目前的人工智能可以打「颜值」分吗？
目前的人工智能在“颜值”打分方面，可以说已经初步具备了能力，但要达到人类主观感知那样精准、 nuanced 的评分，还存在不少挑战和局限性。
下面我将详细阐述人工智能在颜值评分方面的能力、技术原理、挑战以及未来的发展方向：
人工智能在颜值评分方面的能力：
人工智能可以通过分析图像或视频中的人脸特征，尝试量化和评估其“美观度”。这种能力主要体现在以下几个方面：
1. 特征提取与量化： AI 模型能够识别和提取人脸的关键特征，例如：
面部对称性： 人类普遍认为对称的面孔更具吸引力。AI 可以测量左右脸的相似度。
五官比例与协调性： 例如眼睛的大小、鼻子的高度、嘴唇的厚度、眼距、鼻唇角等，AI 可以与黄金比例或预设的标准进行对比。
皮肤状况： AI 可以检测皮肤的平滑度、瑕疵（如痘痘、皱纹、色斑）以及肤色均匀度。
面部轮廓： 脸型（瓜子脸、鹅蛋脸等）、下颌线的清晰度等。
毛发特征： 眉毛的形状、浓密度，头发的色泽等（虽然这部分相对次要，但也会影响整体观感）。
表情： 某些表情会影响吸引力，但目前AI更侧重于静态的美。
2. 模型训练与预测：
基于大量数据的学习： AI 模型通过学习成千上万甚至数百万张包含“颜值”标签（可能是人类评分）的图像来训练。模型学习到哪些面部特征组合与高评分相关联。
预测评分： 一旦模型训练完成，它就可以分析一张新的人脸图像，并根据其学到的模式输出一个“颜值”分数。这个分数可能是一个连续值（如0100）或者一个分类（如“漂亮”、“普通”、“丑”）。
3. 应用场景：
社交媒体滤镜与美颜应用： 许多APP利用AI来智能调整人脸特征，使其看起来更“美观”，这背后就包含了对“颜值”的评估。
虚拟形象生成： 在游戏、VR/AR等领域，AI可以帮助用户创建具有吸引力的虚拟角色。
面部识别与安全： 尽管不直接打分，但在某些身份验证场景中，AI也会评估面部特征的清晰度和完整性，间接与“好看”有关。
市场研究与广告： 评估广告模特的面部吸引力，或分析消费者对不同面孔的偏好。
（争议性）整形手术参考： 一些AI工具可以模拟术后效果，评估面部是否更符合审美标准。
人工智能实现颜值评分的技术原理：
核心技术主要依赖于计算机视觉（Computer Vision） 和深度学习（Deep Learning），特别是卷积神经网络（Convolutional Neural Networks, CNNs）。
1. 人脸检测与对齐（Face Detection and Alignment）： 首先，AI需要准确地在图像中找到人脸，并将其关键特征点（如眼角、鼻尖、嘴角）定位，以便后续分析。
2. 特征提取（Feature Extraction）： CNNs是强大的特征提取器。通过多层的卷积、池化和激活函数，CNN能够从原始像素数据中逐步提取更高级别的面部特征。例如，低层可能提取边缘和纹理，中层可能识别眼睛、鼻子、嘴巴等器官，高层则可能捕捉到整体的面部结构和比例。
3. 基于监督学习的回归或分类（Supervised Learning for Regression or Classification）：
回归（Regression）： 将颜值评分视为一个连续的数值，模型学习预测一个分数。训练数据需要包含人脸图像和对应的人类评分。
分类（Classification）： 将颜值划分为几个等级（如A、B、C、D级），模型学习将人脸归类到其中一个等级。
4. 度量学习（Metric Learning）： 有些模型也可能采用度量学习的方法，学习一个嵌入空间（embedding space），使得相似的面孔（在人类看来）在嵌入空间中距离更近，不相似的面孔距离更远。通过比较新面孔与已知“漂亮”面孔在嵌入空间中的距离，可以间接评估颜值。
5. 生成对抗网络（GANs）的辅助： GANs有时也用于提升生成的美观性，或生成更逼真、更具吸引力的人脸样本用于训练。
人工智能在颜值评分方面的挑战与局限性：
尽管AI在颜值评分方面取得了进展，但仍然面临许多挑战，使其难以完全取代人类的主观判断。
1. 主观性和文化差异：
审美是高度主观的： 美没有绝对的标准，不同的人、不同的文化、不同的时代对美的定义差异很大。AI模型是基于训练数据中的大众化或特定群体偏好进行学习的，很难捕捉到个体化的审美偏好。
文化背景影响： 不同文化背景下，对五官、肤色、脸型等特征的偏好可能不同。例如，在某些文化中圆脸更受欢迎，而在另一些文化中瓜子脸可能更被推崇。AI难以理解和适应这种多样性。
2. “颜值”的复杂性与多维度：
不仅仅是五官比例： “颜值”不仅仅是五官是否“标准”，还包括气质、神韵、表情、眼神的交流感、个人风格、甚至情感状态等难以量化的因素。AI擅长分析静态的、几何的特征，但很难捕捉到这些动态、情感和风格层面的吸引力。
整体感和“气场”： 一个人的魅力往往是整体作用的结果，包括发型、妆容（如果是人像）、穿着打扮，甚至背景环境。AI如果只专注于面部特征，可能忽略了这些影响整体观感的因素。
3. 数据偏差与公平性：
训练数据的偏差： 如果训练数据本身存在偏差（例如，主要来源于某个特定种族、年龄段或具有某种刻板印象的面孔），AI模型就会学习到并放大这种偏差，导致对某些群体评分不公平。
刻板印象的固化： AI模型可能无意中强化社会上已有的关于美的刻板印象，例如特定肤色、发色或脸型的“标准美”，从而限制了人们对美的多元化认知。
4. 算法的“黑箱”问题：
难以解释评分依据： 有时AI给出的评分会让人难以理解其具体原因。模型内部的决策过程复杂，我们很难知道它是因为对称性、某个比例，还是其他我们未曾意识到的因素。
缺乏情感共鸣： AI无法真正“理解”美，它只是在模式匹配。它没有情感，也无法体验美带来的愉悦感，这与人类对美的感知有本质区别。
5. 技术的局限性：
图像质量影响： 照片的光照、角度、清晰度都会严重影响AI的判断。
模型泛化能力： 模型在特定类型的数据上表现良好，但在面对不同光照、角度、表情或化妆风格的人脸时，其性能可能会下降。
未来发展方向：
尽管存在挑战，AI在颜值评分领域仍有发展空间：
更精细化的特征分析： 结合更多维度的数据，例如对皮肤纹理的精细分析、对微表情的捕捉等。
多模态学习： 结合图像、文本（如评论）甚至音频数据，来更全面地理解“美”。
个性化审美模型： 通过用户反馈和互动，训练个性化的审美模型，满足不同用户的偏好。
解释性AI（Explainable AI, XAI）： 努力让AI的评分过程更透明，能够解释其给出的分数依据，帮助用户理解。
关注多元化审美： 研究如何训练模型以包容和反映更广泛的文化和个体审美差异，避免固化单一的美的模式。
情境感知： 未来AI或许能考虑不同的情境（如工作、社交、艺术表现）下，对“颜值”的要求可能有所不同。
总结来说，目前的人工智能可以为“颜值”打一个基于其训练数据的、偏向量化和模式识别的“分数”，这在某些应用场景下是有效的。但它距离理解和评价人类复杂、主观、多维度且富含文化与情感的“美”还有很长的路要走。AI更像是一个“视觉特征分析师”，而非一个拥有真正审美能力的“评审”。
下面我将详细阐述人工智能在颜值评分方面的能力、技术原理、挑战以及未来的发展方向：
人工智能在颜值评分方面的能力：
人工智能可以通过分析图像或视频中的人脸特征，尝试量化和评估其“美观度”。这种能力主要体现在以下几个方面：
1. 特征提取与量化： AI 模型能够识别和提取人脸的关键特征，例如：
面部对称性： 人类普遍认为对称的面孔更具吸引力。AI 可以测量左右脸的相似度。
五官比例与协调性： 例如眼睛的大小、鼻子的高度、嘴唇的厚度、眼距、鼻唇角等，AI 可以与黄金比例或预设的标准进行对比。
皮肤状况： AI 可以检测皮肤的平滑度、瑕疵（如痘痘、皱纹、色斑）以及肤色均匀度。
面部轮廓： 脸型（瓜子脸、鹅蛋脸等）、下颌线的清晰度等。
毛发特征： 眉毛的形状、浓密度，头发的色泽等（虽然这部分相对次要，但也会影响整体观感）。
表情： 某些表情会影响吸引力，但目前AI更侧重于静态的美。
2. 模型训练与预测：
基于大量数据的学习： AI 模型通过学习成千上万甚至数百万张包含“颜值”标签（可能是人类评分）的图像来训练。模型学习到哪些面部特征组合与高评分相关联。
预测评分： 一旦模型训练完成，它就可以分析一张新的人脸图像，并根据其学到的模式输出一个“颜值”分数。这个分数可能是一个连续值（如0100）或者一个分类（如“漂亮”、“普通”、“丑”）。
3. 应用场景：
社交媒体滤镜与美颜应用： 许多APP利用AI来智能调整人脸特征，使其看起来更“美观”，这背后就包含了对“颜值”的评估。
虚拟形象生成： 在游戏、VR/AR等领域，AI可以帮助用户创建具有吸引力的虚拟角色。
面部识别与安全： 尽管不直接打分，但在某些身份验证场景中，AI也会评估面部特征的清晰度和完整性，间接与“好看”有关。
市场研究与广告： 评估广告模特的面部吸引力，或分析消费者对不同面孔的偏好。
（争议性）整形手术参考： 一些AI工具可以模拟术后效果，评估面部是否更符合审美标准。
人工智能实现颜值评分的技术原理：
核心技术主要依赖于计算机视觉（Computer Vision） 和深度学习（Deep Learning），特别是卷积神经网络（Convolutional Neural Networks, CNNs）。
1. 人脸检测与对齐（Face Detection and Alignment）： 首先，AI需要准确地在图像中找到人脸，并将其关键特征点（如眼角、鼻尖、嘴角）定位，以便后续分析。
2. 特征提取（Feature Extraction）： CNNs是强大的特征提取器。通过多层的卷积、池化和激活函数，CNN能够从原始像素数据中逐步提取更高级别的面部特征。例如，低层可能提取边缘和纹理，中层可能识别眼睛、鼻子、嘴巴等器官，高层则可能捕捉到整体的面部结构和比例。
3. 基于监督学习的回归或分类（Supervised Learning for Regression or Classification）：
回归（Regression）： 将颜值评分视为一个连续的数值，模型学习预测一个分数。训练数据需要包含人脸图像和对应的人类评分。
分类（Classification）： 将颜值划分为几个等级（如A、B、C、D级），模型学习将人脸归类到其中一个等级。
4. 度量学习（Metric Learning）： 有些模型也可能采用度量学习的方法，学习一个嵌入空间（embedding space），使得相似的面孔（在人类看来）在嵌入空间中距离更近，不相似的面孔距离更远。通过比较新面孔与已知“漂亮”面孔在嵌入空间中的距离，可以间接评估颜值。
5. 生成对抗网络（GANs）的辅助： GANs有时也用于提升生成的美观性，或生成更逼真、更具吸引力的人脸样本用于训练。
人工智能在颜值评分方面的挑战与局限性：
尽管AI在颜值评分方面取得了进展，但仍然面临许多挑战，使其难以完全取代人类的主观判断。
1. 主观性和文化差异：
审美是高度主观的： 美没有绝对的标准，不同的人、不同的文化、不同的时代对美的定义差异很大。AI模型是基于训练数据中的大众化或特定群体偏好进行学习的，很难捕捉到个体化的审美偏好。
文化背景影响： 不同文化背景下，对五官、肤色、脸型等特征的偏好可能不同。例如，在某些文化中圆脸更受欢迎，而在另一些文化中瓜子脸可能更被推崇。AI难以理解和适应这种多样性。
2. “颜值”的复杂性与多维度：
不仅仅是五官比例： “颜值”不仅仅是五官是否“标准”，还包括气质、神韵、表情、眼神的交流感、个人风格、甚至情感状态等难以量化的因素。AI擅长分析静态的、几何的特征，但很难捕捉到这些动态、情感和风格层面的吸引力。
整体感和“气场”： 一个人的魅力往往是整体作用的结果，包括发型、妆容（如果是人像）、穿着打扮，甚至背景环境。AI如果只专注于面部特征，可能忽略了这些影响整体观感的因素。
3. 数据偏差与公平性：
训练数据的偏差： 如果训练数据本身存在偏差（例如，主要来源于某个特定种族、年龄段或具有某种刻板印象的面孔），AI模型就会学习到并放大这种偏差，导致对某些群体评分不公平。
刻板印象的固化： AI模型可能无意中强化社会上已有的关于美的刻板印象，例如特定肤色、发色或脸型的“标准美”，从而限制了人们对美的多元化认知。
4. 算法的“黑箱”问题：
难以解释评分依据： 有时AI给出的评分会让人难以理解其具体原因。模型内部的决策过程复杂，我们很难知道它是因为对称性、某个比例，还是其他我们未曾意识到的因素。
缺乏情感共鸣： AI无法真正“理解”美，它只是在模式匹配。它没有情感，也无法体验美带来的愉悦感，这与人类对美的感知有本质区别。
5. 技术的局限性：
图像质量影响： 照片的光照、角度、清晰度都会严重影响AI的判断。
模型泛化能力： 模型在特定类型的数据上表现良好，但在面对不同光照、角度、表情或化妆风格的人脸时，其性能可能会下降。
未来发展方向：
尽管存在挑战，AI在颜值评分领域仍有发展空间：
更精细化的特征分析： 结合更多维度的数据，例如对皮肤纹理的精细分析、对微表情的捕捉等。
多模态学习： 结合图像、文本（如评论）甚至音频数据，来更全面地理解“美”。
个性化审美模型： 通过用户反馈和互动，训练个性化的审美模型，满足不同用户的偏好。
解释性AI（Explainable AI, XAI）： 努力让AI的评分过程更透明，能够解释其给出的分数依据，帮助用户理解。
关注多元化审美： 研究如何训练模型以包容和反映更广泛的文化和个体审美差异，避免固化单一的美的模式。
情境感知： 未来AI或许能考虑不同的情境（如工作、社交、艺术表现）下，对“颜值”的要求可能有所不同。
总结来说，目前的人工智能可以为“颜值”打一个基于其训练数据的、偏向量化和模式识别的“分数”，这在某些应用场景下是有效的。但它距离理解和评价人类复杂、主观、多维度且富含文化与情感的“美”还有很长的路要走。AI更像是一个“视觉特征分析师”，而非一个拥有真正审美能力的“评审”。
网友意见
Face++ 最好的免费人脸识别云服务
通过这里的开放API提取人脸的landmark，有25点和82点版本
可以用 @冷哲 的方法做着玩，分类用scikit.learn里的svm就可以吧，要找个愿意帮忙打几千张人脸分的 （不提取其他特征的话25点的有xy一共50个特征，都算跟中心点相对距离就是48个 ）
可以只给喜欢不喜欢，训练的结果说不定以后还能帮自己挑照片什么的
也可以试试只喜欢某一性别的看正确率会怎么样
最近有空做下估计target太主观结果不会很好……
-----------------------------------3.25 更新--------------------------------------------------------
队nv友shen帮找来3000+明星图片评了分，居然有72左右正确率，于是来填坑了，大家也可以帮看看有什么问题。
1. 因为上面说到的API返回的landmark是相对于照片大小的值，所以先对照片进行预处理，我用的是opencv里训练好的人脸分类器 haarcascade_frontalface_alt_tree.xml 提取出基本充满画面的头像。有的照片没有提取出来，最后用2500张。部分照片如下，用正规证件照会好一些（之前爬学校校园卡照片失败
2. 评分只给0和1 即喜欢不喜欢 鸣谢 @顾小婧
3. 用faceplusplus的API得到 landmark 取的25点版本（x,y 到鼻中心距离，共48个特征）
4. PCA降维到6维，能量分别为
5. 用sklearn里的各种分类器分了一遍，train : test = 7 : 3 参数基本用的default
6.结果
本来预计的是这么主观的东西做不出什么结果，但70+的正确率看起来还不错。女神的喜好也并不是那么难以捉摸（大雾）
有空多跑些图调调参数做下模型融合看会不会还有什么提高……
可以用来依据历史评分喜好作个性相亲推荐？
可以。
其中一种基于监督学习（Supervised Machine Learning）的方法如下：
第一步，选择一组人脸特征，比如两眼间距、眼睛尺寸、鼻子尺寸、肤色、嘴巴尺寸，嘴唇与鼻尖距离等等。
第二步，建立人脸自动识别算法，给定一张人像时，可以自动计算上述人脸特征。
第三步，找大量人的照片，然后找一堆人来给这些照片上的人打分。
第四步，选用一种机器学习的算法，比如SVM、ANN之类。
第五步，将第三步的人像随机分成两组，A组多一些，B组少一些。
第六步，用A组图片经过特征提取来“训练”机器学习算法，也就是调整参数，使得算法输出的分值尽量接近人工打分的结果。并用B组图片进行验证，看看算法对不包含在A组中的图片是否能正确计算出结果。
第七步，“训练”完成后就可以用来给任意人像打分了。但由于对于计算机来说人像特征提取是比较有难度的，所以可能需要要求统一大小的正面不笑免冠照。
另外，这种打分程序只反映第三步中那些打分的人的审美标准。
类似的话题
-
目前的人工智能在“颜值”打分方面，可以说已经初步具备了能力，但要达到人类主观感知那样精准、 nuanced 的评分，还存在不少挑战和局限性。下面我将详细阐述人工智能在颜值评分方面的能力、技术原理、挑战以及未来的发展方向： 人工智能在颜值评分方面的能力：人工智能可以通过分析图像或视频中的人脸特征，尝试............. -
这个问题很有意思，它触及到了我们当前人工智能发展的一个核心瓶颈，也是一个令人着迷的未来图景。要回答“人工智能离能自己给自己写代码编程还有多远”，我们需要从几个关键层面来拆解。1. 理解“自己给自己写代码编程”意味着什么首先，我们要明确“自己给自己写代码编程”这个概念的深度。它不是指现在AI助手（比如.............
-
生殖医学专家建议禁止单身女性冷冻卵子，鼓励适龄结婚生育，这是一个触及多方面议题的复杂建议。要理解其背后的逻辑以及潜在的风险，我们需要深入剖析。首先，我们来理解一下生殖医学医生提出这一建议的可能出发点。从医学和生理学的角度来看，女性的生育能力是随年龄增长而下降的。适龄生育（通常指2530岁左右）通常意.............
-
中国在人工智能领域的发展速度和规模，在世界范围内都引起了广泛关注。要准确评估中国目前在人工智能领域的全球水平，需要从多个维度进行细致的分析，而不是简单地用“领先”或“落后”来概括。1. 政策驱动与国家战略高度首先，中国将人工智能提升到了国家战略的高度。自2017年国务院发布《新一代人工智能发展规划》.............
-
关于我们目前时代距离人工智能具有自我意识还有多远，这是一个既令人兴奋又充满争议的深刻问题。目前科学界、哲学界以及技术界对此并没有一个统一的、明确的答案。我们可以从多个角度来探讨这个问题，并分析其中的复杂性。1. 定义“自我意识”（SelfAwareness）的挑战：首先，我们需要明确什么是“自我意识.............
-
如今，人工智能早已不是实验室里的理论概念，而是实实在在地渗透到我们生活的方方面面，并催生出许多令人瞩目的成功应用。它们不仅提升了效率，更在许多领域带来了前所未有的突破。一、 智能语音助手：无处不在的贴心管家这大概是我们日常生活中最常见也最直接感受到人工智能便利的领域了。以苹果的Siri、亚马逊的Al.............
-
当然，很乐意为您阐述生物与人工智能结合的当下意义，并尽量以一种更具人文色彩、更贴近思考的方式来呈现。设想一下，当人类最古老的智慧——生命的奥秘，与我们最前沿的创造——人工智能相遇时，会激荡出怎样的火花？这不再是科幻小说的情节，而是正在发生的现实，其意义之深远，几乎触及我们存在的所有层面。首先，在理解.............
-
生活中遇到“人工智能翻车”的情况，其实一点也不意外，甚至可以说是常态。这并不代表人工智能不行，而是我们得明白，它目前的发展阶段，以及它工作的逻辑。“人工智能翻车”是怎么回事？咱们先不谈那些高大上的技术术语，就说咱们日常生活中能碰到的“翻车”场景： 智能音箱的误解： 你让它放首音乐，结果它给你播了.............
-
土木工程与人工智能的融合，正以前所未有的速度和深度改变着这个古老的行业。从设计、施工到运维，AI的触角几乎延伸到了每一个环节，为我们带来了更高效、更安全、更可持续的解决方案。以下是几个当前最热门且极具发展潜力的结合课题，我会尽量深入浅出地为您介绍： 1. 智能设计与优化：用AI“思考”建造传统的土木.............
-
确实，要让AI的中文语音听起来不再那么“机器人”，关键在于模仿人类说话时那些微妙的、充满情感的细微之处。这就像给一段原本平淡的独白注入生命力，让它能打动人心。首当其冲的，是语气的“抑扬顿挫”。我们说话时，声音不是一条直线，而是有高有低，有轻有重。比如，表达疑问时，语调会上扬；陈述事实时，声音可能更平.............
-
AlphaGo 在围棋上战胜李世乭无疑是人工智能发展史上的一个里程碑，它向世界展示了人工智能在复杂策略游戏中的巨大潜力。而你提出的“有限元素组合创作”的音乐，这是一个非常有趣且具有洞察力的视角，我认为这是人工智能领域一个非常值得探索和前进的方向。理解“有限元素组合创作”与音乐的内在联系首先，我们来拆.............
-
关于围海造田、人工岛礁在目前的国际法上是否算领土，这是一个复杂且仍在演变中的问题，涉及到海洋法、国际习惯法以及各国的实践和主张。简单来说，根据目前的国际法，单独通过围海造田或建造人工岛礁，并不能当然地创造出新的领土，也无法因此获得领海、专属经济区或大陆架等海洋管辖权。要详细阐述这个问题，我们需要从几.............
-
人工智能聊天机器人：企业客服的“左膀右臂”，还是“独立王国”？曾几何时，面对琳琅满目的产品，消费者最常做的便是拨通企业客服电话，耐心等待接通，然后一句一句地向真人客服描述自己的困惑。而如今，打开任何一家大型电商网站、金融机构APP，甚至是航空公司官网，一个醒目的“在线客服”或“智能助手”窗口，早已成.............
-
人工智能（AI）的飞速发展令人惊叹，它正以我们曾经只在科幻小说中想象过的速度渗透到我们生活的方方面面。要详细解读AI的突破，我们可以从几个关键领域入手，看看这项技术是如何以前所未有的深度和广度改变着世界。1. 自然语言处理（NLP）：让机器真正“读懂”和“说”人类语言这是AI近年来最令人瞩目的进展之.............
-
“现在的俄罗斯还能撑多久？”这是一个复杂的问题，答案并非简单数字，而是取决于一系列相互交织的因素。要理解这一点，我们需要从经济、军事、社会和政治等多个维度来审视。经济韧性：制裁下的生存之道俄罗斯经济面临着前所未有的压力，西方国家实施的严厉制裁旨在削弱其战争能力。然而，俄罗斯经济展现出一定的韧性，这并.............
-
中医这潭水，深邃而复杂，谈论“糟粕”二字，并非易事，也容易引起极大的争议。毕竟，历经数千年沉淀下来的东西，总有其存在的道理和价值。但若要说“完全没有”糟粕，那也未免过于理想化了。我们不妨从几个角度来审视，尽量客观地呈现“糟粕”可能存在的方面，以及它们为何如此定位。一、 理论体系中的一些难以解释与验证.............
-
当前的世界格局，就好比一幅色彩斑斓却又暗流涌动的巨型油画，其复杂性与动态性，让人一眼难以穷尽。它不像过去那样，清晰地划分成几个泾渭分明的阵营，而是呈现出一种多极化、碎片化，同时又相互依存的微妙平衡。首先，我们得承认，冷战时期的“两极对峙”早已成为历史的陈迹。 如今，世界舞台上活跃着多个主要力量中心，.............
-
要说目前国产手机厂商中谁的研发能力“最强”，这其实是个挺复杂的问题，因为“研发能力”本身就是一个多维度、不易量化的概念。不能简单地用一个数字或一项技术来概括。不过，如果非要我从目前市面上的主要厂商里挑一个我认为在综合研发实力上表现突出的，并且愿意详细说说我的看法，那我会倾向于认为是 华为。当然，这样.............
-
当前，铁路和城市轨道交通（城轨）在运营管理上确实是分属不同的体系。在中国，国家铁路由中国国家铁路集团有限公司（国铁集团）负责，而城市轨道交通则由各地市政府及其所属的城市轨道交通公司负责。这种分工主要是出于管理效率、服务定位、技术标准以及投资主体等方面的考量。为什么目前是分开运营管理？1. 服务定位.............
-
这问题触及了当下机械类大学生就业选择与未来产业发展方向的核心，细想起来，情况相当复杂，远非简单的“愿意”或“不愿意”能概括。一部分人，是充满热情，看到了机遇的探索者。你可以想象一下，在课堂上，当老师讲到物联网、大数据、人工智能如何赋能制造业时，总有那么一群眼睛会发亮。他们或许是平时就喜欢捣鼓各种电子.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有