我国的矿产资源利用方式还比较粗放,一些地方采富弃贫、一矿多开、大矿小开的现象较为普遍。我国矿产资源总回收率和共伴生矿产资源综合利用率分别为30%和35%左右,比国外先进水平低20个百分点。大中型矿山中,几乎没有开展综合利用的矿山占43%。随着矿产资源开发强度进一步加大,矿山环境保护与恢复治理难度将越来越大。
这段话主要强调我国矿产资源应:
加快转变矿产资源利用方式
加强矿山环境保护和恢复治理
下大力气提高矿产资源开发强度
严厉制止矿产开发中的浪费行为
五个各不相等的自然数分别两两相加,10种相加组合共得到8个不同的结果,分别是17、22、25、28、31、33、36与39,则五个数中最大的数与最小的数之和为:
25
28
31
33
下面能正确反映我国农业生产工具或生产方式演变顺序的是:
①曲辕犁 ②水车 ③石斧 ④牛耕 ⑤铜铲
③⑤④②①
③④①⑤②
④②⑤①③
④①③②⑤
甲和乙两个工厂分别生产x件某种产品,甲工厂每天比乙工厂多生产20件。甲工厂25天后正好完成自己的生产任务,随后立刻开始帮助乙工厂生产。所有生产任务完成时,甲工厂正好帮乙工厂生产300件产品。问x的值为:
1000
1200
1300
1500
2020年我国数字经济规模达到39.2万亿元,保持9.7%高位增长,占GDP比重为38.6%,同比提升2.4个百分点。
产业数字化发展深入推进,2020年我国服务业、工业、农业数字经济占行业增加值比重分别为40.7%、21.0%和8.9%。
2020年,数字经济规模超过1万亿元的省份有广东、江苏、山东、浙江、上海、北京、福建、湖北、四川、河南、河北、湖南和安徽;另有8个省份超过5000亿元;从GDP占比看,北京、上海领先,分别达到55.9%和55.1%;从增速上看,贵州、重庆、福建数字经济增速位列前三,增速超过15%。
2020年,数字经济规模超过5000亿元的省份有多少个?
8
11
16
21
2006年全国共有生产力促进中心1331家,比上年增加61家。生产力促进中心在全国分布广泛,但地区分布不均,四川、山西、黑龙江、广西、福建等地较多,分别为136,99,96,94,83家。边远省份数量较少,如海南省仅有一家。云南、西藏、青海各2家。
截止2006年底,国家级示范生产力促进中心达到128家,占全国生产力促进中心的9.6%,其中陕西省最多,有11家,占本省中心总数的23.4%。辽宁、山东、江苏三地各有9家,并列位居第二,分别占本省中心总数的25%,13.6%,17%。
2006年,根据对1237家生产力促进中心的调查,其在岗职工总数为16927人。其中,35岁以下有7025人,占总人数的41.5%。比上年略有增加;35~50岁有7708人,占总人数的45.5%,比上年略有减少;50岁以上在岗职工所占比例与上年基本一致。
在16927名在岗职工中,有8299人具有大学或大学以上学历,占总数的49.0%。具有高级职称的人数为4295人,具有中级职称的人数为5114人,具有中级以上职称的在岗职工占55.6%。
以下省份按生产力促进中心数量由小到大排列正确的是:
辽宁 山东 江苏
江苏 陕西 辽宁
辽宁 陕西 广西
陕西 山东 江苏
12,17,22,( ),32
14
21
27
35
某次历史、地理知识竞赛规定,每个参赛队必须由3名选手组成。参赛队每场回答7道题,其中3道地理题、4道历史题。同类题目均不连续出现,并依次编号。比赛时按顺序答题,每道题只能由一名选手当场作答。
“镇美”队在某场比赛中派出了陈佳、赵义、王冰三名选手参赛。赛前约定:
(1)赵义只回答历史题;
(2)王冰只回答其中1题;
(3)赵义、陈佳答题总数均不少于2题;
(4)每个选手连续回答不能超过2题。
如果有两名选手答题总数相同,则可以得出:
赵义回答了所有历史题
陈佳回答的都是地理题
陈佳和王冰每人各答了一道历史题
陈佳、王冰中的一人回答了一道历史题
据统计,与文科专业的大学毕业生相比,理工科大学毕业生刚入职时的收入更高。因此,高中毕业生要想将来毕业后获得较高收入,应该报考理工科专业。
最能削弱上述结论的一项是:
文科生最终获得高收入的比例高于理工科学生
理工科专业由于知识难度大而不容易毕业
如今不少年轻人更愿意按自己的兴趣选择专业
有些没有读过大学的人最后成了著名的企业家
AlphaGo(阿尔法围棋程序)总体上由两个神经网络构成,以下把它们简单称为“两个大脑”。这只是一个比喻,在对弈时,这两个大脑是这样协同工作的:第一个大脑的简单模式会判断出在当前局面下有哪些走法值得考虑。第一个大脑的复杂模式通过蒙特卡洛树来展开各种走法,即所谓的“算棋”,以判断每种走法的优劣。在这个计算过程中,第二个大脑会协助第一个大脑通过判断局面来砍掉大量不值得深入考虑的分岔树,从而大大提高计算效率。与此同时,第二个大脑通过下一步棋导致的新局面的优劣也能给出关于下一步棋的建议。最后,两个大脑的建议被平均加权,做出最终的决定。
其实,这两个大脑的工作方式确实和人类很相似,一个__________细部,一个__________全局。但AlphaGo最终结合两者的方式相当简单粗暴:让两者各自评估一下每种可能的优劣,然后取一个平均数,这可绝不是人类的思维方式。
对人类来说,这两种思考问题方式的结合要复杂得多——不仅仅在围棋中是这样。人们并不总是同时对事态做出宏观和微观的判断,而是有时情绪、心理和潜意识的应激反应。这当然是人类不完美之处,但也是人类行为丰富性的源泉。
为什么要让人工智能去下围棋?有很多理由。但在我看来最重要的一个,是能够让我们更深入地理解智能的本质。
神经网络和机器学习在过去十年里跃进式的发展,确实让人工智能做到许多之前只有人脑才能做到的事,但这并不意味着人工智能的思维方式接近了人类。而且吊诡的是,人工智能在计算能力上的巨大进步,反而掩盖了它在学习人类思维方式上的短板。和国际象棋中的深蓝系统相比,AlphaGo已经和人类接近了许多,深蓝仍然依赖于人类外部定义的价值函数,所以本质上只是个高效计算器。但AlphaGo的价值判断是自我习得的,这就有了人的影子,而且AlphaGo的进步依赖于海量的自我对局数目,这当然是它的长处,但也恰好说明它并未真正掌握人类的学习能力。一个人类棋手一生至多下几千局棋,就能掌握AlphaGo在几百万局棋中所训练出的判断力,这足以证明,人类学习过程中还有某种本质是暂时无法用当前的神经网络程序来刻画的。
这当然不是说AlphaGo应该试图去复制一个人类棋手的大脑,但是AlphaGo的意义也不应该仅仅反映在它最终的棋力上。它是如何成长的?它的不同参数设置如何影响它的综合能力?如果有其他水平相当的人工智能和它反复对弈,它能否从对方身上“学到”和自我对弈不同的能力?对这些问题的研究和回答,恐怕比单纯观察它是否有朝一日能够超越人类重要得多。
文章认为“两个大脑”与人类大脑根本的不同在于:
人的大脑会受情绪心理等因素的干扰
人的大脑有时会出现考虑不周的情况
人脑对事物的思考要比电脑复杂得多
人脑对大局或者细部的侧重并不等同