和K近邻算法。他还特意去旁听了一场数据科学研究院举办的公开学术沙龙，主讲人是一位年轻的副教授，讲题是“强化学习在游戏AI中的应用”，其中提到了用AI智能体学习《星际争霸》、《DOTA2》等复杂游戏策略的案例。虽然很多细节听不懂，但那种用算法模型在虚拟环境中通过试错进行学习、最终掌握复杂技能的思路，让他隐隐觉得，这与球员通过反复训练、观看录像、在实战中积累经验提升球技的过程，似乎有某种深层的共鸣。
就在他沉浸在这些新奇的知识中，并开始着手准备辅修专业所需的先修课程（主要是补强数学基础）时，一个偶然的机会，让他对“智能科学与技术”这个方向，有了更具体、也更令人惊叹的认识。
那是在学期结束前，学校举办的一年一度“交叉学科学术海报展”。展览设在中央主楼宽敞的大厅里，几十个展板分列两侧，展示着来自不同院系、不同交叉学科团队的最新研究进展，从新型材料到基因编辑，从量子计算到社会网络分析，琳琅满目，吸引了不少师生驻足观看。
韩澈训练结束后路过，被热闹的氛围吸引，也信步走了进去。他漫无目的地浏览着，对那些高深的物理、化学成果大多一知半解，直到在一个不太起眼的角落，看到一个标题为“基于脉冲神经网络的动态视觉信息处理模型优化”的海报。
海报的设计简洁明了，左侧是引言和研究背景，中间是模型结构图和核心算法公式，右侧是实验结果和对比图表。而作者栏里，他看到了一个熟悉的名字：苏晚（第二作者），单位是“物理系 & 脑启发计算研究中心”。指导教师是一个陌生的名字。
韩澈在海报前停住了脚步。他仔细阅读着摘要，试图理解这项研究的内容。大意是，受生物视觉系统启发，构建了一种使用脉冲神经网络（SNN）处理动态视觉信号（如运动物体识别）的模型，并通过一种新的网络结构优化方法，在保持生物合理性的同时，显著提升了处理速度和识别准确率。旁边还有一些展示模型识别效果的简单动画和小视频。
尽管很多专业术语依然陌生，但“动态视觉”、“运动物体识别”、“脉冲神经网络”、“生物启发”这些关键词，与他最近接触的AI知识，以及他内心深处对“篮球数据分析”、“运动模式识别”的模糊构想，产生了奇妙的呼应。他仿佛看到，这种能高效处理动态视觉信息的技术，未来或许可以应用于分析比赛录像，自动识别球员跑位、传球路线、防守阵型……甚至，模拟球员的决策过程？
本章未完，请点击下一页继续阅读！