首页
欢迎来到C3 Space——同学共创青年空间
一直以来，有两样东西让许多人不惜奉献自己的一生去探索和追求，它们都是那样浩瀚无边和深邃难测——人类的内心和无穷的宇宙。这里，便是打开通往这两个世界的大门，来，让我们一起来开启这两扇门吧。
目录 |
关于我们
C3共创平台是一个顺应时代潮流的产物，主要让我们当代大学生提前通过各类专业项目，参与到企业和社会的发展中，获得一定的社会体验、经济收益，并通过实际项目同学共同学习、互帮互助提高自己的专业能力；同时，也联合企业资源为有意创业和发展个人事业的同学提供孵化成长的平台；它通过将企业资源和高校学生有机结合，促进了多方位的联动发展。
虚拟现实
虚拟现实（Virtual Reality，VR）作为一种综合计算机图形技术、多媒体技术、传感器技术、人机交互技术、网络技术、立体显示技术以及仿真技术等多种科学技术而发展起来的计算机领域的新技术。
虚拟现实技术主要包括模拟环境、感知、用户难辨真假的程度。 模拟环境是由计算机生成的、实时动态的三维立体逼真图像。 感知是指理想的VR应该具有一切人所具有的感知。 除计算机图形技术所生的视觉感知外，还有听觉、触觉、力觉、 运动等感知，甚至还包括嗅觉和味觉等，也称为多感知。自然技能是指人的头部转动，眼睛、手势、或其他人体行为动作，由计算机来处理与参与者的动作相适应的数据，并对用户的输入作出实时响应，并分别反馈到用户的五官。它主要涉及到三个研究领域：
- 通过计算机图形方式建立实时的三维视觉效果；
- 建立对虚拟世界的观察界面;
- 使用虚拟现实技术加强诸如科学计算技术等方面的应用。
Virtual Reality is a medium with tremendous potential. The ability to be transported to other places, to be fully immersed in experiences, and to feel like you’re really there-- present-- opens up unimagined ways to interact and communicate.
增强现实
增强现实（Augmented Reality，AR），是利用计算机生成一种逼真的视觉、听觉、触觉、嗅觉和各种感觉的虚拟环境，通过各种传感设备使用户“沉浸”到该环境中，实现用户和环境直接进行自然交互。它是一种全新的人机交互技术，利用这样一种技术可以模拟真实的现场景观，它是以交互性和构想为基本特征的计算机高级人机界面。使用者不仅能够通过虚拟现实系统感受到在客观物理世界中所经历的“身临其境”的逼真性，而且能够突破空间、时间以及其它客观限制，感受到在真实世界中无法亲身经历的体验。简言之，增强现实就是把真实世界连接到数字世界的一门技术。增强现实技术有三个核心组成要素：
- 虚实结合，即在一个真实场景中无缝融入虚拟对象的空间，为人们带来一个视觉效果更真实、场景信息更丰富的新环境。它可以将显示器屏幕扩展到真实环境，使计算机窗口与图标叠映于现实对象，由眼睛凝视或手势指点进行操作；让三维物体在用户的全景视野中根据当前任务或需要交互地改变其形状和外观；对于现实目标通过叠加虚拟景象产生类似于X光透视的增强效果；将地图信息直接插入现实景观以引导驾驶员的行动；通过虚拟窗口调看室外景象、使墙壁仿佛变得透明。
- 即时互动，字面理解为马上沟通、马上交流，在增强现实技术中其含义则是：使交互从精确的位置扩展到整个环境，从简单的人面对屏幕交流发展到将自己融合于周围的空间与对象中。运用信息系统不再是自觉而有意的独立行动，而是和人们的当前活动自然而然地成为一体。交互性系统不再是具备明确的位置，而是扩展到整个环境。
- 3D定位，为了改善效果，增强现实所投射的图像必须在空间定位上与用户相关，当用户转动或移动头部时，视野变动，计算机产生的增强信息随之做相应的变化，这是依靠三维环境注册系统实现的。这种系统实时检测用户头部位置和视线方向，为计算机提供添加虚拟信息在投影平面中映射位置的依据，并将这些信息实时显示在荧光屏的正确位置。
混合现实
混合现实技术（Mixed Reality，MR）是虚拟现实技术的进一步发展，该技术通过在虚拟环境中引入现实场景信息，在虚拟世界、现实世界和用户之间搭起一个交互反馈的信息回路，以增强用户体验的真实感。混合现实汲取了增强现实和虚拟现实的优点并将两者结合，通过合并现实和虚拟世界而产生的新的可视化环境，在虚拟的三维中提供运行交互式体验，它有可能成为未来人类与世界交流的首要界面。
人工智能
相关概念
- 深度学习
- 反向传播算法
反向传播算法（英：Backpropagation algorithm，简称：BP算法）是一种监督学习算法，常被用来训练多层感知机。 于1974年，Paul Werbos[1]首次给出了如何训练一般网络的学习算法，而人工神经网络只是其中的特例。不巧的，在当时整个人工神经网络社群中却无人知晓Paul所提出的学习算法。直到80年代中期，BP算法才重新被David Rumelhart、Geoffrey Hinton及Ronald Williams[2][3]、David Parker[4]和Yann LeCun[5]独立发现，并获得了广泛的注意，引起了人工神经网络领域研究的第二次热潮。
BP算法是Delta规则的推广，要求每个人工神经元（节点）所使用的激励函数必须是可微的。BP算法特别适合用来训练前向神经网络。
- 多模态共变单元（Multi-metric co-variance unit, MMCU）
- 模拟计算
3D生物打印
扩展阅读
神经美学Neuroaesthetics
神经形态芯片获得重大突破，这回石墨烯成了“海绵”
