第四范式成立于2014年底，是国际领先的人工智能平台与技术服务提供商，公司以“Empower AI Transformation and Advance AI For Everyone”为企业愿景，旨在让AI成为驱动社会进步、企业增长的引擎。依托于领先的机器学习技术与丰富的行业实践经验，第四范式打造了企业智能化转型战略产品“天枢”，通过构建以消费者为中心的全链路客户流量运营，帮助企业实现以创造业务价值为目标的智能化转型。此外，第四范式为企业树立了正确的转型目标和方法，通过自动化AI应用构建平台第四范式HyperCycle ML，提升AI建模效率，降低AI应用门槛，将AI技术快速、规模化落地到企业众多业务场景中，提升业务场景价值。同时，第四范式采用软件定义算力的先进理念为企业提供软硬一体AI集成系统SageOne，降低企业AI部署总体拥有成本，推动企业全面智能化转型进程。目前，第四范式已为金融、零售、能源、医疗、制造、互联网、媒体等行业成功落地上万个AI应用，助力各行业企业的AI创新变革。点击上方按钮联系科转云平台进行沟通对接！

2022年9月14日，我校刘少军院士团队在BMC Biology在线发表了题为“Symmetric subgenomes and balanced homoeolog expression stabilize the establishment of allopolyploidy in cyprinid fish”论文。

使用超声、微波辅助水热合成的方法制备出不同相貌的 ZnO、Cr@ZnO、CoO@ZnO 等纳米复合颗粒，通过复合和掺杂改性，分别构建 p-n 结和形成催化活 性位点，提高气敏性能。

我国是世界上煤炭生产大国，也是以煤为能源的大国，由于大量粉煤灰堆积无法处理，侵占了大量的土地，造成污染环境，其危害日益严重。另一方面，我国由于建筑工业化程度低，建筑在设计施工中仍然大量使用粘土砖，由于烧砖毁坏了大量农田，耗费了大量燃料，这就造成了环境的双重破坏，良田大量损失，资源的双重浪费。解决这双重问题并加以综合治理和利用，已成为一个十分紧迫的任务。为了

成果介绍针对我国中药废渣产率逐年增加、常规处理处置方法效率低、资源浪费严重及二次污染等迫切问题，开发以高含水的中药废渣为燃料，通过先进化学链燃料转化技术，将其就地转化为高品质合成气和热能的技术和工艺，实现中药渣的无害化、减量化和资源化综合利用。技术创新点及参数（1）避免使用纯氧做气化剂，具有比常规固体燃料气化、热解技术更高热效率和燃料转化率；（2）直接以高水分中药渣为燃料，充分利用生物质成分和水分，生成的合成气热值和品位均高于常规气化技术，或用来直接生产浓度较高的氢气用作车用燃料；（3）以廉价合成铁基材料、天然铁基材料或炼铝废弃物作为高温传氧材料，实现传氧、传热和催化气化功能，提高燃料转化率，大幅降低合成气中焦油含量；（4）反应器结构采用多级分步反应，并与传热-传质过程高度耦合集成，易于实现连续规模化生产。以上关键技术的开发，将瞄准氢气或合成气燃料生产及药企行业内废弃物能源资源化利用等目标，紧紧依靠强大的能源化工优势，避免同质化竞争导致的产业发展风险，确保技术开发成功的同时形成产业错位发展的优势。市场前景通过废弃中药渣的中高温气化方式生产高品质的合成气的综合效果最好，符合国家固体废弃物资源化和能源化利用政策，也可直接用于药企以替代部分燃料；产生的极少量生物质灰渣易于处理，在与相关中药企业密切合作中，形成优势互补，加速整体技术和关键设备开发，根据需求侧的行业分布、废弃物产地、燃料及产物运输等特点，逐步形成规模适中的、模块化的燃料转化平台。形成针对解决中药企业生物质废弃物的资源化、无害化和减量化的系统性综合解决方案与推广模式，建立示范基地，促进该领域的产业化。

面向我国能源结构调整的重大战略需求，提出了利用二氧化碳高效开发页岩气的新理论与新方法，成功指导了我国首次陆相页岩气超临界二氧化碳压裂现场试验，实现了页岩气高效开发与二氧化碳地质封存一体化的突破。

本实用新型公开了一种用于超高层建筑风洞实验的多自由度气弹模型骨架，主要由多根立柱将至少 三层水平钢板串联组成，水平钢板为多边形框架，多边形框架的中间设有方孔，所述方孔与多边形框架 的侧边之间设有横梁，立柱包括一根方形粗柱和多根异形细柱，所述方形粗柱穿过每一层水平钢板上的 方孔并与方孔通过粘接方式相对固定，每一层多边形框架的横梁上设有多个凸块，异形细柱上设有与每 一层横梁上的凸块相配合的卡孔，所述异形细柱与横梁通过凸块和卡孔定位，所述多层水平钢板根据实 验需要以一定间隔在方形粗柱上下排列。本装置振型、频率可调范围大，能模拟通常的实际超高层建筑， 异形细柱调节方便易行、精度高。 

本项目结合计算机视觉、自然语言处理、内镜影像学、早期肿瘤诊疗学技术，创建消化道肿瘤内镜下智能早诊早筛体系，大幅提高内镜检查质量和消化道肿瘤早诊早筛水平。 一、项目分类 显著效益成果转化 二、成果简介 消化道肿瘤是严重威胁全球人群健康的重大疾病。早诊早治是改善患者生存率的重要策略，然而，项目组多年流行病学研究揭示，我国消化道早期肿瘤检出率低、漏诊误诊率高，检查质量参差不齐，严重危害患者生命。 基于此，本项目结合计算机视觉、自然语言处理、内镜影像学、早期肿瘤诊疗学技术，创建消化道肿瘤内镜下智能早诊早筛体系，大幅提高内镜检查质量和消化道肿瘤早诊早筛水平。具体为：1）首创消化内镜全局智能监测与无盲区扫查技术，开辟内镜质控新路径。使胃镜检查盲区率降低45%、肠镜检查合格率提高1.78倍、腺瘤检出率提高1.12倍，确立我国在该领域的领先地位；2）发明“逻辑拟人化”消化道高危病灶动态探查方法，使胃瘤变漏诊率降低78%，推动智能内镜临床应用；3）创建实时监测与智能反馈内镜检查质量方法，使医生胃癌前状态检出率提高1.33倍，肠腺瘤检出率提高0.88倍，显著提高消化内镜检查质量；4）研制消化内镜人工智能辅助诊断主机，实现实时动态多模态预测，系统延迟小于 48ms，全面满足临床需求。 在消化内镜人工智能领域发表论文影响因子排名世界第一，引领研究方向，共发表相关研究论文52篇，其中中华系列论文25篇，SCI论文27篇，影响因子9分及以上21篇，单篇最高45分。制定专家共识及行业指南3项、国家专业医疗质量控制指标18项。该项目获批国家发明专利34项，成功转化发明专利14项，所孵化产品获国家医疗器械创新审批，获中国、欧盟II类注册认证共7项。在中德500余家三甲及基层医院落地应用，覆盖近2000万人；技术相关应用直接经济效益达5亿元，社会经济效益显著。 获2021年湖北省技术发明一等奖、2021年欧洲消化疾病周国家学术奖、2020年中国十佳消化道领域临床研究奖等。樊代明院士和李兆申院士评价该成果极大推动我国消化道早癌防治事业的发展。

1 .掌握大鲵子二代亲鲵生殖生理特点和生殖调控机理，创建大鲵子 二代生殖调控技术和大鲵子三代全人工繁殖和苗种规模化培育技术；2 .选育和培育出体质健壮子二代亲 鲵400多组（1尾雄亲鲵+3尾雌亲鲵为一组），诱导性腺发育与雄雌同步成熟，使用高活性催产剂进行人 工催产，催产率达72%，受精率90%，孵化率33%，苗种存活率90 .5%，三年（2007-2009年）共繁育大 鲵子三代苗种44800尾；3 .实现大鲵子三代苗种规模化生产，能提供大批量子三代苗种供养殖部门发展 大鲵养殖产业，并在自然保护区放养，还进行子三代健康养殖示范，具有显著的经济效益、社会效益和 生态效益

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。