创学空间

博客

  • 创学空间-故事客厅

    故事客厅

    欢迎来到《创学空间》的故事客厅。在这里，聆听那些正在发生的、激动人心的故事。那些对世界抱有强烈的好奇，并用行动去创造改变的故事。故事是最好的链接。它能跨越专业的壁垒，传递思想的温度，激发我们内心深处的共鸣与勇气。

    选择你喜欢的平台，戴上耳机，让我们一起在别人的故事里，看见自己的光。

    在您喜欢的平台上订阅

    YouTube

    苹果播客

    Spotify

    RSS

  • AI演讲交互式策略工具

    AI演讲策略工具 | 助力您的TEDx分享

    AI演讲交互式策略工具

    专为准备AI主题TEDx演讲的您打造，本工具将帮助您精准把握组织者的期望，创作出真正“值得传播的思想”。

    1. 策展挑战：找到正确的切入点

    AI话题浩如烟海，组织者最怕听到空洞、宽泛的陈词滥调。他们期望的是一个独特、深刻且与人性紧密相连的视角。本部分将帮您区分“市场炒作”与“真正实质”，找到您的核心观点。

    市场炒作 真正实质

    ❌ 避免这些主题

    • “AI的未来” (过于宽泛)
    • “AGI何时到来？” (纯属猜测)
    • “AI将如何颠覆一切” (夸大其词)

    组织者在筛选AI话题时的主要痛点

    2. 影响力困境：希望 vs. 炒作

    观众对AI的情感是复杂的，既有期待也有恐惧。组织者倾向于选择那些能带来希望、启发和赋能的演讲，而非加剧焦虑的反乌托邦论调。您的演讲应该提供一个积极但现实的框架。

    组织者期望的演讲框架配比

    构建赋能的叙事

    将AI定位为增强人类能力的工具，而非替代品。分享AI如何帮助艺术家创作、医生诊断、科学家研究，聚焦于它如何解决真实世界的问题，放大人类的潜能和创造力。

    3. 伦理迷宫：寻求负责任的对话

    探讨AI伦理是建立演讲可信度的关键。然而，这部分最容易变得枯燥或说教。组织者需要的是一场能激发观众批判性思考、引发建设性对话的讨论。请遵循以下四步框架来构建您的伦理部分。

    关键目标：将抽象的伦理问题（如算法偏见、数据隐私）与观众的日常生活（如求职、贷款、社交媒体）联系起来。
    要点：使用真实、具体的案例，而不是理论假设。让观众意识到，AI伦理不是遥远的未来问题，而是此时此刻正在发生的事。

    关键目标：用最简单的语言解释核心概念，彻底避免技术行话。
    要点：把“算法模型”比作“食谱”，把“训练数据”比作“食材”。用类比来解释复杂性，确保任何背景的观众都能理解问题的本质。

    关键目标：避免简单的“善与恶”二元论，展示问题的复杂性。
    要点：承认技术的中立性，并指出其影响取决于设计者、使用者和社会制度。探讨其中的权衡与取舍，而不是给出一个简单的答案。

    关键目标：给观众留下思考题或行动方向，而不是无力感。
    要点：演讲的结尾应该是赋能的。提出一些开放性问题，例如“作为消费者，我们可以如何要求更高的透明度？”或“在我们的社区，AI可以用来解决什么公平问题？”

    4. 呈现难题：让无形变得可见

    AI最大的挑战之一是其抽象性。代码、算法、神经网络……这些都无法直接在舞台上展示。组织者急需演讲者拥有将复杂概念“视觉化”和“故事化”的能力。这里是四种最受欢迎的呈现技巧。

    💬

    类比与隐喻

    将AI比作观众熟悉的事物，如“自动驾驶的大脑”或“整个互联网的图书馆员”。

    🎬

    真实世界演示

    用一段不超过30秒的短视频，展示AI生成音乐、识别图像或辅助设计的实际过程。

    📊

    影响力图表

    不要展示代码！展示AI带来的影响，如图表显示诊断准确率的提升或能源消耗的降低。

    👤

    真实人物故事

    讲述一个被AI改变命运的真实人物的故事，例如一位使用AI假肢的运动员。

    愿这个工具能助您一臂之力，创作出一场启迪人心的AI演讲。

  • 大脑的算法:关于强化学习、心理学与神经科学

    强化学习、心理学与神经科学的交汇

    大脑的算法

    关于强化学习、心理学与神经科学交汇的信息图

    第一部分：学习的心理学基石

    预测：经典条件反射

    这是一种被动学习，智能体学习刺激之间的关联。结果（无条件刺激, US）的出现与智能体的行为无关。在强化学习中，这对应于 策略评估——估算给定策略下的价值函数。

    🔔 (CS) + 🍖 (US) ➜ 🤤 (CR)

    巴甫洛夫的实验表明，狗可以学习将铃声（条件刺激）与食物关联起来，最终仅凭铃声就会流口水。

    控制：工具性条件反射

    这是一种主动学习，智能体的行为直接影响结果（奖励或惩罚）。在强化学习中，这对应于 控制问题——寻找最优策略以最大化累积回报。

    按压杠杆 ➜ 🍕 (奖励) ➜ ↑ 按压杠杆

    斯金纳和桑代克的实验表明，伴随奖励的行为会得到加强（效果律）。

    从“意外”中学习：计算模型

    早期的心理学模型试图形式化学习的发生过程。其核心思想是，只有当结果出乎意料时，学习才会发生。这种“预测误差”是学习的驱动力。

    阻断效应 (Blocking Effect)

    雷斯科拉-瓦格纳模型解释了为什么当一个已有的刺激（灯光）能完全预测奖励时，一个新的刺激（声音）将不会被学习。因为结果不再令人意外，没有预测误差来驱动对新刺激的学习。

    与时俱进：时序差分学习 (TD Learning)

    时序差分（TD）模型是雷斯科拉-瓦格纳模型的实时版本。其主要优势包括：

    • 自举 (Bootstrapping)： 它根据后续的预测值来更新当前预测，而不仅仅依赖最终奖励。
    • 试验内时序： 它可以对试验内事件的时间关系进行建模，解释了预期性反应。
    • 高阶条件反射： 它自然地解释了一个已学习的刺激如何能作为二级强化物。

    TD误差 = (奖励 + 折扣后未来价值) – 当前价值

    决策的双系统

    大脑似乎使用两种不同的系统进行选择，这两种系统直接对应于强化学习中的两大类算法。

    无模型 (Model-Free)：习惯系统

    对应于 习惯性行为。智能体通过试错直接学习缓存的刺激-反应价值（Q值）。这种方式快速高效，但对环境变化缺乏灵活性。

    • 速度： 快速、反射性
    • 灵活性： 刻板，适应慢
    • 计算成本： 低
    • RL算法示例： Q-Learning, SARSA

    有模型 (Model-Based)：目标导向系统

    对应于 目标导向行为。智能体构建一个世界的内部“认知地图”或模型。它可以通过模拟未来结果来进行规划，因此非常灵活，但计算成本高昂。

    • 速度： 缓慢、深思熟虑
    • 灵活性： 高，能即时适应
    • 计算成本： 高
    • RL算法示例： Dyna-Q, 树搜索

    第二部分：强化学习的神经基础

    大脑的“教导”信号：奖励预测误差

    沃尔夫勒姆·舒尔茨的一项突破性发现揭示，神经递质 多巴胺 并非标志奖励本身，而是其阶段性放电（短暂爆发）编码了 奖励预测误差 (RPE)——即实际收到的奖励与预期奖励之间的差值。这个信号与RL理论中的TD误差惊人地一致。

    1. 意外奖励

    正向RPE：当意外奖励出现时，多巴胺神经元剧烈放电。

    2. 预期中的奖励

    无RPE：学习后，放电活动转移到最早的预测线索，奖励出现时则无反应。

    3. 奖励被省略

    负向RPE：如果预期的奖励未出现，多巴胺放电会降到基线以下。

    大脑中的行动者-评论家架构

    强化学习中的行动者-评论家（Actor-Critic）框架为大脑如何实现学习提供了一个极具说服力的模型。它将问题分解为两个角色：一个学习价值（评论家），一个学习行动（行动者），两者都由多巴胺驱动的TD误差指导。

    评论家 (Critic)

    评估状态并计算TD误差。“当前情况有多好？”

    ➜ 腹侧纹状体

    TD误差信号

    “结果有多意外？”

    ➜ 多巴胺 (VTA/SNpc)

    行动者 (Actor)

    更新策略以选择更好的行动。“我现在该做什么？”

    ➜ 背侧纹状体

    ↓
    ↑
    ↓

    行动与环境

    行动者采取行动，环境返回新状态和奖励。

    本信息图综合了强化学习、心理学和神经科学交叉领域的关键概念。这些领域的协同作用为理解人工和生物智能提供了强大的模型。

  • 守护蔚蓝宝藏：硇洲岛螃蟹种子银行

    硇洲岛螃蟹种子银行项目：可视化报告

    守护蔚蓝宝藏：硇洲岛螃蟹种子银行

    一个旨在恢复渔业生机与社区未来的创新方案

    硇洲岛的渔业困境

    硇洲岛的螃蟹渔业是当地社区的命脉，但如今正面临前所未有的双重压力，威胁着这一传统生计的可持续性。

    5,000

    公斤/年

    单船年均螃蟹捕捞量

    ¥30万

    最高年收入

    单船渔业年均经济贡献

    数据表明，螃蟹资源对西埠村226户家庭的生计至关重要，资源的衰退将直接冲击整个社区的经济基础。

    威胁根源：双重压力下的资源衰退

    螃蟹种群正遭受来自两个主要方面的持续压力。一方面，为了维持生计，合法捕捞的强度不断增加；另一方面，破坏性的非法捕捞活动屡禁不止，严重破坏了海洋生态。

    • 📈

      高强度合法捕捞

      面对激烈的市场竞争，渔民被迫增加网具投放量和出海频率，加速了资源的消耗。

    • ⚡️

      破坏性非法作业

      近海电拖网等非法活动对螃蟹资源造成毁灭性打击，无论大小、种类均被捕杀，严重威胁种群繁衍。

    创新方案：社区驱动的“螃蟹种子银行”

    我们提出一个闭环的可持续解决方案：利用社区闲置的1.5万平方米养殖塘，建立一个“种蟹保育中心”。该模式旨在保护抱卵母蟹，让蟹苗在安全环境中孵化，最终回归大海，实现“存本取息”。

    第一步：社区收集
    渔民将捕获的抱卵母蟹“存入”银行，并获得即时经济补偿。

    ➔

    第二步：离体育保
    母蟹在改造后的安全池塘中产卵，全程科学管理，确保高孵化率。

    ➔

    第三步：增殖放流
    数以亿计的蟹苗被释放回大海，有效补充野生种群，恢复渔业资源。

    保育主角：目标蟹种与优选策略

    项目将聚焦四种高经济价值的蟹类。为确保项目初期能快速见效、建立社区信心，我们将优先选择生命周期短、生长迅速的远海梭子蟹作为旗舰物种。

    远海梭子蟹约1年即可成熟，其快速的世代更替将使保育成果在短期内显现，是启动项目的理想选择。

    分步实施：迈向可持续未来的三阶段路线图

    1

    第一阶段 (1年)

    试点启动与信任构建

    利用部分闲置池塘，专注保育远海梭子蟹，验证技术与社区模式，建立核心伙伴关系。

    2

    第二阶段 (2-3年)

    模式规模化与体系整合

    扩大保育规模，引入其他蟹种，探索社区管理的季节性休渔区，并尝试产品品牌化。

    3

    第三阶段 (4年+)

    长期可持续与政策影响

    将项目成果融入官方管理体系，建立内生性融资机制，并向其他地区推广“硇洲模式”。

    协同共治：构建多方合作网络

    项目的成功离不开一个强大的合作网络。我们将联合社区、政府、科研机构和社会力量，形成治理合力，其中与执法部门的联动是保障项目成果的基石。

    • 🤝

      社区渔民

      项目的核心参与者和直接受益者。

    • 🛡️

      海洋执法部门

      最关键的战略伙伴，打击非法捕捞，保护保育成果。

    • 🔬

      科研机构

      提供专业技术支持，确保保育工作的科学性。

    • ❤️

      社会公益组织

      提供项目管理经验，并拓宽资金来源。

    硇洲岛螃蟹种子银行项目 | 致力于海洋可持续发展与社区共荣