人工智能

人工智能培训11 分钟前
人工智能·深度学习·大模型·transformer·企业数字化转型·具身智能
具身智能视觉、触觉、力觉、听觉等信息如何实时对齐与融合?具身智能的核心是让智能体通过与物理世界的持续交互实现目标导向行为,而视觉、触觉、力觉、听觉等多模态信息的实时对齐与融合,是其实现精准感知、高效决策与流畅动作的关键前提——唯有解决不同模态数据的“时空错位”与“语义鸿沟”,才能让智能体真正“看懂、听清、触知、力行”,形成对世界的统一认知并灵活应对动态场景。当前主流技术路径可分为“实时对齐”“特征融合”“工程优化”三大环节,各环节协同联动,兼顾精度、速度与鲁棒性,适配复杂交互场景需求。
wenzhangli711 分钟前
人工智能
能力中心 (Agent SkillCenter):开启AI技能管理新时代能力中心 (Agent SkillCenter) 是一个革命性的AI技能管理平台,为企业和个人用户提供全方位的技能生命周期管理解决方案。它不仅是一个技能市场,更是一个去中心化的AI能力生态系统。
后端小肥肠1 小时前
人工智能·aigc·agent
别再盲目抽卡了!Seedance 2.0 成本太高?教你用 Claude Code 100% 出片大家好,我是小肥肠,专注AI干货知识分享。这两天 Seedance 2.0 刷屏,我发的测试视频甚至被网友误认为是新出的电视剧。但说实话,这模型生成成本很高,每次抽卡成本都太高。
每日新鲜事1 小时前
大数据·人工智能
热销复盘:招商林屿缦岛203套售罄背后的客户逻辑分析招商林屿缦岛首开203套售罄的市场表现,不仅是数据的胜利,更是客户选择的集中呈现。深入分析购房群体的构成与决策逻辑,能够帮助我们更好地理解当下改善市场的真实需求与价值取向。本文通过对多位购房者的访谈与调研,试图还原这场热销背后的客户选择图景。
Coder_Boy_1 小时前
java·数据库·人工智能·spring boot·后端
基于SpringAI的在线考试系统-考试系统开发流程案例前端请求控制器层接收请求应用服务层处理业务逻辑领域服务层验证业务规则仓储层保存数据数据库事件总线发布领域事件
挖坑的张师傅1 小时前
人工智能
对 AI Native 架构的一些思考作者:香菇🍄&张师傅,排名不分先后当前的大模型计算革命中,市场存在一种普遍现象:绝大多数所谓的 "AI-Native" 应用,本质上仍是传统软件外挂了一个 LLM 对话框。业界的讨论多集中于模型能力边界,而忽视了承载智能的架构形态。
LinQingYanga2 小时前
人工智能
极客时间多模态大模型训练营毕业总结(2026年2月8日)目前在公司的AI数据与平台方向担任AI算法与数据负责人,核心职责主要有两块:这个角色的挑战在于:需要同时具备宏观的系统架构思维和微观的细节把控能力,而这正是我持续学习和进化的动力来源。
pccai-vip2 小时前
人工智能
过去24小时AI创业趋势分析过去 24 小时(2026年2月7日-8日)内,X平台上关于“AI 创业”的讨论主要集中在中文社区和部分英文创业圈,热度集中在AI视频生成工具的快速迭代、人才争夺、实际创业效率提升等方面。整体氛围偏乐观,技术进步带来成本/效率红利,但也伴随激烈竞争。
SEO_juper2 小时前
人工智能·chatgpt·facebook·seo·geo·aeo
AI SEO实战:整合传统技术与AI生成搜索的优化框架用户不再依赖单一搜索平台。他们仍然会借助谷歌等搜索引擎获取深度,但也会向ChatGPT、Perplexity、Gemini及其他AI搜索引擎寻求快速解释、比较和推荐。
pp起床2 小时前
人工智能·深度学习·机器学习
Gen_AI 补充内容 Logit Lens 和 Patchscopes本文深入探讨三种前沿的神经网络可解释性技术,帮助理解大语言模型(LLM)的内部工作机制。内容概览Logit Lens 是一种通过逐层解嵌入(Unembedding)来观察模型内部表示的技术。与传统的仅关注最终层输出不同,Logit Lens 允许我们检查中间层(如第 1-16 层)的隐藏状态,从而理解模型的推理过程是如何逐步演化的。
方见华Richard2 小时前
人工智能·经验分享·交互·原型模式·空间计算
自指-认知几何架构 可行性边界白皮书(务实版)自指-认知几何架构 可行性边界白皮书(务实版)世毫九实验室|方见华前言本白皮书旨在以工程可实现性、数学严谨性、现实约束条件为基准,清晰界定自指-认知几何架构的短期可落地、中期可扩展、长期科学愿景、理论与工程边界,避免过度叙事、明确风险与局限,为技术推进、合作研发、成果转化提供务实依据。
冬奇Lab2 小时前
人工智能·ai编程
AI时代的"工具自由":我是如何进入细糠时代的那是一个普通的周五晚上,窗外已经黑透了,我的咖啡已经是第三杯。我盯着屏幕上的任务管理工具,感觉血压正在缓慢上升。这已经是我第N次因为"它就是不支持这个功能"而抓狂了。
CODECOLLECT2 小时前
人工智能
技术解析|MDM移动设备管理系统无终身买断制度的底层逻辑在数字化转型持续深化的今天,MDM移动设备管理系统已成为企业终端管控的核心支撑,广泛应用于各类企业的手机、平板、IoT设备、工业终端等全类型终端管理,承担着设备管控、数据安全、合规保障等关键职责。当前,MDM行业已形成明确的服务格局,全球市场在2025年呈现订阅制主导态势,订阅服务收入占比达68%,而传统买断制占比仅32%。但很多企业IT运维人员、行业从业者都会产生疑问:为何主流MDM系统均不提供终身买断制度?本文将结合京元智能在MDM领域的实践经验,从技术特性、行业现状、服务本质等维度,客观解析这一制度
北京迅为2 小时前
linux·人工智能·嵌入式·npu
《【北京迅为】itop-3568开发板NPU使用手册》- 第 7章 使用RKNN-Toolkit-lite2《【北京迅为】itop-3568开发板NPU使用手册》系统性地介绍了RKNPU从入门到应用开发的全流程知识体系。本手册以“认识工具—构建环境—模型转换—部署实践”为主线,为开发者在Linux和Android双平台上提供完整的NPU应用开发指导。
我是一只puppy3 小时前
javascript·人工智能·git·安全·源代码管理
使用AI进行代码审查在日常开发中,我们经常会遇到一些问题,比如代码质量问题、安全问题等。如果我们每次都手动去检查,不仅效率低下,而且容易出错。   所以我们可以利用 AI 来帮助我们检查代码,这样可以提高我们的效率   那么,如何利用 AI 来检查代码呢?   在这里我先厚着脸皮要下star吧。一款基于AI进行代码审核的插件。插件地址,希望大家能支持下。
阿杰学AI3 小时前
人工智能·深度学习·ai·语言模型·自然语言处理·aigc·transformer
AI核心知识91——大语言模型之 Transformer 架构(简洁且通俗易懂版)Transformer 架构 是人工智能历史上最伟大的发明之一,被誉为 AI 时代的“内燃机” 。它是 Google 团队于 2017 年在论文《Attention Is All You Need》中提出的。 它的出现,直接终结了统治 NLP 领域多年的 RNN(循环神经网络)时代,并奠定了后来 GPT、BERT、Llama 等所有大语言模型的基石。
esmap3 小时前
人工智能·物联网·3d·编辑器·智慧城市
ESMAP 智慧消防解决方案:以数字孪生技术构建全域感知消防体系,赋能消防安全管理智能化升级在城市化进程加速与公共安全要求不断提升的时代背景下,传统消防管理模式面临人工巡检覆盖不足、报警系统联动性差、应急响应效率低等诸多挑战。为助力各行业实现消防安全管理的智能化升级,ESMap 依托数字孪生与物联网技术深度融合,打造ESMap 智慧消防解决方案,构建 "监测 - 预警 - 处置 - 管理" 的全链路消防管理体系,为消防站和企业内部消防管理人员提供全面、高效、智能化的管理工具。
LaughingZhu3 小时前
大数据·人工智能·经验分享·搜索引擎·产品运营
Product Hunt 每日热榜 | 2026-02-08标语:创意头脑风暴卡牌和笔记应用介绍:InspireNote是一款旨在帮助你更高效、更有创意地进行头脑风暴的应用。它提供了超过150种创意方法卡,帮助你从不同的角度看待问题。你可以使用这些卡片作为灵感提示,激发新的想法,甚至可以创建自己的自定义卡片,持续丰富你的创意工具库。
芷栀夏3 小时前
人工智能·深度学习·神经网络
CANN ops-math:筑牢 AI 神经网络底层的高性能数学运算算子库核心实现在现代人工智能系统中,神经网络模型的高效执行高度依赖于底层计算单元的性能表现。无论是训练阶段的梯度反向传播,还是推理阶段的前向计算,都离不开大量基础数学运算的支持——如矩阵乘法、卷积、激活函数、归一化等。这些看似简单的操作,在大规模模型和高吞吐场景下,往往成为性能瓶颈的关键所在。为此,CANN(Compute Architecture for Neural Networks)社区推出了 ops-math 项目,一个专注于提供高性能、硬件亲和的数学类基础计算算子库,为上层AI框架和模型构建坚实的计算底座。
用户5191495848453 小时前
人工智能·aigc
CVE-2025-47812:Wing FTP Server 高危RCE漏洞分析与利用CVE-2025-47812 – Wing FTP Server 远程代码执行漏洞CVE-2025-47812 是针对 Wing FTP Server(版本 7.4.4 之前)的一个严重(Critical)的未授权远程代码执行(RCE)漏洞。该漏洞已被安全研究人员发现并证实存在野外(in the wild)的主动利用行为。攻击者可利用此漏洞在目标服务器上执行任意系统命令,获得 SYSTEM(Windows)或 root(Linux/macOS)权限。本项目提供了一个用于验证该漏洞的概念证明(PoC)脚本,