Newsora
雷峯網11/16 15:59 · 2h ago

HCI 先驅 de Souza:當 AI 替我們閱讀,誰來爲知識負責?| ACM MM 2026

研究者需要的不只是AI生成的答案,更是審查答案、追溯來源併爲知識判斷負責的能力。 作者丨張 璐 編輯丨馬曉寧 你有沒有過這樣的經歷:面對幾十頁密密麻麻的PDF,實在抽不出時間細讀,於是把論文丟給ChatGPT或Claude,讓它幫你提煉核心觀點。幾秒鐘後,一份條理清晰的摘要出現在屏幕上。你點點頭,覺得自己已經掌握了論文的主要內容,甚至直接將其中的觀點引用進了自己的研究。但是,等等——你確定AI總結的,真的是原作者想表達的意思嗎?如果它悄悄引入了原文沒有的觀點,甚至將毫不相干的概念聯繫在一起,作爲研究者的我們,能否及時發現?在正在舉行的 ACM Multimedia 2026 上,人機交互領域先驅、巴西里約熱內盧天主教大學(PUC-Rio)榮休教授 Clarisse Sieckenius de Souza 帶來了一場主題演講。她從自己提出的“語義工程”(Semiotic Engineering)理論出發,討論AI如何改變人與信息之間的關係,以及當我們把文獻閱讀和理解的工作交給AI時,如何守住研究者的“認知權威”(Epistemic Authority)。從界面如何傳遞設計者的意圖,到AI摘要如何偏離原文,再到如何藉助 PEEL 方法審視AI的文本處理過程,這場演講爲我們理解AI時代的知識責任提供了一個新的視角。以下是演講全文雷峯網:01界面是一場對話:我們如何理解機器的語言?在我看來,人機交互(HCI)可以被理解爲一場對話。但這並不是應用程序或系統與用戶之間簡單的對話,而是一場由計算機媒介實現的、發生在人類羣體之間的對話:一方是設計和開發應用程序的人,另一方是使用這些應用程序的人。這場對話通過界面展開。界面實際上扮演着設計者代理人的角色,代替設計者向用戶傳遞信息。它只能按照設計者預先設定的方式和語言進行表達,也就是我們通常所說的人工語言。舉個例子,當我們使用一個網站時,界面會告訴我們哪些操作是允許的,哪些操作是不允許的。在一個Cookie偏好設置頁面中,用戶可能嘗試切換某項必要的設置,但界面卻告訴我們,這項操作無法完成。這條信息實際上來自設計者。用戶通過界面得到的反饋,反映了設計者希望用戶做什麼、能夠做什麼,以及不能做什麼。這就是語義工程(Semantic Engineering)的基本思想:界面代表設計者發聲,用戶則通過學習和使用界面語言,與設計者進行交流。當然,界面語言不一定是文字。它也可以是一套完全圖形化、以對象爲中心的語言。我們通過操縱屏幕上的對象來表達自己的意圖,界面則通過對象的變化回應我們的操作。不過,界面並不總能按照用戶的預期作出回應。我曾經在準備這場演講時遇到一個很有意思的情況:我試圖在界面中插入一個文本框,結果它竟然上下顛倒了。我完全不知道爲什麼會發生這種情況。這恰恰說明,我們有時無法準確預測界面會如何回應。面對意料之外的結果,我們只能嘗試理解它,並調整自己的操作。通常,每個系統都有一套約定俗成的交互模式。這些模式在一定程度上限定了用戶能夠表達什麼、能夠做什麼。我們需要不斷嘗試,尋找通過界面表達自己意圖的方式。更重要的是,每個系統都有自己獨特的語言。即使兩個系統使用相同的詞彙,這些詞彙背後的語義也可能完全不同。因此,每當我們接觸一個新系統,就需要經歷一次語言學習的過程。這與兒童學習母語,或者成年人學習第二語言有些相似。我們會不斷嘗試,觀察系統如何回應,理解不同詞彙和視覺符號的含義,再逐漸掌握這套語言。當我們面對一個從未使用過的系統時,往往會進行大量嘗試。我們不知道某個按鈕意味着什麼,也不知道某個視覺元素會產生怎樣的結果,只能通過交互來建立理解。那麼,語義工程究竟包含哪些核心內容?我想從三個方面來說明。 第一,人機交互是一種中介傳播。設計者和開發者通過人工界面語言,將自己的設計意圖傳遞給用戶。用戶通過學習這套語言,與設計者的代理人進行交流,並嘗試實現自己的目標。當然,用戶的目標不一定總是設計者預先設想的目標。有時候,我們會創造性地使用一個應用程序,完成設計者從未預料到的任務,而這些操作甚至可能運行得很好。第二,界面中的交流依賴三種符號。第一種是靜態符號。它們固定存在於界面中,僅憑自身的呈現方式就能傳遞意義。第二種是動態符號。它們需要通過時間和狀態變化來傳遞意義。例如,當我們點擊一個按鈕,按鈕產生的變化以及隨後發生的行爲,都會告訴我們這個按鈕意味着什麼。第三種是元語言符號(Metalinguistic Signs)。這是一個專業術語,指那些能夠解釋其他符號的符號。例如,界面提示可以告訴我們某個圖形對象代表什麼,也可以引導我們採取某種操作,以實現特定目標。第三,用戶具有很強的語言學習能力。設計者會利用已有的交互模式、熟悉的語言體系以及元語言提示,幫助用戶理解新的界面詞彙和語義。以上三個方面構成了語義工程的基本框架。但隨着AI的發展,我們與計算機交流的方式正在發生變化。AI已經能夠使用自然語言與我們對話。那麼,一個問題隨之出現:既然AI能夠理解自然語言,語義工程是不是已經沒有那麼重要了?我的答案是:恰恰相反。02當AI開始說我們的語言:究竟是誰在和我們對話?大約四周前,我在使用Claude準備這場演講時,遇到了一件讓我非常意外的事情。Claude的界面看起來很簡單,就是一種對話式交互模式。我們在輸入框中提出問題,Claude則在屏幕上給出回答。但在某些情況下,界面還會根據當前對話的上下文,預測用戶接下來可能輸入的內容,並主動提供建議回覆。這本身並不奇怪。真正讓我感到驚訝的是一次具體的對話。當時,我正在和Claude討論一些問題。它突然列出了一份清單,其中第一項竟然是它認爲我想要表達的論文主旨。它給出的觀點大致是:問責機制必須被設計出來,而不能被想當然地假定存在。我當時非常驚訝,因爲我從來沒有想過要把這個觀點作爲自己的論文主旨。但我覺得這個想法很有意思,於是順着它的建議繼續討論。我告訴Claude,它提出的這個論點很好,我們可以圍繞它展開討論。沒想到,Claude很快就糾正了我。它說,首先需要澄清一點:它之前並沒有提出這個論文主旨,只是在詢問我真正想表達什麼。現在回顧整個對話,它才意識到這個觀點似乎出現過。於是,我繼續追問:如果不是你做出了這個判斷,那麼究竟是誰,或者是什麼,向我提出了這個觀點?Claude給出的回答非常有意思:“我不知道。我看不到你的輸入框,所以無法判斷應用程序是否提供了建議回覆,也不知道這些回覆由什麼生成、依據什麼上下文。這個消息傳遞到我這裏時,看起來就像是你說的。我沒有辦法知道實際情況。之前我的糾正是準確的——我確實沒有在這次對話中寫下那個論文主旨,但我也無法知道這個表達究竟來自哪裏。我本應該說明這一點。”這是一段非常有意思的對話。我完全沒有編造這個例子,事實上,即使我想編造,也很難想像出這樣一個場景。這次經歷讓我意識到,我們面對的AI對話系統,可能比表面看起來復雜得多。我們以爲自己正在和一個能夠理解上下文的系統交流,卻未必知道,界面背後還有哪些代理、機制或其他信息來源參與了這場對話。那麼,語義工程是不是已經失去了價值?我的結論恰恰相反。語義工程不僅沒有失去價值,反而面臨着更加艱鉅的任務。因爲即使到了今天,人與AI之間的信息傳遞仍然可能存在混亂:我們看到了一條信息,卻未必清楚它究竟從何而來。我們需要重新思考:界面究竟應該向用戶傳遞什麼信息?用戶是否知道自己正在與誰交流?當一條信息出現在對話框中時,我們是否能夠判斷它究竟來自用戶、AI,還是其他中間環節?這也是我接下來真正想討論的問題。03把文獻閱讀交給AI,我們還擁有認知權威嗎?我真正關心的,是AI在科學研究中的廣泛應用,尤其是AI輔助文獻綜述。文獻閱讀是我們研究工作的日常組成部分。我們需要閱讀大量論文,瞭解某篇論文講了什麼、另一篇論文有哪些貢獻,以及某個研究問題與已有工作之間存在怎樣的聯繫。但現在,我們需要閱讀的東西實在太多了。我想起這次會議的投稿數量,據說超過了8000篇。面對如此龐大的論文數量,誰能夠僅憑個人的時間和精力完成全部閱讀?在某些情況下,我們確實需要藉助AI。我自己也會使用AI。我們可以讓AI告訴我們一篇論文講了什麼,某個研究方向有哪些重要工作,或者某個具體問題與哪些研究有關。但這裏存在一個值得認真對待的問題:當我們把文獻閱讀委託給AI時,還能否保有自己的認知權威(Epistemic Authority)?認知權威是一個具有特定含義的哲學概念。相關討論可以追溯到Linda Zagzebski等學者的研究,之後也有其他哲學家對這一概念進行了進一步發展。在這場演講中,我關注的是一個具體問題:當我們把文獻閱讀和理解的工作交給AI時,能否信任它提供的摘要和研究報告爲什麼認知權威如此重要?因爲作爲科學家和研究者,我們必須對自己所說的話、表達觀點的方式承擔責任。我們的研究具有社會責任,我們提出的知識主張是否成立,並不是一件可以隨意對待的事情。爲了能夠做出判斷,我們依賴集體知識,依賴其他研究者發表的論文、開展的實驗以及積累的研究成果。如果我們使用AI來完成文獻綜述,就必須考慮一個問題:我們能否評估其中可能存在的風險?請注意,我並不是在說我們不應該使用AI。我想強調的是:當我們使用AI時,是否有能力識別並判斷自己正在承擔怎樣的風險?也許這些風險並不存在,也許它們確實存在。但如果我們沒有相應的機制,就很難知道風險究竟有多大。這正是我們團隊正在嘗試解決的問題。04PEEL:讓AI輔助閱讀,而不是替代判斷我們在研究機構中開發了一套名爲PEEL的方案,全稱是Protocols for Epistemically Engaged AI Literacy。它的核心目標,是嘗試建立三個要素之間的聯繫:確定性計算、人工智能和人類。爲什麼需要確定性計算?因爲我們之所以長期信任計算機,一個重要原因在於它們具有確定性:在相同條件下,它們會重複執行相同的操作。但現在,我們卻開始信任一種每次運行都可能產生不同結果的AI系統。這本身就值得我們思考。第二個要素是人工智能。AI能夠以前所未有的方式處理自然語言,爲信息理解和文本分析提供新的可能性。而第三個,也是最重要的要素,是人類。人類擁有知識、意圖和判斷能力。面對複雜的信息,我們需要綜合考慮各種因素,最終決定什麼纔是可信的、什麼纔是成立的。因此,我們希望通過這三個要素的結合,讓AI參與信息處理,同時保留人類對知識的判斷和審查能力。爲了驗證這一思路,我們選擇了Voyant作爲確定性計算工具,Claude作爲AI工具,而人類則負責最終的理解與判斷。PEEL並不是一個封閉的自動化系統。我們希望研究者能夠訪問相關工具,親自參與整個過程。接下來,我想給大家展示一下,這套方法具體是如何工作的。在PEEL的工作流程中,研究者可以先借助AI生成文本摘要,再通過Voyant等文本分析工具,將摘要與原文進行對照。我們關注的不只是摘要寫了什麼,還要檢查它與原文之間究竟存在怎樣的關係。但它與普通AI摘要有一個非常重要的區別:我們不僅關注摘要寫了什麼,還會檢查摘要與原文之間究竟存在怎樣的關係。PEEL系統介紹與體驗入口我們曾經做過一項實驗:將同一份文本交給不同的AI系統進行摘要,其中包括ChatGPT的不同版本以及Claude,再將它們生成的摘要與PEEL生成的結果進行比較。從符號學的角度來看,我會將這種儘可能保留原文特徵的摘要理解爲原文的一個圖像符號(Icon)。這裏的圖像並非指視覺圖片,而是強調符號與其所指對象之間存在某種可感知的相似性。例如,如果原文按照章節和小節組織,那麼PEEL生成的摘要也會保留完全相同的章節結構。如果原文采用第一人稱寫作,摘要也會盡可能保留第一人稱的表達方式。這樣做的好處,是當摘要保留原文的結構和表達方式時,我們就能更容易地回到原文對應的位置,檢查摘要究竟有沒有準確傳遞作者的意思。我們還會利用文本分析工具,對原文和不同摘要中的語義類別、關鍵詞及其出現頻率進行比較。例如,我們可以觀察某個術語在原文中出現了多少次,在不同摘要中又出現了多少次。也可以檢查某個術語是否出現在摘要中,卻從未在原文中出現過。PEEL利用Voyant對比原文與多個AI版本(ChatGPT、Claude)在關鍵詞連接度上的差異這些變化是否意味着存在問題?不一定。如果我讓你總結一篇文章,你和坐在你旁邊的人很可能會給出不同的摘要。你們可能會根據自己的理解,引入一些原文沒有直接使用的術語。這是正常的,因爲每個人都有自己的知識背景和解釋方式。AI也會發生類似的情況。真正的問題在於,當我們完全把文本解釋工作交給AI時,它可能會不受約束地引入一些相關話題。這些話題與原文存在聯繫,卻未必真正屬於原文的論述。Voyant生成的可視化圖如果你只閱讀AI生成的摘要,而沒有閱讀原文,那麼你實際上讀到的可能是AI對相關話題的延伸和建議,而不是原作者真正表達的內容。這就是認知權威面臨風險的地方。你可能會在自己的研究中聲稱,某位作者提出了某個觀點,但實際上,這位作者從未這樣說過。我們還可以利用Voyant提供的可視化功能,觀察原文與不同摘要之間的語義聯繫。PEEL利用Voyant生成的可視化網絡圖,直觀展示不同概念在摘要中的語義連接變化在這些可視化結果中,原文構成了我們的參照基礎。不同摘要則會呈現出各自引入的新術語、新聯繫,以及原有聯繫發生的變化。例如,一些連接可能在摘要中首次出現,另一些原本存在於原文中的聯繫,則可能在摘要中變得更加頻繁或不再那麼突出。這些變化本身並不能直接證明摘要有問題,但它們能夠幫助我們發現值得進一步檢查的地方。我們還可以利用圖中的不同顏色區分這些聯繫,觀察不同AI系統生成摘要時,哪些語義關聯發生了變化。通過這樣的方式,我們不再只是接受AI給出的結果,而是獲得了一套可以進一步檢查結果的工具。05讓AI成爲自己的對手:把審查權交還給人類那麼,我們應該怎樣檢查AI生成的摘要?在PEEL中,我們還有一個非常重要的設計思路:讓AI成爲自己的對手。我們利用Voyant提供的文本可視化、傳統文本分析以及計算語言學資源,爲AI生成的內容提供一套審查機制。換句話說,AI生成摘要,而文本分析工具則爲用戶提供檢查摘要的資源。無論AI提出什麼觀點,用戶都可以藉助這些工具判斷它是否需要進一步覈實。當然,並不是所有情況都需要同樣嚴格的檢查。例如,如果我們只是想確認某篇論文是否包含某項信息,那麼只需要快速瀏覽原文,確認這項信息是否確實存在即可。我們不一定需要深入研究作者是如何得出這一結論的。如果我們要將某個觀點作爲自己研究的重要依據,就需要進行更加嚴格的核查。這就是我們所說的認知權威風險評估。我還想介紹一下我們如何約束Claude的工作方式。如果要對整個過程進行概括,我會這樣描述:“使用我的語言,但要提醒我,你並不知道自己在說什麼。不要擅自使用我的語言替我做出判斷,而要讓我知道,你並不真正理解自己正在處理的內容。”這是一種非常重要的約束。我們希望Claude儘可能忠實地處理原文,而不是根據自己的世界知識不斷延伸和補充。它的任務是對文本進行壓縮和轉換,而不是替研究者完成所有解釋工作。PEEL的一個典型工作環境是Jupyter Notebook。用戶可以看到其中的參數、代碼以及具體分析過程,也可以根據自己的需要修改代碼。如果你不同意我的分析方式,完全沒有問題。你可以編寫自己的分析程序,按照自己的標準檢查文本。我們希望整個過程保持開放。因爲摘要生成本身也可能引入偏差,包括提示詞帶來的偏差,以及文本分析方式帶來的偏差。用戶不僅可以修改提示詞,還可以調整文本分析過程,進一步檢查這些偏差從何而來。在具體的摘要呈現中,我們還會提供不同的壓縮比例。例如,一篇20頁的論文可以被壓縮到原文長度的10%,也可以進一步壓縮到25%的篇幅。用戶可以比較不同壓縮程度下,原文的結構和主要觀點是否得到了保留。這裏有一個很重要的特點:我們儘可能保留原文作者的聲音。如果原文作者寫道“I argue”,那麼摘要也會盡可能保留這樣的第一人稱表達。這樣一來,我們就能迅速回到原文對應的位置,檢查作者究竟提出了什麼論點。除此之外,PEEL還會對摘要過程中涉及的不同操作進行分類,評估它們可能帶來的風險。例如,將四個句子合併成一個句子,通常比直接重複原文中的句子具有更高的解釋風險。我們也會盡可能使用原文中的直接引語,並通過顏色標記和來源鏈接,讓用戶能夠追溯相關內容。另一個重要的特點是,用戶可以參與摘要生成過程,而不是被動接受結果。例如,AI會向用戶詢問:這些語義類別是否符合你的理解?你是否同意這樣的分類?是否希望進行調整?最初的語義類別會根據文本中的詞語分佈和詞彙關係提出,但用戶可以根據自己的理解修改它們。此外,我們還提供了大量可視化結果,讓用戶比較原文與摘要之間的結構、語義和變化趨勢。其中,我認爲非常重要的一項功能是Voyant中的語境檢索列表(Concordance)。假設我們想研究一篇論文中關於“AI信任”的討論,就可以通過語境檢索找到這個詞語在原文中出現的所有位置,再檢查不同摘要是否保留了這些內容,以及它們是否仍然處於相同的語境之中。通過這些方法,我們希望提高用戶對摘要的信心,也提高摘要本身的質量。當然,PEEL目前只是一個起點。我們所解決的只是AI給人類知識理解帶來的一個很小的問題。語言本身也只是符號系統中的一種。對於今天在座的多媒體研究者來說,還有一個更加值得思考的問題:當信息不再通過文字傳遞,而是通過聲音、手勢、情緒以及其他多模態信息表達時,我們是否也會遇到類似的認知權威問題?我想,這些問題都值得進一步討論。謝謝大家。06現場問答:AI能否真正拓展人類的創造力?▎問:如果我們使用AI,意味着需要解決越來越多的問題,那麼這些問題什麼時候才能結束?這是一個非常具有哲學意味的問題。我認爲,我們可以通過很多不同的方式使用AI。AI擁有大量令人難以置信的可能性。具體到認知權威問題,目前有一條研究路徑,是嘗試提高AI本身的認知可信度。也就是說,我們希望讓AI變得更加可靠,讓它能夠更好地支持人類的知識判斷。但還有另一條路徑:我們不妨先接受AI存在侷限性,評估使用它可能帶來的風險,再決定在什麼情況下應該依賴AI,以及在什麼情況下應該保持謹慎。我的直覺是,我們或許應該同時探索這兩條路徑。在某些場景中,我們確實希望AI擁有比現在更強的認知能力;但在另一些場景中,尤其是研究結果可能產生重大社會影響時,我們應該更加謹慎地呈現和使用AI輔助研究的結果。例如,疫情帶來的影響涉及地球上的每一個人,甚至整個地球本身。這樣的研究具有極其重大的社會意義。因此,我們需要在現階段認真評估其中的風險。▎問:對於界面中的符號,我們應該如何理解它們的意義?這些符號的含義究竟取決於單個界面,還是取決於一類界面所形成的共同參照體系?我從來不敢說哪一種界面是最好的。我們現在正在使用的界面,或許就是一個很好的例子:你使用一種我能夠理解的語言與我交流,但反過來,我未必能夠完全理解你的意思。你也可能並不確定自己是否完全理解了我。既然如此,我們又怎麼能夠輕易地斷言,某一種界面就是最好的?我真正想討論的是,界面應該幫助我們進行更好的意義協商(Meaning Negotiation)。當我們無法理解彼此時,就需要通過各種策略來協商意義。這不僅涉及語言符號,也涉及其他類型的符號。我目前的一個想法是,我們應該讓AI以它真實的狀態呈現在用戶面前。也就是說,我們不應該把AI塑造成一個無所不知、能夠完全理解一切的存在,而應該讓用戶知道:這是一個能夠使用我的語言與我交流,但並不一定知道自己在談論什麼的系統。還記得我之前講到的Claude案例嗎?我當時完全不知道,Claude的對話過程可能受到其他代理的中介影響。更令人驚訝的是,它自己也不知道這些信息究竟來自哪裏。因此,我們應該在界面中明確呈現這種可能性。我們需要設計某種符號,無論是文字提示還是視覺提示,讓用戶意識到系統可能存在這樣的信息來源和中間環節。因爲這正是風險產生的地方。至於最好的界面是什麼,我仍然沒有一個確定的答案。我一直很喜歡讓用戶自行配置界面的設計思路。不同用戶可能需要不同的交流方式,界面應該允許他們根據自己的需求進行調整。▎問:PEEL能否檢測AI生成摘要時出現的幻覺?例如,原文說2+2=4,但AI卻總結成2+2=5。有些類型的幻覺是可以被發現的。例如,我們可以將原文中關於AI信任的具體論述,與摘要中的相關內容進行對照。如果兩者存在明顯差異,就可以進一步檢查。不過,我目前並沒有專門針對幻覺進行分析,但PEEL所提供的材料和工具已經具備開展這類分析的基礎。如果你感興趣,也完全可以利用這些資源進行研究。我還想補充一點:很多幻覺實際上來自AI的世界知識,而不是單純的語言處理。AI可能會根據自己掌握的背景知識,認爲某篇論文實際上是在討論另一個相關話題,於是在摘要中加入一些原文並沒有涉及的內容。這也是爲什麼我們會約束Claude,讓它以一種更接近機器翻譯的方式處理文本,對原文進行壓縮和轉換,而不是自由發揮。這樣做的目的,是讓讀者接觸到一個更加濃縮的文本版本,同時仍然保留自己的解釋工作。當然,壓縮程度過高也可能產生問題。即使摘要本身沒有出現錯誤,讀者也可能因爲信息過於濃縮而產生誤解。但我認爲,這是我們在選擇使用這種工具時需要承擔的一種風險。從目前的實驗來看,當壓縮比例達到25%或30%左右時,文本已經能夠保留相當不錯的可讀性。當然,這也意味着算法還有很多優化空間,整個過程仍然需要大量工作。▎問:當AI能夠完成越來越多的工作時,這種變化是否會降低人類的創造力?過去,我們會不斷開發新的工具來完成不同任務;現在,我們似乎可以直接使用AI生成幾乎所有東西。這會不會影響技術創新?我不認爲這必然會降低創造力。我喜歡用無窮的概念來思考這個問題。我們可以擁有無窮多種相同類型的事物,但這並不意味着我們只能擁有一種創造方式。如果創造力意味着從一種事物跳躍到另一種完全不同的事物,那麼我們確實需要警惕:我們可能正在生成無窮多種相同類型的東西,而不是不斷進入新的領域。2024年,Nature上有一篇由相關研究者發表的文章,討論了科學研究可能走向同質化的問題。越來越多的人開始按照AI能夠完成的任務來組織自己的研究,研究者也可能逐漸把自己的工作調整成適合AI處理的形式。不過,我仍然願意相信,AI可以被使用幾十種、幾百種,甚至幾千種不同的方式。我們爲什麼一定要選擇同一種使用方式?在我看來,還有一個更加重要的問題,那就是生產力,尤其是科學研究中的生產力。現在,人們經常根據發表了多少篇論文來衡量研究者的表現。AI正在服務於這種生產力循環,而這可能比AI本身對創造力的影響更加值得關注。如果我們能夠暫時跳出這種生產力循環,我認爲AI會展現出非常多令人驚喜的使用方式。我很幸運,現在已經退休,可以在一定程度上跳出這種循環。在這樣的情況下,我們或許能夠真正探索AI的不同可能性,而不只是讓它幫助我們更快地完成已有的工作。這纔是我更願意看到的方向。ACM MM 正在召開,歡迎參會的研究者、學生,以及關注 AI 前沿進展的讀者加入我們的交流羣。在這裏,你可以認識同行、交流研究,分享招生信息、科研合作、約飯、投稿、組隊參會等,尋找潛在的合作伙伴。大會期間,我們也會持續帶來現場報道速遞、嘉賓演講解讀、前沿方向梳理和論壇精華。會場見,也在羣裏見。? 進羣傳送門: 掃碼進羣或添加微信A17648278904,備註:ACMMM+單位/學校+姓名+方向。未經「AI科技評論」授權,嚴禁以任何方式在網頁、論壇、社區進行轉載!公衆號轉載請先在「AI科技評論」後臺留言取得授權,轉載時需標註來源並插入本公衆號名片。

Aggregator site: only the publisher's summary is shown here. Read the full story at the source.
Read full story →