人工智能

分析式AI学习AI分为分析AI、生成式AI有什么区别呢分析式AI，通过现有数据训练模型，让模型有能力预测新数据的决策。生成式AI，让AI生成某种结果，比如：写一段代码，生成一段文字。

CANN仓库中的AIGC性能极限挑战：昇腾软件栈如何榨干每一瓦算力2026年，AIGC（人工智能生成内容）已进入“军备竞赛”阶段。当Stable Diffusion 3、Sora-2、LLaMA-4等超大规模模型相继发布，业界对推理性能的要求从“秒级响应”升级为“亚秒级实时”——512×512图像生成需<800ms，70B大模型首Token延迟需<900ms。在这场极限竞速中，硬件参数（如TOPS）仅是起点，真正的胜负手在于软件栈能否将芯片潜力压榨至物理极限。

ooderA2UI BridgeCode 深度解析：从设计原理到 Trae Solo Skill 实践本文深入解析 ooder 框架的核心 BridgeCode 机制，从设计原理、生成编译流程，到基于此机制的分层 SKILLS 设计，最后展示在 Trae Solo 环境中的 Skill 构建实践。通过源码分析和实战案例，揭示 ooder 如何通过元数据驱动的代码生成实现高效的 A2UI 组件开发。

brave and determined

CANN ops-nn算子库使用教程：实现神经网络在NPU上的加速计算CANN 组织链接： https://atomgit.com/cann ops-nn仓库链接：https://atomgit.com/cann/ops-nn

brave and determined

CANN算子开发基础框架opbase完全解析CANN 组织链接： https://atomgit.com/cann opbase仓库链接：https://atomgit.com/cann/opbase

一枕眠秋雨>o<

调度的艺术：CANN Runtime如何编织昇腾AI的时空秩序在AI计算的宏大叙事中，硬件常被赋予英雄主义的光环——算力峰值、内存带宽、互联拓扑成为衡量技术先进性的标尺。然而，当万亿参数模型需要在数百颗NPU上协同推理时，真正的挑战并非单点性能，而是如何在时空维度上精确编排海量计算任务。华为昇腾CANN架构中的Runtime组件，正是这场精密调度战役的“总指挥”，它以操作系统级的抽象能力，将物理芯片转化为可编程的计算时空连续体。

CANN + 物理信息神经网络（PINNs）：求解偏微分方程的新范式自 18 世纪以来，人类求解偏微分方程（PDE）主要依赖：这些方法虽成熟，但面临三大痛点：相关资源链接 cann组织链接：cann组织 ops-nn仓库链接：ops-nn仓库

爱吃烤鸡翅的酸菜鱼

CANN ops-math向量运算与特殊函数实现解析向量和特殊函数是数值计算的基础，在科学计算、工程仿真、信号处理等领域有着广泛应用。从简单的向量加减乘除，到复杂的三角函数、指数对数、贝塞尔函数，这些数学运算构成了各种计算应用的核心。CANN社区开源的ops-math算子库提供了全面的向量运算和特殊函数支持，经过深度优化，能够在CANN硬件上实现卓越的性能表现。

OpenClaw 构建指南：打造智能多工具编排运行时框架在 AI 应用开发的浪潮中，如何让智能体具备连接多个外部工具、处理复杂工作流的能力？答案就是 OpenClaw——一个为智能体设计的多工具编排运行时框架。本文将详细介绍如何从零开始构建 OpenClaw，让你的 AI 智能体能够连接微信、Slack、邮件等各种工具，实现真正的自动化工作流。

深度解码AI之魂：CANN Compiler 核心架构与技术演进在人工智能芯片的角逐中，硬件算力的堆砌仅仅是基础，而能够释放硬件潜能、打通算法框架与底层芯片鸿沟的软件栈，才是决定胜负的关键“胜负手”。作为（Ascend）AI 生态的资深架构师，我将目光聚焦于 AtomGit 平台上最新开源的 CANN (Compute Architecture for Neural Networks) 组织。在众多组件中，compiler 仓库无疑是整个异构计算架构的心脏。它不仅承担着将上层深度学习模型转化为底层 NPU 可执行指令的重任，更是异构加速性能优化的核心引擎。

新缸中之脑

Figma Make 提示工程锁定上下文 → 运行检查点 → 重置"模式" → 发送两个提示，将Figma Make变成屏幕生成器。

赫尔·普莱蒂科萨·帕塔

智能体工程2025 年底，特斯拉前 AI 总监 Andrej Karpathy 在个人年度回顾中正式宣告：其于 2025 年初提出的 “氛围编程”（Vibe Coding）时代终结，以 “智能体工程”（Agentic Engineering）为核心的全新开发范式，将成为 2026 年及未来 AI 技术落地的主流方向 (360)。这一转向并非技术术语的简单迭代，而是 AI 从 “被动工具” 向 “主动协同实体” 进化的必然结果 —— 其核心逻辑在于，开发者不再以传统 “码农” 身份直接编写代码，而是转型为 “智能体调

AI写的青基中了奴隶主让国内的朋友给他写大基金。朋友也有一个青基要写，原想着先写着，但奴隶主说不用急，你帮我把大基金写好，我到时帮你把关就行了。于是朋友拿人钱财，替人消灾，心里虽烦，手底下却老实，白天写，夜里改，改到眼睛发红，身体发虚。

深度剖析ops-transformer：LayerNorm与GEMM的融合优化在Transformer架构中，Layer Normalization（LayerNorm）与 GEMM（通用矩阵乘）是两个高频出现的基础操作。典型Transformer层包含多个“LayerNorm → GEMM → Activation → GEMM”组合。若将这些操作独立执行，不仅会引发多次内核启动开销，还会导致中间激活值频繁写入/读取全局内存，严重制约性能。

CANN图优化技术：深度学习模型的编译器魔法深度学习模型从训练框架到硬件执行之间，需要经过一系列的转换和优化过程。这个过程类似于传统编程语言的编译，但更加复杂。华为CANN平台内置了强大的图优化引擎，能够自动对计算图进行多种优化，显著提升模型的执行效率。

神经网络的基石——深度解析 CANN ops-nn 算子库如何赋能昇腾 AI在人工智能的宏大叙事中，我们常常谈论模型架构的精巧、数据集的规模以及训练算法的创新。然而，在这些光鲜亮丽的上层建筑之下，真正驱动一切运转的，是那些沉默而高效的“原子”——算子（Operator）。无论是卷积神经网络（CNN）中的卷积操作，还是 Transformer 中的矩阵乘法，亦或是简单的激活函数，每一个神经网络的前向传播和反向传播，都是由成百上千个基础算子协同完成的。

深度解析CANN与AIGC的核心联系：算力底座赋能生成式AI规模化落地当AIGC（生成式人工智能）从实验室走向千行百业，从文本生成、图文联动到音视频创作，其背后始终离不开底层算力生态的支撑——AIGC模型的训练与推理，需要海量的并行运算、高效的硬件适配与全流程的加速能力，而昇腾CANN生态，正是承接AIGC技术落地、释放其产业价值的核心算力底座。

一枕眠秋雨>o<

数学的底座：ops-math如何为AI计算注入确定性在深度学习的宏大叙事中，卷积、Transformer、MoE等架构创新常被聚光灯追逐，而支撑这些创新的基础数学运算却隐于幕后——加法、乘法、指数、对数，这些看似平凡的操作，实则是AI计算的原子级基石。当千亿参数模型在昇腾NPU上以每秒万亿次浮点运算狂奔时，每一次exp(x)的调用、每一次log_softmax的计算，都依赖于CANN架构中ops-math仓库提供的工业级数学算子实现。这个仓库不仅关乎性能，更关乎AI计算的数值稳定性与跨平台一致性——在AIGC时代，这已成为决定模型可靠性的隐形命脉。

SAP（ERP）主要生产计划（MPS）业务视角解析在前面一些文章中，我已从业务视角解析了SAP PP生产计划模块所包括的整体流程，也从业务视角梳理和解析了PP的主数据物料(Material)，BOM,工艺路线，工作中心，生产版本. 以及SAP的组织结构业务解析,SAP PP的生产计划体系业务的解析，这样对SAP的PP核心概念，梳程，主数据，生产计划从业务视角有了一个比较系统的梳理和理解，我的目的是把整个SAP PP的所有知识体系重头到尾从业务视角梳理和解析一遍，加强对SAP PP模块业务视角的深入理解，因为未来AI时代，AI的学习能力与分析思考,推理能

2026年AI产业13大趋势预测：Vibe Coding创作者经济元年到来，占冰强专家解读AIGC未来图景发布时间： 2026年2月6日关键词： 2026AI趋势, VibeCoding, 占冰强, AIGC, 上下文工程, 一人公司, 腰部AI 阅读时间： 15分钟适用人群： AI开发者、技术创业者、架构师、产品经理