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！

对CF3自由基引发非活性烯烃和远程的胺β-C-H键的官能化的研究进展。该研究在国际上首次实现了有机膦催化的CF3自由基串联反应：烯烃的官能化和酰胺类衍生物的β-Csp3-H键官能化，分别得到双三氟甲基化的烯酰胺和三取代的5-(三氟甲基)噁唑。该反应具有较高区域选择性、化学选择性和立体选择性；利用该方法可以一锅法制备三取代的5-(三氟甲基)噁唑，具有方法简单、步骤少等优点。此法不仅弥补了传统方法中使用金属催化剂催化时导向基团必不可少的不足，而且为自由基有机反应提供了一种新的思路。

近三十年间，全球有1000余种新药研制成功并获批生产，其中一半以上药物来源可追溯至天然活性物质。然而，中国的天然活性物质分离制造技术长期以来受到专利与技术封锁，90％以上的高纯活性物质依赖进口，高端产品市场份额仅占全球的3%。活性维生素D3是肝功能不全患者治疗骨质疏松类疾病的主要有效药物。但制备活性维生素D3的核心原料笛醇长期受到外国企业垄断。该原料的制备工艺路线长、生产成本高、完全没有自主产权。 浙江大学团队在深入研究羊毛脂的加工利用过程中发现，一种名为2,4－去氢胆固醇的物质，可作为制备活性维生素D3的新原料。但是，2,4－去氢胆固醇与十余种笛类同系物共存，它们之间分子结构相似，要将两者分离非常困难。经过科研攻关和潜心研究，最终团队研发了一系列针对天然活性同系物提取、辨识、分离新技术，采用弱极性邕类同系物分子辨识萃取分离关键技术、低乳化分子辨识分离关键技术、萃取剂多位点协同技术，突破了原的技术落后，走出了一条国产自主创新的道路。

环苯替尼（CB1107）是新型的酪氨酸激酶抑制剂，对Bcr-Abl和c-Kit蛋白酪氨酸激酶具有双重抑制作用，主要用于治疗Bcr-Abl基因高表达的慢性粒细胞白血病（CML）、急性淋巴细胞白血病（ALL）和c-Kit基因高表达的胃肠道间质瘤。环苯替尼为目前一线正在使用的伊马替尼的me-better药物，用于替代伊马替尼的一线治疗和耐药患者治疗。目前已获得中国发明专利授权，按新药注册分类属于化学药品1.1。 环苯替尼的显著特点是对人癌（CML）免疫缺陷性小鼠异体移植体内药效达到治愈的效果（免疫缺陷性小鼠试验的结果认定为与人临床结果非常相近），肿瘤细胞完全被杀死，有效率达到100%，无严重毒性发生；其将是伊马替尼的替代产品，新药上市后将取得巨大的经济效益。

本发明公开了一种正渗透汲取液及其应用，该正渗透汲取液包 括质量分数为 5％～50％的有机膦化合物，所述有机膦化合物具有如 式 I 所示的化学结构式，其中，m 为 1～6，n 为 0～6，x 为 0～2m+4n+8， Y 为 Na ， K 或 Li<img file=""DDA0000920592790000011.GIF"" wi=""1226"" he=""539"" />本发明还公开了用于该正渗透汲取液的有机 膦化

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。