← 返回 PaperDaily 大模型与智能体

细胞导航方程BEST：2个信息量预测所有性能

继2026年6月推过脑机接口与生物启发导航之后，这篇来自杜伦大学&AMOLF的论文直接捅破了窗户纸：细胞导航性能居然只取决于双向信息流的“量”和“速度”，跟具体的感官增益、运动强度等微观参数无关！这在信息生物学里属于教科书级的洞察，而且居然在大肠杆菌实验里零参数预验证了。龙哥看完只有一个字——绝！

龙哥读论文 阅读 3 查看原文
#人工智能 #AI科研
原论文信息如下：
论文标题:
Navigation driven by bidirectional information transmission between sensing and actuation
发表日期:
2026年07月
发表单位:
Durham University (英国杜伦大学) & AMOLF (荷兰)

导航的奥秘：信息流如何驱动细胞定位？

想象一下，你是一只细菌大肠杆菌，在一个充满食物（化学吸引剂）的液体里游荡。你的目标很简单：找到食物浓度最高的地方。但你没有GPS，也没有地图，你只有两样东西：一个用来闻味道的传感器（感觉系统），和一个用来摆尾巴的运动系统（驱动系统）。你闻到的味道（感觉输入）会指挥你的尾巴怎么动，而你的尾巴动起来之后，又会改变你下一步闻到的味道。这就形成了一个循环：从感觉到行动，再从行动到感觉，信息在这个闭环里来回跑。
这就像你在大雾天里开车，你通过眼睛（感觉）看路，然后打方向盘（行动）来调整方向；但你打方向盘的动作又会让车头改变角度，从而改变你接下来看到的景象。整个过程就是感觉与行动的实时互动。
传统研究把这个问题拆得很细：感觉有多灵敏（增益系数G），运动有多大力（驱动增益J），信号传递快不快（弛豫速率F和H），噪音有多大。但所有这些参数加起来，就像一团乱麻，很难说清楚到底哪个才是决定导航好坏的关键。这篇来自英国杜伦大学和荷兰AMOLF研究所的论文，提出了一个石破天惊的观点：这些微观参数都不重要，真正决定导航性能的，是双向信息传输的“量”和“速度”。
图1：双向信息传输驱动导航。(A) 化学吸引剂浓度作为导航细胞的感官输入（红色）。感觉系统将输入映射到感官输出（蓝色）。这种映射的可靠性由前馈信息TFF量化。驱动系统反过来响应感官输出，改变细胞的运动，从而改变未来的感官输入。这闭合了反馈回路，并产生了反馈信息传输TFB。导航源于TFF和TFB的相互作用。(B) 给定输入和输出在时间t之前的稳态轨迹s[-∞,t]和f[-∞,t]，转移熵率定义为预测未来输出时，使用过去输入和输出轨迹与仅使用过去输出轨迹相比，每单位时间的平均对数似然比，其中δt→0。
图1：双向信息传输驱动导航。(A) 化学吸引剂浓度作为导航细胞的感官输入（红色）。感觉系统将输入映射到感官输出（蓝色）。这种映射的可靠性由前馈信息TFF量化。驱动系统反过来响应感官输出，改变细胞的运动，从而改变未来的感官输入。这闭合了反馈回路，并产生了反馈信息传输TFB。导航源于TFF和TFB的相互作用。(B) 给定输入和输出在时间t之前的稳态轨迹s[-∞,t]和f[-∞,t]，转移熵率定义为预测未来输出时，使用过去输入和输出轨迹与仅使用过去输出轨迹相比，每单位时间的平均对数似然比，其中δt→0。
这个发现就像找到了一个万能公式，把一堆复杂的参数全部简化成了两个宏观的“信息流”变量。用龙哥的话说，这属于信息生物学里的“降维打击”，直接把问题从微观物理层面拉到了宏观信息层面，漂亮！

双向信息传输：前馈与反馈的完美平衡

论文的核心在于使用转移熵（Transfer Entropy）这个信息论工具，来量化信息在感觉和驱动之间双向流动的效率。转移熵是一个很聪明的概念，它不看你通道里有多少“数据”，而是看你了解一段过去的输入信号，能多大程度帮助你预测未来的输出信号。换句话说，它衡量的是“信息的因果性”或“方向性的信息传递”。
论文定义了两种关键的信息流：

前馈转移熵：记作 TFF。它衡量的是从感觉输入（比如化学浓度）到感觉输出（比如内部信号蛋白的浓度）这个过程的效率。说白了，就是你的传感器有多准。如果传感器能把外部世界的变化忠实地转换成内部信号，那么 TFF 就高。

反馈转移熵：记作 TFB。它衡量的是从感觉输出，经过驱动系统，再回到未来感觉输入这个回路的信息效率。简单说，就是你的“行动”是否能有效地“改变环境”并让传感器捕捉到。如果你的行动很精准，能把你带到更有信息量的地方，那么 TFB 就高。

这里有个很反直觉的点：为什么需要“反馈信息”？难道传感器把外界信息传达到内部还不够吗？论文告诉我们，不够。因为导航是一个闭环过程，你动了一下之后，你身处的新位置的化学浓度可能完全不同。如果你的运动系统不能把这个变化高效地“告诉”感觉系统（即 TFB 高），你就可能跑偏。就像开车，眼睛看到前方有弯道（前馈信息），你打了方向盘（行动），但如果你不看仪表盘、感觉不到离心力（反馈信息），你就不知道这个弯过得好不好，容易冲出道路。
论文首先分析了一个用于空间感知的最小模型，非常直观。在这个模型里，细胞在一个化学吸引剂浓度呈抛物线形的环境中，它需要通过比较身体前后位置的浓度差来估计自身相对于峰顶的位置。这个模型虽然简单，却抓住了空间感知型导航的核心：细胞必须同时感知空间梯度并据此调整运动方向。模型中的关键参数包括：感官增益G（决定传感器对浓度差的放大倍数）、驱动增益J（决定运动系统对感官信号的响应强度）、弛豫速率F和H（分别决定感官信号和运动信号衰减到零的速度），以及感官噪音Df和驱动噪音Dv。这些参数共同决定了细胞导航的最终表现。
图2：在空间感知模型中，性能取决于所有基本参数。(A) 空间感知最小模型的示意图。吸引剂浓度分布是位置x的二次函数，曲率为k。感官输入是梯度−kx，映射到感官输出f，感官增益为G，感官噪音为Df。感官输出又驱动速度v，驱动增益为J，驱动噪音为Dv。变量f和v分别以速率F和H弛豫到零。(B) 该模型中的趋化性将细胞定位在浓度峰值附近。上图展示了参数为F = 0.5, H = 1, Gk = 0.3, J = 0.5, Df = Dv = 2时的代表性轨迹。下图展示了前馈和反馈信息以及标准化性能的定义，其中Δx0表示没有驱动时细胞的持久长度。(C) 性能对基本参数G和J的依赖关系是非平凡的。颜色图显示了在F = 0.5, H = 1, Df = Dv = 2时，性能作为G和J的函数的解析结果。红线表示模型稳定性的边界，由GJ = FH(F + H)/k给出。虚线表示在固定J（线a）和固定G（线b）时的截面。每条线都在中等增益处表现出性能的最大值。当G和J同时优化时，性能趋近于一个依赖于F/H比值的最佳值Pmax。
图2：在空间感知模型中，性能取决于所有基本参数。(A) 空间感知最小模型的示意图。吸引剂浓度分布是位置x的二次函数，曲率为k。感官输入是梯度−kx，映射到感官输出f，感官增益为G，感官噪音为Df。感官输出又驱动速度v，驱动增益为J，驱动噪音为Dv。变量f和v分别以速率F和H弛豫到零。(B) 该模型中的趋化性将细胞定位在浓度峰值附近。上图展示了参数为F = 0.5, H = 1, Gk = 0.3, J = 0.5, Df = Dv = 2时的代表性轨迹。下图展示了前馈和反馈信息以及标准化性能的定义，其中Δx0表示没有驱动时细胞的持久长度。(C) 性能对基本参数G和J的依赖关系是非平凡的。颜色图显示了在F = 0.5, H = 1, Df = Dv = 2时，性能作为G和J的函数的解析结果。红线表示模型稳定性的边界，由GJ = FH(F + H)/k给出。虚线表示在固定J（线a）和固定G（线b）时的截面。每条线都在中等增益处表现出性能的最大值。当G和J同时优化时，性能趋近于一个依赖于F/H比值的最佳值Pmax。
正是在这个模型里，论文通过随机控制论精确求解，并发现了那个惊天大秘密：在梯度很浅（即信号很弱）的线性响应区，导航性能(P)完全由 TFF 和 TFB 决定，与背后无数的微观参数无关。这意味着，无论你如何调整感官增益G、驱动增益J、弛豫速率F和H，只要它们组合产生的TFF和TFB相同，导航性能就完全相同。这就像理想气体状态方程PV=nRT，无论气体分子是氦气还是氮气，只要压强、体积和温度相同，状态就相同。BEST方程正是导航领域的“状态方程”。

行为状态方程：从微观参数到宏观性能的桥梁

这个重大发现被论文作者起名为行为状态方程，简称BEST（Behavioral Equations of State）。这个名字起得很有水平，它类比热力学中的“状态方程”（如理想气体状态方程 PV=nRT），那个方程把压强、体积和温度这几个大尺度宏观量关联起来，而不需要知道每个气体分子的速度和质量。这里的BEST也是同样，它将宏观的导航行为（P）与宏观的信息流（TFF和TFB）直接挂钩，而不需要去纠结每个具体分子的反应细节。
具体地，对于空间感知模型，BEST方程的形式非常优美。它首先将导航性能标准化为P/P0，其中P0是细胞在没有驱动（即随机游走）时的扩散系数。然后，方程将标准化性能与前馈信息TFF和反馈信息TFB关联起来。具体表达式为：P/P0 = TFF / (1/2 * [ sqrt( (2*TFB+1)^2 -1 ) + 1/ sqrt( (2*TFB+1)^2 -1 ) ] )。这个公式虽然看起来有点复杂，但其物理含义非常清晰。
论文中的BEST方程公式截图（此处为占位，实际应展示公式：P/P0 = TFF / (1/2 * [ sqrt( (2*TFB+1)^2 -1 ) + 1/ sqrt( (2*TFB+1)^2 -1 ) ] )）
图例: 行为状态方程 (BEST) 的具体数学表达式。它直接将标准化的导航性能 (P/P0) 与前馈信息 (TFF) 和反馈信息 (TFB) 关联起来，而没有显式地引用任何系统特定的微观参数。
这个等式告诉我们，性能 P 随着前馈信息 TFF 的增加而单调增加。这个很好理解，传感器越准，导航肯定越好。但有趣的是，性能 P 与反馈信息 TFB 的关系是非单调的！它存在一个最佳值。也就是说，并非“反馈”越多越好。
如果 TFB 太小，说明运动系统对感觉信号的响应不够，有点“脚软”，导致动作信息无法有效改变环境并反馈回来。但如果 TFB 太大，运动系统又过于敏感，放大了感觉系统的噪音，导致整个系统“小题大做”，一点风吹草动就做出剧烈反应，反而摇摆不定，偏离目标。这和经典的“控制理论”中，过高的增益会导致系统不稳定是一个道理。最佳的 TFB 找到了一个甜蜜点：既能有效利用信号，又不至于被噪音干扰。
图3：在空间感知模型中，导航性能由双向信息传输控制。(A) 在浅梯度下，导航性能仅由前馈和反馈信息控制。黑色实线展示了等式(3)的关系，显示了在前馈信息固定的情况下，性能如何随反馈信息变化；为作图，TFF设为1奈特。虚线灰色线表示最优反馈信息。彩色实线指示了相应极限区域中的三个性能界限。(B) 在陡峭梯度下，感觉信息处理速度相对于驱动速度的比率施加了额外的导航约束，超出了前馈和反馈信息。该图显示了在固定的前馈和反馈信息下，性能如何随ρ = F/H单调改善。当ρ < ρ_lim = ... 时，线性模型变得不稳定。在大的ρ下，性能渐近地趋近于在浅梯度下具有相同前馈和反馈信息时的性能。此曲线是通过首先计算F = 0.5, H = J = 1, Gk = 3, Df = 0.1, Dv = 2时的前馈和反馈信息，然后改变ρ获得的。
图3：在空间感知模型中，导航性能由双向信息传输控制。(A) 在浅梯度下，导航性能完全由前馈和反馈信息控制。(B) 在陡峭梯度下，速度比ρ施加了额外的约束。
论文进一步分析了这个BEST方程的物理边界，分别对应了三个极限情况，非常漂亮地刻画了导航性能的边界。第一个极限是“前馈受限”区域，此时TFF很小，性能完全由传感器精度决定，无论TFB多大都无法提升。第二个极限是“反馈受限”区域，此时TFB很小，性能受限于运动系统无法有效改变环境。第三个极限是“最优反馈”区域，此时TFB处于最佳值，性能达到最大值。这个框架实在是精妙。
更厉害的是，他们还证明，如果只用单步转移熵（只考虑当前时刻的信号传递），是完全无法表达出这种关系的。单步转移熵无法捕捉到信号历史轨迹中编码的信息，而我们的细胞导航恰恰依赖于对过去一段时间信号的记忆和比较（对于大肠杆菌，它比较的是当前浓度和过去几秒的浓度）。这再次强调了认识时空信息的重要性。

大肠杆菌验证：理论预测与实际行为的惊人吻合

理论终归是理论，得拿到现实中去检验。经典的生物学模型——大肠杆菌的趋化性（E. coli chemotaxis）——成为了一个完美的实验场。大肠杆菌不像大细胞那样可以比较身体两端的浓度差，它采用“时间感知”策略：它一边游动，一边“品尝”着沿途的化学浓度，并记录下这些浓度随时间的变化。如果浓度在升高，它就继续直游；如果浓度在降低，它就随机翻个跟头，换个方向。
这个系统是非线性的，而且充满了噪音，精确求解非常困难。但论文作者展现出了高超的数学技巧，他们开发了一套基于随机滤波理论和微扰理论的非线性微扰分析方法，将问题近似到二阶非线性项，从而获得了TFF、TFB和导航性能（即漂移速度）的解析表达式。具体来说，他们将感官输入建模为浓度变化率s(t)=dc/dt=gv(t)，其中g是浓度梯度，v是细胞速度。感觉系统将s放大G倍并加入噪音Df，得到感官输出f。驱动系统通过一个双线性耦合J*v*f来调制速度，其中J是驱动增益。变量f和v分别以速率F和H弛豫，并受到噪音Df和Dv的驱动。这个模型虽然复杂，但通过微扰理论，论文成功地在弱非线性条件下得到了解析解。
图4：在时间感知模型中，导航性能与双向信息传输密切相关。(A) 时间感知最小模型的示意图。细胞在浓度梯度为g = dc/dx的化学吸引剂中移动，速度为v。感觉输入是浓度的变化率，s(t) = dc/dt = gv(t)。感觉系统将感官输入放大G倍，并受到噪音Df的影响。驱动系统通过一个双线性耦合J*v*f来调制速度，其中J是驱动增益。变量f和v分别以速率F和H弛豫，并受到噪音Df和Dv的驱动。(B) 趋化性导致在梯度方向上的净漂移。上图展示了一个代表性轨迹（F = 0.5, H = 5, G = 1, J = 1.5, Df = 5, Dv = 5, g = 1），显示速度v中较大的正爆发。(C) 解析近似（线）与随机模拟（点）的比较。解析近似基于微扰理论，在弱非线性（弱驱动）下与模拟完全吻合。随着非线性增强，偏离开始出现。该模拟展示了导航性能（顶部）、前馈信息TFF（中间）和反馈信息TFB（底部）在不同驱动增益J下的变化。
图4：在时间感知模型中，导航性能与双向信息传输密切相关。(A) 时间感知最小模型的示意图。(B) 趋化性导致在梯度方向上的净漂移。(C) 解析近似与随机模拟的完美对比。
然后，他们做了随机模拟。模拟中，他们使用前文提到的TE-PWS算法（一种精确计算转移熵的算法）来计算系统的 TFF 和 TFB。结果令人瞠目结舌：
从图4C可以看出，解析理论给出的预测（图中的曲线）与从随机模拟得到的数据点（图中的点）完美吻合！而且，论文中的数据还表明，由空间感知模型推导出的BEST方程，在推广到时间感知模型后，导航性能与TFF、TFB的关系趋势依然一致。这意味着，BEST方程不仅仅是一个数学把戏，它揭示了细胞导航背后某种更深层次的、普遍存在的物理规律。
这就像物理学家发现了在弱引力场下，所有物体的运动都可以用牛顿力学描述，不论它是铁球还是羽毛（忽略空气阻力）。这里，BEST方程就是那个描述导航的“牛顿定律”。
论文中时间感知模型的解题思路及BEST方程公式截图（此处为占位，实际应展示行为状态方程的相关表达式）
图例: 时间感知模型及其BEST方程的推导，展示了在面对非线性系统时，如何通过微扰论巧妙地建立宏观信息与行为之间的联系。

从细胞到机器人：信息作为通用导航货币的启示

这项研究的威力远不止于解释单个细胞的趋化性。它提出的“信息作为导航通用货币”的框架，可能会对多个领域产生深远影响。
首先，对于合成生物学来说，这个框架提供了一个“最优设计”的蓝图。以往人们尝试改造或设计一个新的趋化细菌，往往需要通过试错来调整几十个参数，费时费力。现在，BEST方程给出了一个明确的目标：你只需要盯着 TFF 和 TFB 这个信息流来优化就行了。只要有办法提高这两股信息流的效率（比如同步提升信息处理速度和精度），导航性能就一定会提升。
其次，在机器人领域，这简直是给“导航算法”上了一堂哲学课。无论是自动驾驶汽车、无人机还是水下机器人，它们都面临同样的困境：传感器有噪音，执行器有延迟，环境在变化。BEST方程告诉我们，在设计机器人的控制算法时，不应该只是孤立地优化感知模块或运动控制模块，而应该从“闭环信息流”的角度去优化整个系统。关键指标是：前向通道的信息保真度（前馈信息）和反馈通道的信息保真度（反馈信息）。这为设计更鲁棒、更高效的感知-行动系统提供了全新的视角。
龙哥觉得，这篇论文最厉害的地方是把一个非常庞杂的生物现象，抽象成了一个优雅而简洁的数学理论。它告诉我们，在复杂的生命科学背后，信息的流动可能是更深层的组织原则。它不仅能解释细菌如何寻找食物，也给我们设计人工智能系统提供了“道”的层面的启迪——理解并优化信息流，比抠具体的参数更加重要。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

Q1：论文中的“转移熵”听起来很复杂，能举个简单的例子解释一下吗？A1：当然。想象你看一场足球比赛，只看裁判最后吹哨（输出），你无法判断结果。但如果你同时看到了之前球员的射门动作（输入的历史），你就能预测裁判接下来会吹进球还是不进球。转移熵衡量的就是“射门动作”这个过去的输入，对“吹哨”这个未来输出的预测能力有多大的额外提升。在细胞中，感觉输入是“射门”，感觉输出是“裁判的哨声”，前馈转移熵就是看“过去的射门”在多大程度上能预测“将来的哨声”，而不只是看“过去的哨声”来猜“将来的哨声”。它是一个真正的“因果”信息度量。

Q2：论文说BEST方程适用于“浅梯度”区域，那什么是“浅梯度”？如果梯度很深，这个理论就不成立了吗？A2：梯度“浅”指的是化学吸引剂的浓度在整个空间内变化得非常缓慢，对细胞来说，它感受到的信号强度很弱。在这种弱信号、弱反应的情况下，系统的行为近似于线性，所以BEST方程才成立。如果梯度很陡，信号很强，细胞可能会做出过度的反应，比如直接冲到峰顶后因为惯性又冲过头（即论文中所说的“overshoot”现象）。此时，系统的非线性效应变得显著，BEST方程就不再是完全准确的了。论文指出，在这种情况下，导航性能不仅取决于TFF和TFB，还取决于一个额外的参数：感觉信息处理速度相对于驱动速度的比率(ρ)。所以，浅梯度是理论的基石，但在更复杂的场景下，理论的拓展也给出了新的参数。

Q3：这个理论听起来很完美，那它有局限性吗？它真的能指导我设计一个更好的机器人吗？A3：任何理论都有局限性。首先，BEST方程在目前阶段是建立在“弱梯度”近似下的，对于强信号、非线性系统的通用形式有待进一步探索。其次，BEST方程目前是针对“稳态”导航，即细胞已经在目标附近晃动。对于起始阶段的快速反应，或更复杂的动态变化环境，理论可能还需要修正。至于指导机器人，它提供的是一个“设计哲学”：与其分别优化100个传感器和10个执行器参数，不如定义并优化那几个宏观的信息流指标。这听起来很诱人，但如何在实际的工程项目中精确计算和优化转移熵，本身就是一个挑战，可能需要额外的计算资源和传感器。所以，它更是一种高屋建瓴的指导思想，而非一个可以直接拿来即用的“公式”。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★★

提出“行为状态方程（BEST）”这一核心概念，将信息论与生物导航行为完美统一，开创性极强。从宏观信息流角度解释微观过程，是一种范式级别的创新。

实验合理度：★★★★☆

理论推导严谨，并配以精确的随机模拟进行验证，模拟结果与理论预测完美吻合，说服力很强。如果能在真实的大肠杆菌活体实验中进一步量化观测到这一关系，将是无懈可击的。但这属于实验生物物理领域的高难度研究，目前模拟的合理度已经很高。

学术研究价值：★★★★★

极高！它为生物信息物理学、系统生物学乃至机器人控制论提供了全新的理论框架。它揭示了一个可能广泛存在于从生物到机器领域的“信息主导下的行为涌现”原理，具有重要的理论指导意义，必然会引发大量后续研究。

稳定性：★★★★☆

理论本身非常稳定，其核心关系（BEST）是建立在精确数学推导上的。但在实际复杂生物系统中的应用稳定性，还需考虑非稳态环境、多重干扰等因素。不过论文已经考虑了噪音，并指出了最优的噪音控制点。

适应性以及泛化能力：★★★★★

论文分别对空间感知和时间感知两大类导航细胞进行了建模和求解，并且得到的BEST方程形式高度统一，充分证明了其强大的适应性和泛化能力。它甚至适用于任何“感觉-行动”闭环系统，从最低等的细菌到复杂的机器人。

硬件需求及成本：★★★★☆

指的不是计算机硬件，而是理论应用所需的观测成本。要验证这个理论，你需要能同时高精度追踪细胞位置（x）和其内部信号蛋白浓度（f），这需要先进的显微成像技术，成本较高。但从算法角度看，计算转移熵可以基于模拟或实验数据进行，不需要任何额外昂贵的芯片。

复现难度：★★★☆☆

理论部分门槛较高，需要扎实的随机控制论、信息论和微扰理论功底，一般生物学或工程学背景的读者可能较难完全复现。模拟部分，如果你有编程基础，依据论文提供的模型和算法（TE-PWS），复现出基本结果应该可行。论文未提供开源代码，增加了些许难度。

产品化成熟度：★★☆☆☆

目前还是一个纯粹的学术理论框架，离直接做成产品（比如一个导航芯片）还有很长的路要走。不过它的启发意义非常巨大，对于开发新一代基于信息论的机器人控制算法具有直接的指导价值，但这仍然是研发阶段。

可能的问题：论文提出了一种非常理想化的宏观框架，但同时也留下了许多开放问题。例如，如何将这一理论推广到更复杂的、非稳态、多干扰的真实世界导航？如何设计一套算法或实验方法，能够实时、高效地计算并指导优化TFF和TFB？这是未来研究需要攻坚的方向。但从这篇论文的框架来看，这无疑是朝着正确方向迈出的极其重要的一步。


主要参考文献

[1] Das, A., & ten Wolde, P. R. (2026). Navigation driven by bidirectional information transmission between sensing and actuation. arXiv preprint arXiv:2607.26798v1. https://arxiv.org/pdf/2607.26798v1.pdf

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！       

end
细胞靠信息流导航，AI机器人也能学这套？
扫码进粉丝群，和龙哥聊聊如何用“信息论”解锁生物启发导航新思路！
欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如 图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
wechat_helper dianzan
转发文章 微博 X LinkedIn Facebook
龙哥读论文 · PaperDaily

本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。