成都世運會：中國元素圈粉國際友人
2026-01-24 12:25 2,584次浏览美國向印度揮出了一記「重拳」。 7月30日，川普公開稱印度經濟「已經死了」。8月6日，他籤署行政令，以印度「進口俄羅斯石油」為由，對其輸美產品徵收額外的25%關稅。 根據7月31日的另一道行政令，從8月7日起，美國開始徵收第一輪25%的關稅。兩輪疊加後，印度輸美商品稅率升至50%。 國際評級機構穆迪認為，這一懲罰性關稅將對「印度製造」構成嚴峻挑戰。 2024年，美印雙邊貿易總額約為1300億美元。印度對美主要出口產品包括藥品、汽車零部件、電器產品和寶石。若懲罰性關稅全面生效，印度製造業競爭力將受到削弱。彭博經濟研究估計，印度GDP增速或因此放緩0.9個百分點。 印度總理莫迪曾對爭取美印經濟合作抱有幻想。出於地緣政治考量，這些年來美國政府一直在拉攏印度。跨國公司亦看好印度的增長趨勢，因其擁有年輕的人口結構、保持政治穩定。 但這場突如其來的關稅風暴，打破了這種默契。 針對「死亡經濟體」的諷刺，莫迪號召民眾支持國貨。外部壓力正炙烤著他已推行十餘年的核心經濟議程——「印度製造」(Make in India)。 「印度製造」的標識。 該計劃於2014年啟動，目標是到2025年將製造業佔印度GDP的比重提升至25%，打造全球製造中心。旗艦級項目「生產關聯激勵」(PLI)計劃，旨在扶持汽車、電信、半導體等領域，同時吸引外資、優化產業結構。 最初幾年，蘋果、富士康等頭部企業紛紛在印設廠，印度逐步成為全球第二大手機生產國，產業集群開始成形，「印度製造」似乎正在起飛。 但隨著時間推移，「硬幣的另一面」逐漸顯露。 媒體披露，除手機與藥品外，其他產業推進緩慢。部分參與企業遲遲未能動工，補貼發放比例不足8%。官方也開始放風：該計劃可能調整或終止。 路透社統計顯示，PLI計劃實施後，印度製造業的GDP佔比反而從15.4%下降至14.3%。 富士康在印度的一家工廠。 問題的根源，指向印度更深層的結構性問題。 在旁遮普邦，一個耗資超過200億盧比的鐵路建設項目，啟動近40年仍未完全竣工。土地徵用、環保審批、公用設施遷移……種種障礙環環相扣，施工進度一再拖延。 這並非孤例。 據《印度時報》披露，目前全國近580個國家公路項目面臨延期，270多個項目獲批後，因土地問題遲遲未能招標開工。 印度《經濟時報》直接點明印度製造業發展的瓶頸——工業基礎設施、物流和交通運輸不足，阻礙高效供應鏈形成；監管複雜、土地徵用緩慢、企業技術落後也構成掣肘；儘管勞動力規模龐大，但先進位造業存在技能錯配，職業培訓水平亟待提升。 如今，美國關稅政策與這些結構性問題疊加，令「印度製造」道阻且長。 美國是印度最大的出口市場，約佔印度出口的18%。凱投宏觀預計，美國加徵關稅可能致印度2025年至2026年的經濟增速從預期的7%降至近6%，嚴重削弱其製造業吸引力。 以電子製造業為例，蘋果公司原計劃到2025年將全球25%的iPhone產能轉移至印度，如今卻被迫加速向美國出貨，以規避高關稅風險。印度原本寄望的「供應鏈轉移紅利」尚未完全兌現，就面臨被關稅壁壘阻隔的可能。 莫迪的「世界第三大經濟體」願景，與那條「40年未竟的鐵路」所代表的現實，形成了鮮明對照。 要擺脫「死亡經濟體」的標籤，不論口號還是喊話，都遠遠不夠。印度須頂住內外壓力，真正拿出推動結構性改革的決心與舉措。 (「三裡河」工作室)
天津8月14日電(記者 孫玲玲)記者13日從南開大學獲悉，近日，南開大學計算機學院媒體計算實驗室取得最新研究成果，不僅從評估的角度揭示了現有AI檢測方法的性能不足，並創新性地提出了「直接差異學習」(Direct Discrepancy Learning，DDL)優化策略，教會AI用「火眼金睛」辨別人機不同，實現AI檢測性能的巨大突破。相關成果論文已被計算機多媒體領域國際頂級會議ACM MM2025(ACM International Conference on Multimedia)接收。 圖為南開大學研究團隊提出的DetectAnyLLM檢測框架以及MIRAGE基準數據集亮點全析。(南開大學 供圖) 近日，OpenAI發布新一代人工智慧模型GPT-5，再次引發全球關注。隨著DeepSeek、ChatGPT、通義千問、豆包等AIGC大模型逐漸從「新奇玩具」變成學習、工作中不可或缺的「生產力工具」，其伴生問題也日益凸顯：AI經常會「一本正經地胡說八道」，生成看似合理的虛假信息，造成「AI幻覺」；依賴AI工具代寫作業甚至畢業論文，極大衝擊著學術誠信和規範；論文AI率檢測系統有待完善，論文被誤判的問題時有發生……如何精準識別AI生成內容，成為亟待解決的熱點問題。 據了解，目前AI生成內容檢測主要有兩種路線，一種是「基於訓練的檢測方法」，使用特定數據訓練一個專用的分類模型；另一種是「零樣本檢測方法」，直接使用一個預訓練的語言模型並設計某種分類標準進行分類。 圖為AI生成內容檢測示意圖。(南開大學 供圖) 多項研究表明，現有檢測方法在應對複雜的現實場景時常顯不足。此前也曾有權威媒體報導，《荷塘月色》《流浪地球》等經典作品被某常用論文AI率檢測系統檢出高AI率。 為何現有的AI檢測工具會「誤判」？論文第一作者、南開大學計算機學院計算機科學卓越班2023級本科生付嘉晨解釋道：「如果把AI文本檢測比作一場考試，檢測器的訓練數據等同於日常練習題，現有檢測方法是機械刷題、死記硬背答題的固定套路，難以學會答題邏輯，一旦遇到全新難題，準確率就會顯著下降。」 「要想實現通用檢測，理論上需收集所有大模型的數據進行訓練，但在大模型迭代飛速的今天幾乎不可能。」付嘉晨說，讓檢測器真正學會舉一反三，即提升檢測器的泛化性能，是提升AI文本檢測性能的關鍵。 為此，研究團隊提出了DDL方法另闢蹊徑，通過直接優化模型預測的文本條件概率差異與人為設定的目標值之間的差距，幫助模型學習AI文本檢測的內在知識，可以精準捕捉人機文本間的深層語義差異，從而大幅提升檢測器的泛化能力與魯棒性。 「使用DDL訓練得到的檢測器如同有了『火眼金睛』，即便只『學習』過DeepSeek-R1的文本，也能精準識別像GPT-5這樣最新大模型生成的內容。」付嘉晨說。 團隊還提出了一個全面的測試基準數據集MIRAGE，使用13種主流的商用大模型(如豆包、DeepSeek、Kimi等)以及4種先進的開源大模型(如Qwen等)，從AI生成、潤色、重寫三個角度構造了接近十萬條人類-AI文本對。 「MIRAGE是目前唯一聚焦於對商用大語言模型檢測的基準數據集。直觀地說，之前的基準數據集是由少而且能力簡單的大模型命題出卷，而MIRAGE是17個能力強大的大模型聯合命題，形成一套高難度、又有代表性的檢測試卷。」論文通訊作者、南開大學計算機學院副教授郭春樂說。 在MIRAGE的測試結果顯示，現有檢測器的準確率從在簡單數據集上的90%驟降至約60%；而使用DDL訓練的檢測器仍保持85%以上的準確率。與史丹福大學提出的DetectGPT相比，性能相對提升71.62%；與馬裡蘭大學、卡內基梅隆大學等共同提出的Binoculars方法相比，性能相對提升68.03%。 「AIGC發展日新月異，我們將持續迭代升級評估基準和技術，致力於實現更快、更準、更低成本的AI生成文本檢測，以AI之力，讓每一篇成果更出彩。」研究團隊負責人、南開大學計算機學院教授李重儀說。(完)
免责声明：本文内容与数据仅供参考，不构成投资建议，使用前请核实。据此操作，风险自担。
就要直播
「活动」首次登录送新手大礼包
- 软件大小: 617.31MB
- 最后更新: 2026-01-24 12:25
- 最新版本: v5.5.18.6
- 文件格式: apk
- 应用分类:ios-Android 小k直播姬
- 使用语言: 中文
- : 需要联网
- 系统要求: 4.38以上
客服热线：131-1397-1483
小猫咪视频类似软件
猜你喜欢
46137
29
2026-01-24 12:25
18479
24
2026-01-24 12:25
52931
57
2026-01-24 12:25
26517
58
2026-01-24 12:25
24359
92
2026-01-24 12:25
53482
73
2026-01-24 12:25
29514
32
2026-01-24 12:25
12758
13
2026-01-24 12:25
25679
69
2026-01-24 12:25
47689
23
2026-01-24 12:25
91427
62
2026-01-24 12:25
16837
46
51823
15
16458
62473
27
14285
72
45
64
61
43891
36
