1，久章的智能决策产品介绍 2，统计模型和符号主义推理 3，机器学习相关的链接 4，推荐阅读 5，太极健身

第二部分，主要是针对联结主义和符号主义两个路径的一些相关讨论文章，如何能结合两者的长处，快速实现领域内的行业智能决策解决方案，提高生产效率，这里引用了蔡少伟老师在微博上的话，国内请关注蔡少伟和晞德的工作，以及国外Wolfram团队的工作。

第三部分，介绍了机器学习相关的一些资料，其中有MIT的老师最新出的一本书，内容比较好，还有一些代码实践，推荐给大家。霞子使用指南提供了很多帮助科研的工具链接。还有一个可以查询论文之间的关系图谱工具。

第四部分，推荐了一些最近阅读和转载的公众号文章，有关于工业软件的内容，也有在人工智能突飞猛进的当下，如何选择学习方向的讨论，以及人和硅基硅基如何协作的思考。

第五部分，是太极健身的内容，有顾老师的视频，和李祥宇的视频号。

久章产品介绍

下面产品包含视频和一些案例介绍：

久章智能产品与案例介绍

可以直接集成到TMS中的模块，（已与富勒TMS集成）：

路径规划模块调用方式说明

三维装箱模块API调用，可以链接到小程序或者自己的程序模块中：

三维装箱API调用
欢迎合作：

实习生和合作者招募

二

统计模型和符号主义

是否会诞生出新的数学和物理观念、公式和结论？是否能帮助解决一些数学难题，比如黎曼猜想？

宇宙尽头是「计算」！AI大佬Wolfram最新演讲：LLM自主在计算空间探索，奇点降临就是现在

如何能够结合符号主义和机器学习的研究成果，建立在针对不同行业的建模方法和模型库，需要学界和产业界共同努力：

确定性求解系统和基于统计的学习系统相结合：符号主义+ 连接主义，互相促进，共同进步，帮助解决行业中的问题

下面一段文字来源于蔡少伟的微博，他们在形式化系统方面做了有益的探索，希望能得到市场的支持：

ChatGPT大火的同时，我总会忍不住想起在另一个方法论的counterpart，有着类似使命的软件，基于符号主义的Wolfram|Alpha。下面对链接文章的一些读后感：

https://writings.stephenwolfram.com/2023/01/wolframalpha-as-the-way-to-bring-computational-knowledge-superpowers-to-chatgpt/

虽然ChatGPT是模仿人类思维的非凡成就，但并不是所有有用的任务都适合像人类思维那样的方法解决。一些任务需要更形式化和结构化的方法。在过去几个世纪中，我们的文明最重要的成就之一就是建立了数学、精确科学和计算等范式，并创造了一座与纯人类思维能力不同的能力之塔。

Wolfram|Alpha尝试通过一种形式化的符号方法来表示世界上尽可能多的事物，并在此基础上进行知识计算。利用Wolfram Language和Wolfram|Alpha，可以做许多超越人类思维能力的事情。这种方式对人工智能也很重要。它可以让AI获得知识计算的能力，补上目前AI的短板。

ChatGPT 在“类人部分”方面做得很好，没有精确的“正确答案”。但是当它面对某些需要精确度的任务的时候，表现得并不好。为了解决这个问题，可以将ChatGPT和Wolfram结合。可以考虑将ChatGPT生成的自然语言输入给Wolfram|Alpha，Wolfram|Alpha将其输入转换为Wolfram语言代码进行计算；另外一种方式是ChatGPT 直接学习 Wolfram 语言，让GPT直接使用Wolfram运行。

ChatGPT和Wolfram|Alpha是两种非常不同的系统，但它们有一个共同的接口：自然语言。这意味着ChatGPT可以像人类一样“与”Wolfram|Alpha交流，Wolfram|Alpha可以将从ChatGPT获得的自然语言转化为精确的符号计算语言，并应用其计算知识能力。

长期以来，在人工智能领域存在着“统计方法”和“符号方法”的二元思维方式。但现在，由于ChatGPT的成功以及Wolfram|Alpha所做的工作，终于有了机会将它们结合起来，创造出比任何一个单独的方法都更强大的东西。

==================================

在长期的约束求解科研工作中，我们研究过不同的求解方法，研发过求解器，但当我们和产业对接的时候发现，其实最大的瓶颈是在数学建模上：如何把企业的问题表述为数学问题。这既需要理解业务，又需要数学知识，往往依赖专家经验，不同“门派”有不同的做法，颇有华山论剑的感觉。这方面的人才非常缺乏，也没有对应的培养方案，仍然是一门“手艺”。而这个短板也严重阻碍了数学力量的发挥。

我想可能很多人和我一样，曾都畅想过数学的自动化。对于求解部分，已经是看到AI的参与逐渐变多，还是有信心的。而GPT的到来，也让我们看到了，数学建模也有希望自动化。这样，数学力量的两个板块就完整了。

有一个自然的想法：未来，数学建模可以在大模型和数学语言的双剑合璧下，做到很大程度的自动化。比如，可以利用大模型解析自然语言（包括引导修改需求），在数学语言/模板的规范下，生成数学模型，并通过引入求解器快速测试，形成反馈，迭代修改数学模型。

可以把建模变为可编程的过程，可debug。一旦可以机械化了，哪怕初始模型不准确，有个修复的流程，然后迭代起来就快了。

这似乎是大势所趋。我想这首先会影响智能决策的现状。很多公司，对于智能决策的需求，目前的做法是采购技术服务，而做智能决策技术的公司一般的做法是依靠专家进行数学建模，然后设计专门的算法或者调用求解器进行求解。

若自动数学建模来到，专家的角色从建立数学模型变为审阅模型，生产力将大大提高，成本也将大大降低。这可以让更多行业用得起数学。也许这就可以把数学的power引爆了，大家一直翘首企盼的数学力量，终于要来了吧。

晞德软件：自动建模

https://leandojo.org/

如何在ML的时代实现团队合作、人机合作：

三

一些学习材料

机器学习帮助求解最优化问题，组合优化问题的机器学习求解: https://event.baai.ac.cn/live/725

书籍：Understanding Deep Learning：

https://udlbook.github.io/udlbook/

by Simon J.D. Prince
Published by MIT Press Dec 5th 2023.

30本免费的机器学习英文书：

https://newsletter.theaiedge.io/p/30-free-machine-learning-e-books

霞子使用指南（科研）：https://keyanxiazi.bepass.cn/

发现论文关联图的网站（Explore academic papers in a visual graph ）：https://www.connectedpapers.com/

Generative AI for Everyone（吴恩达）：

https://www.deeplearning.ai/courses/generative-ai-for-everyone/

四