI 编程工具已从「补全代码」演进为「自主完成任务的编程智能体（coding agent）」。2025–2026 年，市场形成三条主线： IDE 内嵌智能体 （GitHub Copilot… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-evaluation-practices.html https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-evaluation-practices.html AI 评测实践（evaluation）指对模型与 AI 应用的能力、可靠性与安全性进行系统化测量，涵盖评测集构建、打分方法（LLM-as-judge、人工评测、A/B）、数据污染检测、统计显著性与安全评测等。随着 LLM 被用于训练监督信号与生产质量门禁，评测本身的可信度成为关键问题：如果判分器（judge）系统性偏差，那么「以模型评模型」的评测会放大误差。… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/agent-engineering-patterns.html https://ice-wocker.github.io/frontier-knowledge-base/ai/agent-engineering-patterns.html Agent 工程（Agent Engineering）指把大语言模型（LLM）从单轮文本补全扩展为能自主规划、调用工具、维护状态并多步完成任务的系统的实践体系。2026 年的业界共识是：决定 Agent 成败的往往不是更大的模型，而是如何拆分工作、如何管理上下文与记忆、如何评估与观测（5 Key Concepts Behind Agentic AI Ever… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/agent-frameworks-and-tooling.html https://ice-wocker.github.io/frontier-knowledge-base/ai/agent-frameworks-and-tooling.html Agent 框架与工具链指构建 LLM 智能体（agent）所需的软件分层：编排框架（LangGraph、CrewAI、AutoGen、OpenAI Agents SDK 等）、上下文与文档框架（LlamaIndex）、工具与上下文连接协议（Model Context Protocol, MCP），以及记忆、沙箱、可观测等基础设施。2025–2026 年，这… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/gpu-kernels-and-cuda.html https://ice-wocker.github.io/frontier-knowledge-base/ai/gpu-kernels-and-cuda.html 大模型的训练与推理性能，最终取决于 GPU 上算子（kernel）的实现质量。所谓"算子工程"，是围绕 NVIDIA GPU 的执行模型做三件事： 把数据搬运与计算重叠 、 减少 HBM 与片上存储之间的往返 、 消除 host 侧启动开销 。这三件事分别对应 FlashAttention 系列、算子融合（fusion）与 CUDA Graphs。 CUDA… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/mlops-and-llmops.html https://ice-wocker.github.io/frontier-knowledge-base/ai/mlops-and-llmops.html MLOps（Machine Learning Operations）指把软件工程中的持续集成、持续交付、监控与治理实践延伸到机器学习模型的全生命周期，典型环节包括实验跟踪、模型注册、部署发布、生产监控与回滚。MLflow 是将这些环节收敛到单一平台的代表，其官方定位强调「自动记录参数、权重、工件、代码、指标与依赖，确保实验可复现」，并内置模型注册表以控制模型… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/mixture-of-experts.html https://ice-wocker.github.io/frontier-knowledge-base/ai/mixture-of-experts.html 混合专家（Mixture of Experts, MoE）通过让网络的局部组件"条件性激活"来突破稠密模型的算力约束：一个 MoE 层拥有 N 个独立的 FFN（称为"专家"）以及一个决定每个 token 使用哪些专家的小型路由器网络；对任一 token，只有 k 个专家被激活，其余不参与计算，因此模型可拥有远超单次前向所需参数量的总参数（Mixture o… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/rag-and-memory.html https://ice-wocker.github.io/frontier-knowledge-base/ai/rag-and-memory.html RAG 与上下文工程（Context Engineering）与智能体记忆 最后更新：2026-09-26 ｜ 领域：人工智能 / 检索增强生成、上下文工程与记忆 ｜ 说明：信息来源为公开网络资料，详见文末参考来源 一、概述 检索增强生成（Retrieval-Augmented Generation, RAG）曾长期被简化为「向量检索 + 拼接进提示词」的标… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/transformer-architecture.html https://ice-wocker.github.io/frontier-knowledge-base/ai/transformer-architecture.html Transformer 由 Vaswani 等人在 2017 年论文《Attention Is All You Need》中提出，是此后所有主流大语言模型的基础架构（The History of AI）。现代 LLM 的骨架可概括为"注意力 + FFN 的堆叠块"模式：GPT-4、Claude、Llama 4、DeepSeek-R1、Qwen3 等共享一批趋… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-enterprise-adoption.html https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-enterprise-adoption.html 企业 AI 落地指组织把 AI 能力从概念验证（PoC）推进到生产系统并产生可衡量业务价值的过程，涉及用例筛选、ROI 评估、数据准备、部署形态选择（公有云 API / 私有化 / 混合）、合规与安全、组织与人才等维度。2025–2026 年，行业叙事的重心从「是否采用 AI」转向「采用后能否兑现回报」：采用率已高企，但从试点到规模化的转化率与利润影响仍然偏… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/distributed-training-and-parallelism.html https://ice-wocker.github.io/frontier-knowledge-base/ai/distributed-training-and-parallelism.html 当模型参数、激活值与优化器状态总量远超单卡显存时，训练必须切分到多卡、多节点。分布式训练的核心就是把"计算、显存、通信"三者重新分配，主流切分维度包括： - 数据并行（DP, Data Parallel） ：每卡持有完整模型副本，切分数据批次，反向传播后做梯度同步（AllReduce）。 - 张量并行（TP, Tensor Parallel） ：把单层内的矩… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/tokenization-and-embeddings.html https://ice-wocker.github.io/frontier-knowledge-base/ai/tokenization-and-embeddings.html 分词（Tokenization）把原始文本切分为模型可处理的 token 序列，嵌入（Embedding）则把 token 或整段文本映射为稠密向量。前者决定模型的"字母表"与词汇表规模，后者是检索、聚类、分类与 RAG 系统的语义基础。两者共同构成 LLM 的输入接口：分词器一旦随模型权重固化便难以更换，不同分词器的合并规则与词表规模不同，同一段文本会被编… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/interpretability-and-mechanistic-analysis.html https://ice-wocker.github.io/frontier-knowledge-base/ai/interpretability-and-mechanistic-analysis.html 可解释性研究分为两条主线：一条是行为层面的「外部可解释」（探针、输入输出测试），另一条是机制可解释性（Mechanistic Interpretability），试图识别模型内部的「特征（features）、电路（circuits）与激活模式」，把事实回忆、拒绝、类欺骗规划或代码生成等行为对应到网络中的具体组件（Mechanistic interpretab… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/synthetic-data-and-data-engines.html https://ice-wocker.github.io/frontier-knowledge-base/ai/synthetic-data-and-data-engines.html 合成数据（Synthetic Data）指由模型而非人工生成、用于训练的数据。据 2026 年的行业总结，合成数据已成为几乎所有专用模型的默认监督来源：Tülu、OpenHermes、Llama-3-Instruct 等开放权重指令模型高度依赖合成数据，定制的 reranker、分类器与 embedder 也以合成语料为主，根本原因是人工标注是瓶颈，而 LL… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/post-training-and-alignment-methods.html https://ice-wocker.github.io/frontier-knowledge-base/ai/post-training-and-alignment-methods.html 后训练（Post-training）指预训练之后、使模型具备指令遵循、偏好对齐与推理能力的一系列方法。一份 2025 年的后训练综述把 SFT、RLHF、DPO、GRPO 等技术放入统一脉络，指出 DPO（2023）通过直接依据人类偏好优化模型输出、绕过中间奖励建模来简化 RLHF，而 GRPO 最初是在其团队此前的 DeepSeekMath 工作中提出的（… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/graph-neural-networks-and-knowledge-graphs.html https://ice-wocker.github.io/frontier-knowledge-base/ai/graph-neural-networks-and-knowledge-graphs.html 图学习（Graph Learning）以图神经网络（GNN）与图 Transformer 为核心，处理节点、边与整图的表示学习；知识图谱（Knowledge Graph，KG）则以实体—关系—实体三元组刻画结构化知识。2025–2026 年最活跃的交汇点是 GraphRAG ：用 LLM 从非结构化文本抽取实体与关系构建知识图谱，再以图结构增强检索与推理，缓… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/multimodal-ai.html https://ice-wocker.github.io/frontier-knowledge-base/ai/multimodal-ai.html 多模态 AI（Multimodal AI） 最后更新：2026-09-26 ｜ 领域：人工智能 / 多模态模型与生成 ｜ 说明：信息来源为公开网络资料，详见文末参考来源 一、概述 多模态 AI 指同时理解与生成文本、图像、音频、视频乃至 3D 世界的模型体系。2025–2026 年的主线是「 原生多模态（native multimodal） 」——不再把视觉… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-benchmarks.html https://ice-wocker.github.io/frontier-knowledge-base/ai/ai-benchmarks.html 评测基准（benchmark）是衡量大模型能力的标尺，也是厂商发布时的「成绩单」。一个基准通常由三要素定义：任务与数据（题目从哪来、如何标注）、评测协议（模型能否用工具、思考多少、允许几次尝试）与判定方式（精确匹配、测试通过、人类偏好投票）。理解基准时必须同时看这三者，否则分数难以解读。 2025–2026 年，基准生态呈现两条主线：一是经典知识类基准（MM… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/conversational-assistants-and-voice.html https://ice-wocker.github.io/frontier-knowledge-base/ai/conversational-assistants-and-voice.html 对话助手与语音技术栈由四层构成：语音识别（ASR，语音转文本）、语音合成（TTS，文本转语音）、实时语音对话模型（speech-in / speech-out，端到端低延迟交互），以及承载它们的消费级助手生态（如 Siri、Alexa+、Gemini）。2026 年的关键变化是：实时语音 API 开始支持语音直进直出的对话，且主要平台把"对话式 AI"作为一… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/efficient-and-small-models.html https://ice-wocker.github.io/frontier-knowledge-base/ai/efficient-and-small-models.html 小语言模型（Small Language Model, SLM）与"高效模型"指以极低推理成本换取可用智能的一类模型，通常具备三个特征之一或多个： 参数量小 （一般指 3B 以下）、 稀疏激活 （MoE 结构，总参数量大但每 token 只激活一小部分）、以及 面向端侧优化 （量化格式、低内存占用、CPU/移动 NPU 可运行）。 学术工作中对 SLM 的常… 2026-09-26 00:00:00 +0000 https://ice-wocker.github.io/frontier-knowledge-base/ai/open-weight-models.html https://ice-wocker.github.io/frontier-knowledge-base/ai/open-weight-models.html 开放权重（开源）模型生态 最后更新：2026-09-26 ｜ 领域：人工智能 / 开放权重模型与本地部署 ｜ 说明：信息来源为公开网络资料，详见文末参考来源 一、概述 「开放权重（open-weight）」指模型参数可公开下载、可自行部署与微调，区别于仅提供 API 的闭源模型。2025–2026 年，开放权重阵营从「追赶者」变为「半壁江山」：一方面，Met… 2026-09-26 00:00:00 +0000