《单词树.apk》简介：一款通过树状分级与科学记忆法帮助用户高效掌握词汇的语言学习工具。应用结合遗忘曲线规律，提供单词分类、例句

《单词树.apk》 简介：一款通过树状分级与科学记忆法帮助用户高效掌握词汇的语言学习工具。应用结合遗忘曲线规律，提供单词分类、例句应用及拼写测试，支持个性化进度管理，适合多阶段外语学习者提升长期记忆效果。 亮点：以树形图关联单词逻辑，智能安排复习节奏；内置真人发音与互动练习，强化听说读写能力；界面清晰直观，支持离线学习与云端同步，满足碎片化学习需求。 标签： #单词记忆#语言学习#树状结构#科学算法#艾宾浩斯#Android应用 更新日期：2025-04-20 05:36:43 链接：https://pan.quark.cn/s/ce1ea1710eb8

《全国各省各种版本课本小学科目 》

《全国各省各种版本课本小学科目 》 简介：注重基础知识和核心素养培养，内容编排符合儿童认知规律，融入生活案例和实践活动。语文教材收录大量经典文学作品，数学强调逻辑思维训练，科学课包含趣味实验模块。 亮点：首创单元主题式学习模式，设置传统文化专题板块，课后习题设计梯度分明，配有数字化教学资源库。 标签：#国家统编 #语文教材 #数学思维 #传统文化 #人教版 简介：强调跨学科整合与实践应用，采用项目制学习设计，包含江南文化特色内容。科学教材设园林生态专题，数学融入苏绣纹样几何学，语文课本收录吴地童谣和评弹选段。 亮点：独创"做中学"实践手册，配备AR地理沙盘教具，设置运河文化研学专题，开发智能作业反馈系统。 标签：#苏教版 #项目制学习 #江南文化 #AR教学 #综合实践 简介：融合国际教育理念与本土化创新，设置"小小探索家"STEM专题，数学教材包含金融理财基础模块。语文课本采用分级阅读体系，英语配套AI语音评测系统，美术课融入海派剪纸艺术。 亮点：全国首套编程思维练习册，开发城市安全实践课程，设立沪港比较文化单元，配备VR外滩历史影像资源。 标签：#沪教版 #STEM教育 #AI评测 #海派文化 #双语教学 简介：突出齐鲁文化特色，设置孔子学堂专题模块，数学教材融入古代算术智慧。语文课本包含山东快书选段，科学课设黄河生态研究单元，道德与法治教材收录焦裕禄事迹。 亮点：开发蹴鞠数学游戏教具，创建三孔虚拟实景课堂，设置海洋强国教育专题，配备AI书法临摹辅助系统。 标签：#鲁教版 #齐鲁文化 #传统技艺 #虚拟实景 #德育教育 简介：创新粤港澳大湾区专题课程，语文教材包含广府童谣和醒狮文化，数学融入十三行贸易计算案例。科学课设海洋生态保护单元，英语配套港珠澳大桥纪录片资源，音乐教材收录粤剧经典唱段。 亮点：开发智慧茶楼情境数学教具，创建方言保护语音数据库，设置跨境电商实践模拟系统，配备AR龙舟赛文化体验程序。 标签：#粤教版 #大湾区 #跨境实践 #非遗传承 #数字化教学 简介：首创"湖湘文化基因库"概念，语文教材包含毛泽东诗词专题，数学融入张家界地貌几何分析。科学课设杂交水稻研究模块，美术教材收录湘绣制作工艺，道德与法治课包含芷江受降史料。 亮点：开发岳麓书院VR研学课程，创建洞庭湖生态监测实验包，设置韶山红色教育专题，配备AI方言故事讲述系统。 标签：#湘教版 #湖湘文化 #红色教育 #生态监测 #虚拟研学 链接：https://pan.quark.cn/s/5eb4bad1eac5

【分享】爱作业 v5.1

【分享】爱作业 v5.1  【楼主点评】：家庭作业常常是家长和老师面临的一大挑战： 家长需在忙碌后辅导作业，耗时且担忧辅导效果 老师需批改海量作业，挤占备课与个性化指导时间 传统模式效率低下，难以实现深度知识理解 爱作业应运而生，作为智能教育助手，通过技术创新重塑家庭作业流程，让作业成为促进学习的有效途径。 【应用名称】：爱作业 【应用版本】：5.1 【应用大小】：95.0MB 【适用平台】：Android 8.0 【版本说明】：核心功能矩阵 为家长而生 1. 极速作业检查 1秒智能批改：手机拍摄口算题，AI即时识别对错 多题型覆盖：支持四则运算、竖式计算、脱式计算等 用户证言："再也不用对着计算器检查作业，节省的时间可以陪孩子阅读了！" 2. 错题视频解析 可视化教学：每道错题配套动画讲解，分解解题步骤 概念强化：延伸讲解相关数学原理（如乘法分配律应用） 家长赋能：即使非数学专业家长也能轻松辅导 3. 智能错题本 自动归档：按错误类型/知识点分类整理错题 学情追踪：生成错题趋势图，定位薄弱环节 定制练习：推荐针对性强化训练题库 助力教师 1. 批量批改系统 班级作业秒批：一次拍摄全班作业，AI自动批改 学情大数据：生成班级错题热力图，指导教学重点 效率对比：批改50份作业从2小时缩短至5分钟 2. 智能班级圈 一键布置作业：从题库选择或自定义题目发布 自动批改统计：系统记录完成率/正确率，生成学习报告 VIP增值服务：提供班级错题本、学情分析等深度功能 赋能学生 1. 海量题库 同步教材：覆盖人教版/北师大版等主流教材 分层练习：基础题、提高题、拓展题梯度设计 智能组卷：根据错题记录生成个性化练习卷 2. 视频学习中心 错题重做：观看解析后需完成变式题巩固 名师课堂：精选小学数学重难点微课（如鸡兔同笼问题） 互动练习：视频中嵌入即时问答，检验理解程度。 【使用方法】：打开即用 【下载地址】：通过网盘分享的文件：爱作业_5.1.apk 链接:提取码: 5hbd

OpenAI CTO深度访谈 剧透GPT-5发布时间

OpenAI CTO深度访谈 剧透GPT-5发布时间 OpenAI CTO 穆拉提分享OpenAI近况与AI行业动向。穆拉提在达特茅斯学院（图源：达特茅斯学院）在这场访谈中，穆拉提分享了自己从航天行业、汽车行业、VR/AR再到加入OpenAI的丰富职业生涯，并根据自己在行业最前沿的所见所闻，分析了AI治理、AI对教育的影响、AI对工作的影响等问题。她在访谈中透露，明年或后年就会出现博士水平的智能系统，这或许指的就是GPT-5。她更是抛出一个极具争议性的观点，有些创意工作本不该存在，而AI很快便会取代这些职位。这一观点在网上引发轩然大波，认为OpenAI吃了饭就砸锅，并不理解创造力意味着什么。穆拉提认为OpenAI的成就离不开深度神经网络、大量数据和大量算力这3个因素的叠加，虽然他们还在研究背后的原理，但实践证明深度学习真的行得通。她称AI安全和AI能力是一体两面的，聪明的模型才能理解我们给它设定的护栏。从工程的角度上来看，AI能力的提升并不会降低模型的安全性。OpenAI对模型的安全性负有很大责任，但要实现风险的有效管控，社会和政府的参与也是必不可少的。OpenAI正积极与政府和监管机构合作，共同解决AI安全问题。在场的观众也向穆拉提抛出了尖锐的问题。穆拉提在回应观众对于模型价值观的问题时提到，OpenAI目前已经通过人类反馈强化学习将人类价值观融入AI系统，但未来的重点会是在基础价值体系上，给客户提供高度定制化的模型价值体系。观众还就OpenAI最近的侵权疑云和内容创作者的许可和补偿问题询问穆拉提的看法。穆拉提再次强调OpenAI并未刻意模仿斯嘉丽的声音，她挑选声音的决策过程是完全独立的。至于版权内容，OpenAI目前在尝试以聚合数据池的形式，让创作者提供版权内容到数据池中，整体评估创意内容对模型表现的贡献，并给予相应的报酬。但这一技术颇具难度，实际落地还需要一段时间。与OpenAI CEO萨姆·阿尔特曼（Sam Altman）不同，穆拉提之前的公众认知度较低。她在1998年出生于阿尔巴尼亚，之后到加拿大和美国求学。她2018年便加入OpenAI，是OpenAI的早期成员之一。作为OpenAI的CTO，她领导了OpenAI在ChatGPT、DALL·E、Codex和Sora方面的工作，同时还监管公司的研究、产品和安全团队。微软首席执行官萨蒂亚·纳德拉（Satya Nadella）评价穆拉提时说到，她既具备技术专长，也颇有商业头脑，并对OpenAI的使命有深刻认识。以下是对穆拉提在达特茅斯学院深度访谈的完整编译（为提高可读性，智东西调整了部分问答的顺序，并在不违背原意的前提下进行了一定的增删修改）：01.干过航天、汽车、VR/AR等行业，发现自己对AI最感兴趣杰弗里·布莱克本：大家都想听听你的近况和你正在构建的东西，这真是太吸引人了。不过也许我们应该从你的故事开始。你毕业后去了特斯拉一段时间，然后是OpenAI。你能简短地和我们描述一下那个时期吗，还有你加入早期的OpenAI的故事。米拉·穆拉提：我大学毕业之后其实在航空领域短暂工作过，但之后我意识到航空领域的发展相当缓慢。我对特斯拉的使命非常感兴趣，也对构建可持续交通的未来需要面临的创新挑战感兴趣，因此我决定加入特斯拉。在参与Model S和Model X的工作后，我意识到自己也不想在汽车行业工作。我想要做一些能真正推动社会发展的事情，同时解决一些非常困难的工程挑战。我在特斯拉的时候对自动驾驶汽车、计算机视觉、AI这些技术和它们在自动驾驶汽车上的应用很感兴趣。我那时候想更深入地了解AI的其它领域。于是我加入了一家初创公司，在那里领导工程和产品团队，将AI和计算机视觉应用于空间计算领域，研究计算的下一个界面。当时我认为计算的交互界面会是VR和AR，但现在我的想法不一样了。那时候我认为，如果我们可以用手与非常复杂的信息交互，无论是公式、分子还是拓扑概念，我们便可以更直观地了解这些东西，扩展自己的学识。然而事实证明，当时谈VR还为时过早。但这给了我许多机会，能了解不同领域的AI技术。我想我的职业生涯一直都处于技术和应用的交叉点。这给了我一个不同的视角，能大致了解AI的发展程度以及它可以应用到什么领域。杰弗里·布莱克本：所以在特斯拉的自动驾驶研究中，你看到了机器学习、深度学习的可能性，看到了它的发展方向。米拉·穆拉提：是的。但我并没有看得很清楚。杰弗里·布莱克本：你给马斯克工作过吗？米拉·穆拉提：是的，特别是在最后一年。但那时我们还不太明确AI的发展方向。当时，我们仍然只是将AI应用于特定的应用场景里，而非通用的场景。VR和AR也是如此。而我不想只是将这些技术应用于具体问题。我想做更多的研究，了解背后的原理，然后开始将这些技术应用到其他事物上。我就在这个阶段加入了OpenAI，OpenAI的使命对我非常有吸引力。当时它是一个非营利组织。现在使命没有变，但结构变了。当我6年前加入时，它是一个致力于构建安全AGI（通用人工智能）的非营利组织。当时OpenAI是DeepMind之外唯一一个做相关研究的公司。这就是我在OpenAI旅程的开始。02.3大技术进步让ChatGPT成为可能，实践证明模型能深入理解数据杰弗里·布莱克本：明白了，所以你从那时起你就一直在构建很多东西。也许你可以为在场的观众提供一些AI的基础知识。从机器学习、深度学习到现在的AI，这些概念都是相互关联的，但也各有不同。这些转变是如何发生的呢，又是如何让ChatGPT、DALL·E或者Sora这样的产品成为可能的呢？米拉·穆拉提：其实我们的产品并不是全新的，在某种意义上我们的产品是建立在过去几十年人类共同的努力的基础上的。其实AI就开始于达特茅斯学院。在过去几十年中，神经网络、大量数据和大量算力的结合带来了真正具有变革性的AI系统或模型，它们能够执行一般性任务。尽管我们不清楚其为何成功，但是深度学习真的行得通。我们也试图通过研究和工具来理解这些系统的实际运作方式。不过根据我们过去几年研究AI技术时的经验，我们知道这条路行得通。我们也见证了它们逐渐进步的轨迹。以GPT-3为例，这是一个大约三年半前部署的大型语言模型。其目标是预测下一个token，基本上是下一个单词的预测。我们发现，如果我们给这个模型预测下一个token的任务，并用大量数据训练这个模型，给它大量计算资源时，我们还能获得一个真正理解语言的模型，而且其理解水平与人类相似。它通过阅读大量书籍和互联网的信息，形成了自己对这些数据的模式的理解，而不仅仅是简单地记忆。我们还发现，这种模型不仅可以处理语言，还可以处理不同类型的数据，如代码、图像、视频和声音。它并不在乎我们输入什么数据。我们发现，数据、计算和深度学习的结合运作得非常好，通过增加数据类型和计算量，这些AI系统的性能会不断提高。这便是所谓的扩展法则（Scaling Laws）。它不是实际的法则，而是模型能力提高的统计学预测。这就是推动今天AI进步的动力。杰弗里·布莱克本：你们为什么选择了聊天机器人作为第一款产品呢？米拉·穆拉提：就产品而言，我们其实是从API开始的，而不是聊天机器人。因为我们不知道如何将GPT-3商业化。商业化AI技术实际上非常困难。我们最初专注于技术的开发和研究，我们认为只要构建了一个优秀的模型，商业伙伴就会自然地拿它去构建产品。但后来我们发现这实际上非常困难，这也是为什么我们开始自己开发产品。于是我们开始自己构建一个聊天机器人，我们试图理解为... PC版： 手机版：

AI 新知： 像大脑一样学习的多模态（极简版起源故事）

AI 新知： 像大脑一样学习的多模态（极简版起源故事） 近日，微软放出了多模态大语言模型的重要论文《Language Is Not All You Need 》。预示着今年AI 的下一个重大突破。 那么，什么是多模态学习， 有没有一种人人皆可理解的方式，让更多人参与着技术民主化的浪潮呢？ 答案是乐观和肯定的。 以下内容来自Jeff Dean 去年在TED 做的分享，面向所有人。无需担心技术理解力，更依赖你对大脑本身的好奇心。 原始链接： Jeff Dean 二十多年前加入谷歌，领导着谷歌的人工智能研究与健康部门。 核心内容摘要如下： （这是我的几点解读，供非专业人士参考） 神经网络的机器学习突破是来自科学界对大脑的运作规律的理解（它是自下而上的） 算力是重要且有效的，深度学习突破了识别猫咪、机器翻译到 AlphaGO 等单一任务 AI的单一任务导向的训练是极为低效的，可以请想象成我们从小失去听觉、嗅觉、味觉（去观看电影的感受） 多模态的思想，是进一步模拟大脑运作，就像生物拥有多种感觉来整合认知世界 像大脑一样多个区域进行超高效率的协作，是学习真正的「奥义」；AI的多模态即对大脑深度的模仿。 部分讲稿如下（适当删减，以便于文字阅读）： 1/ 人工智能可以做什么？ 在过去的十年间，AI 在帮助计算机识别物体、 理解语言和谈话方面 取得的巨大进步。 以往的天方夜谭 现在一一成为现实。计算机视觉来说， 在过去的十年中，电脑快速地发展出了‘看’的能力 。这在计算机运用上 具有变革性的影响。 还有一些了不起的实际应用。 可以通过机器学习预测洪水、翻译一百多种语言、预测和诊断疾病。 2/ 让我们来看看构成当代人工智能系统 基础的两个关键元素。 首先是神经网络，它是解决这些难题的一项重大突破。 第二个是运算能力。 驱动神经网络运作实际需要大量的运算能力， 在过去的十五年， 我们做到了使其减半，那也是整个人工智能得以发展至此的原因之一。Jeff Dean 认为我们做错了几件事～ 3/ AI 小历史。 数十年前几乎从计算机科学最早出现， 人们就想建造可以识别语言及理解谈话的电脑。最初的方法一般是人们手动写下完成难题所需的算法， 但成效一般。 过去的十五年间， 一个方法出其不意地 一次性解决了所有难题： 神经网络。 神经网络并非一个新想法。 背后的理念出现于1960和70年代。 神经网络如同其字面意思一样， 是一连串互相连接的神经元。 它们大致上效仿了人体真正神经元的特性。 4/ 神经网络如何计算？ 这种系统中的一个独立神经元， 拥有一组输入信息，每组输入信息有对应的比重，神经元的信息输出就等于那些输入信息乘以它们对应的比重。 其实挺简单的， 无数神经元协同运作，就可以学习复杂的东西。 我们如何在神经网络中学习的？ 其实，在学习过程中， 比重在不断被微调， 增强一些东西的影响，削弱其他的影响。 5/ Jeff Dean对神经网络的兴趣， 始于1990年本科阶段时学到的一门相关课程。 那时，神经网络在精细问题的解决上取得了惊人的成果， 但还达不到完成真实世界中重要工作的程度。 他觉得我们可能只是需要更强的运算能力。 明尼苏达大学当时有一个32位处理器。Jeff Dean想：“如果有更强的运算能力， 我们真能用神经网络干点大事。” 所以决定以神经网络的并行训练 作为毕业论文的课题，理念是将电脑或电脑系统中 所有的处理器 运用到同一件任务上，用来训练神经网络。 32位处理器，哇， 我们肯定能用它做点大事。 但我错了。 6/ Jeff Dean 意识到如果想用神经网络做些引人注目的事情， 所需的算力大概是 90年代算力的一百万倍。但从大概2005年开始，多亏了摩尔定律， 我们真的开始拥有算力了，世界上一些大学里的研究员们开始成功用神经网络完成各种任务。和其他几个在谷歌的同事听闻了这些成功事例， 于是决定启动一个项目，训练大型神经网络。 7/ 用油管视频里随机截取的一千万帧照片对其进行训练。 这个系统发展出了能够识别所有不同种类物体的能力，然后因为是油管的关系， 所以它发展出了识别猫的能力。油管上全是猫。 但让它如此引人注目的是从未有人告诉过这个系统猫到底是什么。 仅仅依靠数据的形态规律， 它就能自己琢磨出来猫究竟是什么。 8/ 在那个时候， 我们还对如何打造一个更适合神经网络运算所需的计算机硬件感兴趣。 神经网络运算有两个特性。 第一个是它们对精准度要求很低。 几个有效位就够了， 不需要六七个那么多。 第二个是所有算法都普遍由多个 不同的矩阵和向量的运算组成。 它会非常适用于神经网络运算， 虽然你无法用它做太多别的事，这是我们制作的第一个成品，TPU v1。 “TPU”是张量处理器的意思。 多年来，这一技术运用于谷歌搜索、翻译、以及AlphaGo围棋比赛， 所以李世石和柯洁可能没意识到，他们其实是在和TPU架构比赛。 9/ 我们仍然做错了很多事， 讲三件我们做错的事情， 以及如何修正他们。 第一个是，现如今的大部分神经网络 只被训练进行单一种类的任务。 你训练它去做一件你很关心的事情， 但这是一项非常繁重的工作。 你需要搜索数据组， 选择这个问题所需的网络架构， 接着随机分配起始比重， 然后为调整比重进行大量运算。 到最后，如果你幸运的话，可以得到一个非常适用于你关心的问题的模型。 但如果你一直这样做， 到最后会得到几千个独立的模型，每个可能都很有用，但都只针对某个单一类型的问题。 10/ 想一想人类是怎样学习的。 想象我们沉浸于钻研园艺， 尝试垂直水培园艺。 无需为此重新学习一遍，我已经掌握的有关植物的知识。 知道怎么把植物放进洞里，怎么浇水，以及植物需要光照， 我只需要整合这些知识用以学习新的技术。 （大脑整合了不同维度的知识和模型） 11/ 电脑也可以这样运作，但目前还未实现。为了避免每次学习新东西时忘记之前的知识，我们可以训练一个多任务处理模型，该模型的每个部分都有自己的专长，能够完成成千上万种不同的任务。假设我们有一个能完成一千种任务的模型，当第一千零一种任务出现时，我们可以整合已有的和新任务相关的知识，更快地完成这项新任务。就像你面临新的问题时，能够快速识别已知并能够帮助解决这些新问题的知识一样。 12/ 第二个问题是， 大部分现今的模型只能应对一种形态的数据， 图片、文字或语音， 但无法做到一网打尽。 但想一想人类如何在这世上生活。 你不断地动用你所有的感官去学习，去做出反应， 去搞清楚现在应该做什么。 这样显然更加合理， 我们也可以用同样的方式建造模型。 13/ 我们可以建造一个可以接收 所有不同种类数据的模型， 文字，图像，语音， 然后把它们融合在一起， 这样无论这个模型看到文字“豹子”， 看到豹子的视频，还是听到有人说出“豹子”这个词 它都会触发同样的反应： 一个豹子的概念 可以应对很多种不同的数据输入项， 甚至是非人工的输入项， 例如基因序列， 3D点云数据，当然也包括 图片、文字和影像。 14/ 第三个问题是现有人工智能模型过于稠密，这导致我们在执行某项任务时必须完全激活整个模型。与之相反，人脑的不同区块专注于不同的工作。我们可以制造一种激活反应较稀松的模型，训练时，模型可以学习哪个区块适用于哪个领域。此类模型高效，因为我们只使用完成任务所需的区块。解决这三个问题后，我们可以训练几个通用模型，能够应对成千上万件事情，并整合不同数据形态。我们已经制造了一种符合以上条件的模型，叫做“Pathways”。 15/ 我们的理念是这个模型可以完成成千上万种不同类型的任务， 然后我们可以逐步增加新的任务， 它也可以同时处理各种形态的数据， 然后逐步学习新技能， 并按需为不同任务启动不同区块。 我们对此感到非常兴奋， 我们认为这将是人工智能 系统建造迈出的重要一步。 16/ 浅谈一下什么是可信赖的AI。我们要确保强大的人工智能系统造福所有人，但也要考虑公平性、可解释性、私密性和安全性。为训练这些模型完成成千上万种任务，我们需要大量数据，并确保数据的采集代表不同的社群和情况。数据担忧只是可靠人工智能这个议题的一部分。2018年，谷歌发表了开发此类科技时应注意的人工智能守则。 17/ 这帮助指导了我们在研究领域和产品中使用人工智能。这对于思考复杂问题和在社会中应用人工智能非常有帮助和重要。我们不断更新这些准则，它们是现在研究的热点领域。从只能识别数据中的模式到通用智能系统，它们赋予我们解决人类面临的重大问题的能力。例如，我们可以诊断更多疾病，设计出更好的药品，优化教育系统，解决全球变暖等复杂问题。这些系统需要来自世界各地的多学科专家共同协作。 18/ 将人工智能和你所在的领域相结合， 从而推动产业的进程。 我看到了许多计算机科学的优势， 以及在过去的几十年中计算机科学 如何帮助几百万人更好地理解世界。 今天的人工智能拥有帮助数十亿人的潜力。 我们真的生活在一个振奋人心的时代。 谢谢。 Invalid media:

中国已成为科学超级大国了吗？《经济学人》说：是的

中国已成为科学超级大国了吗？《经济学人》说：是的 全A的答卷：高引论文、科研投入与人才引进作为一本总部位于英国的资深经济学媒体，《经济学人》会在2024年发布一篇关于中国科学的封面，并非毫无征兆。早在5年前，2019年，《经济学人》杂志曾用一篇文章的标题发问：“中国能成为一个科学超级大国吗？”对于中国投入科技事业的雄心壮志，他们尚持保留态度，称之为一场“大实验”。5年后的今天，《经济学人》用一个十分肯定的标题遥遥回答了五年半前的那个疑问：是的，中国已经成为了科学超级大国。他们不得不承认，“就目前而言”， “至少对于硬科学来说”，这场“大实验”不仅能够成功，而且还在蓬勃发展。大标题之下，《经济学人》连续使用了四个成语作为小标：“千里之行，始于足下”、“工欲善其事，必先利其器”、“欲穷千里目，更上一层楼”、“活到老，学到老”，用以形容中国的科技成就，也摆足了一副“中国通”的架势。对于中国科学的崛起，《经济学人》引用的主要证据是科研论文的数量与质量，文章指出：在两项高质量的引文指标上，中国表现非常亮眼。对于引用次数前1%的高被引论文，在2003年，美国的论文数是中国的20倍。在2013年，这个数字已经下降到4倍。2022年以来的最新数据表明，中国的高被引论文占比已经比欧盟或美国都要多。图源：《经济学人》自然指数（Nature Index）也是国际公认难以灌水的、衡量高质量学术产出与合作的重要指标。在2014年首次推出时，中国排名第二，但高质量期刊的论文数尚不到美国的三分之一。2023年，中国高质量论文数首次超过了美国。虽然这些指标在之前已有过报道，中国在图表中展现的强劲势头仍让众多网友惊叹。牛津大学高等教育教授Simon Marginson指出，了不起的是，中国后来者居上只用了不到一代人的时间。根据引文统计，世界上约40%的论文是中国学者发表的，美国贡献了大约10%，欧盟和英国加起来发表了15%。中国在物理学、化学、工程学、地球和环境科学领域领先世界。美国和欧洲在生物学和医学领域仍然领先，但中国已表现出快速发展的趋势。例如，中国引用临床医学核心论文的数量最多，这预示了未来在该领域的扩张。中国科技的繁荣离不开资金、设备和人才。按实值计算，中国的研发支出（R&D）自2000年以来增长了16倍。根据最新数据，美国在基础研究上的支出仍比中国高出50%左右，但中国在应用研究和实验开发上投入了大量资金，在大学和政府机构的支出上也已领先。2024年，中央本级科技支出还将达到10%的增幅。这些资金被重点投入“五年计划”的战略领域，如对量子技术、人工智能、半导体、神经科学、遗传学和生物技术、再生医学等领域的研究，以及对深空、深海和地球两极等“前沿领域”的探索。在设备上，中国在2019年已经拥有了“令人羡慕的华丽硬件库存”，包括超级计算机、世界上最大的全口径射电望远镜和一个地下暗物质探测器，之后只增不减。现在，中国拥有世界上最灵敏的超高能量宇宙射线探测器，世界上最强的稳态磁场，不久还将拥有世界上最灵敏的中微子探测器之一。记者、麻省理工前研究员Niko McCarty表示:“中国学生不再像他们的导师那样，将美国视为某种‘科学圣地’。”中国现在的研究人员多于美国和整个欧盟。2020年，中国大学授予了140万个工程学位，是美国的7倍。在顶尖的AI研究者中，从中国获得本科学位的人数是在美国获得本科学位人数的2.5倍。在2014年，中国大学培养的科学技术博士人数几乎与美国持平；到2025年，博士预计将是美国的近两倍。许多出国留学的学者也被激励措施吸引回国。《科学》杂志研究发现，各种政府支持的资助计划带回了高素质的年轻研究人员平均而言，他们是同龄人中最具生产力的15%。几年之内，由于获得了更多的资源和学术人力，他们发表的论文数量是留在美国同等学者的2.5倍。美国调查华裔学者的“中国行动计划”、对一些学生的驱逐出境，也起到了一定程度的推动作用。原创性缺乏仍是顽疾成绩的背后，中国科研的问题同样明显，也就是有大量“需努力”和可以“更上一层楼”的空间。中国自全国范围的撤稿和学术不端行为审查后，学术诚信情况有所好转，《经济学人》提到：根据2023年的一项研究，中国学者的自引比例正在下降。《经济学人》的文章亦提到，论文影响力排名日渐领先的同时，在基础、好奇心驱动的研究上，中国仍在追赶。平均而言，中国论文的引用次数往往低于来自美国、英国或欧盟的论文，且在《自然》、《科学》两大顶尖期刊上的发表数量仍然远少于美国。“这与中国的科研模式有关，在中国，’迅速跟进热点’仍是科学研究的主流”一位中国科技政策的研究者告诉《知识分子》。巨大的科研投入、先进的仪器设备和巨大的科学家基数，支撑了中国巨量的论文产出，而热点之外，真正原创性研究则需要更多积淀的时间。在《经济学人》的文章中，还曾特意以AI领域作为中国科研实力的例子，并指出“中国贡献了全球AI研究论文的40%，与之相比，美国只贡献了10%，欧洲和英国加起来贡献了15%”。且特意提到了一项人工智能领域被引用最高的研究，是来自一批中国的AI研究者。《经济学人》提到的那项高引研究是由何恺明、孙剑等研究者提出的深度残差学习，这项研究增进了神经网络深度的研究，使得神经网络达到了前所未有的深度，促成了今天我们看到的突破性成果包括AlphaFold和ChatGPT。一位AI相关领域的研究者告诉《知识分子》，（这项研究）是中国学者对人工智能领域的关键贡献。然而，对于《经济学人》所言的中国贡献了全球四成的AI相关论文、且在计算机领域高影响论文遥遥领先的情况，该学者认为，这并不能代表什么，“体感完全不是这样（领先）”。分学科的高影响因子文章分布（图源：《经济学人》）根据图中数据，中国在材料科学、化学、工程学、计算机科学、环境与生态学领域创造了世界上60%以上的高被引论文。合作，仍是最大的不确定因素梳理中国科学发展的现状之后，《经济学人》还把目光投向了中国以外，在文章的后半部分，这家西方媒体解释了中国科学发展的最大不确定因素这个国家在国际科技合作方面的进展。中国科学的崛起对西方政府来说有喜有忧，但西方学者与中国的合作还是很常见的。在成像科学、遥感、应用化学和地质工程领域，有25%至30%涉及中国合作者；对于电信，这一数字达到三分之一。欧洲与中国的学术合作比例较低，约为10%。中国倾向于在自己已经很强大的领域进行更多的合作，比如材料和物理。去年发布的一项关于预印本的研究发现，对于AI领域，有一个来自美国或中国的合著者对另一个国家的作者能产生同样的效益，平均能多获得75%的引用。尽管“中国科学的崛起是把双刃剑”的提法在西方不绝于耳，但中西方科学家的普遍共识是：科学合作必须继续，最好还能进一步加强。尽管中国的科学产出大幅增长，但与国际合作者合作的比例一直稳定在20%左右相比之下，西方科学家往往有更多的国际合作。西方研究人员也应该更多关注来自中国的学术前沿成果。去年发表在《自然-人类行为》杂志上的研究数据显示，对于同等质量的研究，中国科学家引用西方论文的次数远远多于西方科学家引用中国科学家论文的次数。西方科学家很少前往中国访问、工作或学习，这... PC版： 手机版：