文章探讨了人类语言的统一与分裂，借用「巴别塔」故事和「Lisp诅咒」概念，指出AI技术使人类重新理解彼此，但也导致编程语言的个体化分裂，可能引发沟通障碍。

本研究解决了低地球轨道（LEO）卫星系统中，由于与地面站间不稳定的连接和数据稀缺而导致的集中学习和分布式学习的挑战。提出了LEO-Split，一个适用于卫星网络的半监督分裂学习框架，通过构建辅助模型和伪标记算法，克服了数据不平衡和训练失败的问题，实验结果表明该框架在性能上优于现有的最佳模型。

本研究提出了一种公平的原始对偶算法框架，解决图像逆问题中的优化模型不足。通过引入平滑项，确保全局收敛并建立收敛速率。实验结果表明，该方法在图像去噪和超分辨率重建方面优于现有技术。

本研究提出了一种边分裂多层感知机（ES-MLP），旨在克服传统神经网络在异类图节点分类中的局限性。实验结果表明，ES-MLP在性能上与其他模型相当，但推理速度提升了2到5倍。

该研究提出了一种机器学习框架，能够在有限计算资源下高效解决初值问题，确保高精度和物理守恒，优于传统方法。

本研究聚焦于神经形态计算中的分裂计算架构，尤其是在使用多级脉冲的脉冲神经网络（SNNs）进行推理时所面临的无线信息传输挑战。我们提出了一种优化的数字和模拟调制方案，以适应正交频分复用（OFDM）无线电接口，从而提高推理的准确性和效率。实验结果表明，适当的有效载荷大小可以显著提升多级SNN模型的性能，并与传输质量密切相关。

该系统利用声学、认知和语言特征，通过神经网络检测阿尔茨海默病及其严重程度。在ADReSS数据集上精度为83.3%，在DementiaBank Pitt数据库上精度为88.0%，验证了无意识语音的通用性。

物理启发神经网络（PINNs）结合深度学习和物理原理解决偏微分方程。研究通过神经切向核（NTK）分析优化复杂性，发现高斯激活函数更有效。引入预处理神经网络架构提升优化，并通过偏微分方程验证理论。

本文提出了一种新颖的双室结构，用于解决大型语言模型中的“生成监督”问题。该模块在生成每个标记时提供监督，并学习预测序列的监督得分。研究显示，该方法具有重要的理论发现。

该研究探索了AI性格或AInality的概念，通过心理测量测试确认了大型语言模型（LLMs）的个性类型，并展示了它们在不同个性类型之间动态切换的能力。该研究开创了在LLMs上应用项目性测试的先例，揭示了它们多样而适应性的AInality特征。

研究人员提出了一种创新的方法，将早期退出和分裂计算合并在一起，以解决深度神经网络在资源受限设备上的部署问题。实验证明，这种方法能够显著降低成本。

本研究提出了一种利用 LoRA 技术的联邦分割语言模型（FedsLLM）框架，通过在无线通信网络中将网络划分为客户端子网络和服务器子网络，利用联邦服务器来聚合和更新客户端模型，实现了对大型语言模型的部署挑战进行解决，通过整合计算和通信优化以将训练延迟最小化，并给出了这个问题的精确解。模拟结果表明，与未经优化的场景相比，所提出的优化算法平均减少了 47.63% 的延迟。