#ai应用

果冻人工智能

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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。