圖書信息
內容簡介
對 arXiv cs.AI 分類的年度綜述，涵蓋 2025 年 9 月 至 2026 年 8 月 期間發表的研究。本卷基於對 168 篇論文 的細讀整理，組織為 46 章，按該領域的研究子方向描繪這一年的全貌。
全書框架（年度產出佔比）：
- 大語言模型智能體與評估 (37.8%) — 聚焦於基於 LLM 的智能體的開發、基準測試與魯棒性，涵蓋多智能體系統、推理能力，以及針對目標偏移與事實準確性的評估框架。
- 深度學習架構與強化學習 (15.1%) — 涵蓋核心深度學習方法論，包括神經網絡架構、強化學習策略、優化技術，及其在分類與控制任務中的應用。
- 自主系統與視覺—語言控制 (10.3%) — 面向機器人與智能環境中的自主決策、規劃與控制，融合視覺—語言模型以實現空間 grounded 與安全保障。
- 人機交互與語音處理 (7.5%) — 探索人機協作、語音合成與識別、潛空間探索，以及用於個性化與通信的交互系統。
- 智能體式 RAG 與臨床決策支持 (5.4%) — 研究智能體式檢索增強生成（RAG）系統、安全對齊，及其在醫療健康與災難管理等關鍵領域中實現可靠決策支持的應用。
- 計算機視覺與時間序列分析 (4.7%) — 聚焦於計算機視覺與時間序列數據中的檢測、分割與理解，包括醫學影像、視頻分析與異常檢測。
- 預測建模與人類行為分析 (4.1%) — 考察對人類行為、風險評估與績效測量的預測分析，常採用聯邦學習與交互式反饋機制。
- 軟件工程與 AI 安全 (3.3%) — 面向 AI 驅動的軟件開發、代碼生成、對抗性攻擊與安全防禦，包括對提示注入的魯棒性與自動化測試。
- 科學發現與因果推斷 (2.4%) — 將 AI 應用於科學發現、因果推理與不確定性估計，利用 LLM 進行假設生成與複雜系統中的貝葉斯優化。
- 知識圖譜與擴散模型 (2.4%) — 探索知識圖譜構建、嵌入，以及用於生成與預測的擴散模型，聚焦於適應、蒸餾與少樣本學習。
- 可解釋 AI 與 Transformer 機制 (1.8%) — 研究可解釋性、反事實解釋，以及 Transformer 與注意力模型的內部機制，包括公平性與教育應用。
- 高效推理與模型優化 (1.6%) — 聚焦高效推理技術、模型壓縮、剪枝與自適應採樣方法，以降低計算成本並提升執行速度。
- 自動化特徵工程與融合 (0.9%) — 涵蓋自動化特徵提取、多模態融合與結構化信息處理，用於故障診斷與技術報告流水線。
- 合成數據生成與增強 (0.8%) — 面向生成與增強合成數據的方法，以提升模型性能、有效性與一致性，包括隱私保護技術。
每個子方向均通過三章展開論述——它如何提出自己的問題、其關鍵結論的強度，以及它開放的爭論與前沿，從而讓讀者獲得該領域今年實際產出的可溯源圖景。
