#ai应用

果冻人工智能16 天前
#人工智能·#ai应用·#ai员工·#神经网络·#ai
AI 代理的未来是事件驱动的AI 代理即将彻底改变企业运营,它们具备自主解决问题的能力、适应性工作流以及可扩展性。但真正的挑战并不是构建更好的模型。
果冻人工智能21 天前
#人工智能·#ai应用·#ai员工·#神经网络·#ai
城市林业的无声革命:人工智能与古老生态学如何重新设计城市城市林业的无声革命:人工智能与古老生态学如何重新设计城市在摩天大楼的阴影下,一场静悄悄的变革正在发生——它融合了硅芯片与古老根系,算法与原住民智慧。
果冻人工智能22 天前
#人工智能·#ai应用·#ai员工·#神经网络·#ai
阿里巴巴 QwQ-32B真的超越了 DeepSeek R-1吗?本文作者的观点:QwQ-32B 作为小型开源 AI 模型,在数学、编程等任务上表现接近甚至超越 DeepSeek-R1 671B模型,同时计算资源占用大幅降低,使其更易部署和使用。然而,在逻辑推理等方面仍存在推理不一致和语言混杂等问题,有待优化。作者总体认可 QwQ-32B 的实力,并认为它代表了 AI 发展向“小而高效”方向演进的趋势,可能冲击 OpenAI 等收费模式的市场格局。
果冻人工智能1 个月前
#人工智能·#ai应用·#ai员工·#神经网络·#ai
机器人技术的突破让OpenAI过时了机器人技术的突破让OpenAI过时了Ignacio de Gregorio最近,Figure AI,一家价值数十亿美元的AI机器人公司,宣布取消与OpenAI的合作伙伴关系,这一举动看起来是相当大胆的。在此之前,机器人的大脑是一个经过精细调教的OpenAI模型(由OpenAI专门为他们的机器人构建的模型),但该公司的公告暗示,他们在内部取得了一个突破,允许他们训练自己的模型。
果冻人工智能1 个月前
#人工智能·#ai代理·#ai应用·#ai员工·#神经网络·#ai
掌握领域驱动微服务中的聚合与实体—— 从遗留单体系统转型为现代分布式系统的实战经验你好啊,我是一名经验丰富的软件工程师,专注于大规模应用的设计。多年来,我见过各种架构——从庞大的单体架构,到精细调整过的微服务基础设施。
果冻人工智能2 个月前
#人工智能·#ai代理·#ai应用·#ai员工·#神经网络·#ai
如何训练LLM“思考”(像o1和DeepSeek-R1一样, 高级推理模型解析2024年9月,OpenAI发布了它的o1模型,该模型基于大规模强化学习训练,赋予了它“高级推理”能力。不幸的是,他们是如何做到这一点的细节从未被公开披露。然而,今天,DeepSeek(一个AI研究实验室)成功复现了这种推理行为,并公开了他们方法的完整技术细节。在这篇文章中,我将讨论这一创新背后的关键思想,并描述它们在底层是如何运作的。
果冻人工智能2 个月前
#人工智能·#ai应用·#ai员工·#神经网络·#ai
从 Windows Forms 到微服务的经验教训如果说软件开发中有什么不变的东西,那就是变化。在 .NET 生态系统中摸爬滚打的这二十年里,我见证了各种框架的起起落落,目睹了容器化的崛起,也曾为微服务架构摇旗呐喊——而在几年前,微服务对许多人来说还只是晦涩难懂的概念。
果冻人工智能2 个月前
#人工智能·#ai代理·#ai应用·#ai员工·#神经网络·#ai
让我们从零开始使用PyTorch构建一个轻量级的词嵌入模型在我之前写的一篇文章中,我们学习了如何使用PyTorch的nn.Embedding层将单词转换为稠密向量。但由于该嵌入层是未经训练的,这些向量并没有任何语义含义。默认情况下,PyTorch会使用随机权重初始化嵌入层,这使得生成的向量基本上是毫无意义的。今天,我们要改变这一点,并希望赋予我们的嵌入一些真正的含义。
果冻人工智能2 个月前
#人工智能·#ai代理·#ai应用·#ai员工·#cnn·#chatgpt·#神经网络·#ai
在 PyTorch 中理解词向量,将单词转换为有用的向量表示你要是想构建一个大型语言模型,首先得掌握词向量的概念。幸运的是,这个概念很简单,也是本系列文章的一个完美起点。
果冻人工智能2 个月前
#人工智能·#ai代理·#ai应用·#ai员工·#神经网络·#ai
跟着蚂蚁走,它们知道路:用 ACO-ToT 增强 LLM 推理能力跟着蚂蚁走,它们知道路:用 ACO-ToT 增强 LLM 推理能力利用群体智能和思维树优化解锁高级 AI 推理能力
果冻人工智能2 个月前
#人工智能·#ai代理·#ai应用·#ai员工·#cnn·#神经网络·#ai
基于生成式AI的访问控制, 迁移传统安全策略到基于LLM的风险分类器风险分类是网络安全系统的核心能力之一,它将访问请求和命令映射到其风险级别/类别:高(High)、中(Medium)、低(Low)。目前,即便是在大规模环境中,风险分类器仍主要采用基于规则的系统实现。基于规则的分类器易于以符合人类直觉的方式定义——这也使得它们具备较好的可解释性。
果冻人工智能3 个月前
#人工智能·#ai代理·#ai应用·#ai员工·#cnn·#神经网络·#ai
人类讨厌AI的缺点,其实自己也有,是时候反思了。前言:人类讨厌AI,其实就是讨厌自己!如果你问一些人对人工智能的看法,你可能会听到诸如不道德、偏见、不准确甚至操纵这样的词语。
果冻人工智能3 个月前
#人工智能·#ai代理·#ai应用·#ai员工·#cnn·#神经网络·#ai
您的公司需要小型语言模型当专用模型超越通用模型时“越大越好”——这个原则在人工智能领域根深蒂固。每个月都有更大的模型诞生,参数越来越多。各家公司甚至为此建设价值100亿美元的AI数据中心。但这是唯一的方向吗?
果冻人工智能3 个月前
#人工智能·#ai代理·#ai应用·#ai员工·#cnn·#chatgpt·#神经网络·#ai
主动式AI(代理式)与生成式AI的关键差异与影响大型语言模型(LLMs)如GPT可以生成文本、回答问题并协助完成许多任务。然而,它们是被动的,这意味着它们仅根据已学到的模式对接收到的输入作出响应。LLMs无法自行决策;除此之外,它们无法规划或适应变化的环境。
果冻人工智能3 个月前
#人工智能·#ai代理·#ai应用·#ai员工·#cnn·#chatgpt·#神经网络·#ai
创建用于预测序列的人工智能模型,用Keras Tuner探索模型的超参数。上一篇:《创建用于预测序列的人工智能模型(五),调整模型的超参数》序言:在完成初步的模型研发后,接下来的重点是探索和优化超参数。通过合理调整超参数(如学习率、动量参数、神经元数量等),可以进一步提高模型的性能和准确性。这一过程需要结合工具(如 Keras Tuner)进行自动化测试和优化,从而高效找到最优配置方案。
果冻人工智能3 个月前
#人工智能·#ai代理·#ai应用·#ai员工·#cnn·#chatgpt·#神经网络·#ai
创建用于预测序列的人工智能模型,调整模型的超参数。上一篇:《创建用于预测序列的人工智能模型(四),评估模型的能力》序言:人工智能模型的研发过程实际上是一个多阶段的迭代过程,包括数据准备、模型架构设计、训练和验证,而超参数的调整和优化则始终贯穿其中,是提升模型性能的重要环节。