貢獻者47
粉絲0
PAIPhysicalAINotebook詳解1：基於Isaac仿真的操作動作數據擴增與模仿學習 PhysicalAI是AI技術演進的一個熱門話題，目的是基於Transformer、Diffusion等主流大模型結構，訓練得到可以在實際物理空間中指導機器人本體完成各種任務的AI模型。 在PhysicalAI模型的開發過程中，需要用到遙操採集、數據合成、數據增強、模仿學習、模型測評等多個過程，也會用
昵稱 阿里雲大數據AI
一年一度的雙十一狂歡購物節已經拉開帷幕。踏入各大電商平台的店鋪直播間，會看到一些主播彷彿擁有無窮精力，連續直播數十小時仍神采奕奕。 他們不僅對產品特點進行細緻入微的講解，還能實時與新進入直播間的觀眾流暢互動。然而，只要稍加留意屏幕角落，便能發現一行小字——“AI生成”。原來，這些看起來與真人別無二致的主播，實則是人工智能打造出的。 一、突破極限：24 小時流量收割機（青否數字人源頭v
昵稱 憂鬱的吐司
原文鏈接：https://tecdat.cn/?p=44204 原文出處：拓端抖音號@拓端tecdat 2023年，北京車主李女士換車時還在糾結燃油車與混動的油耗差異；2025年，她的鄰居已開着L2+級電動車實現自動避障接送孩子——這兩年，中國汽車產業正經歷“燃油退潮、智能崛起”的顛覆性轉型。這種轉型並非偶然：政策端“雙碳”目標持續發力，技術端電池成本下降超60%，消費端新能源滲透率從20
昵稱 拓端tecdat
1、DFT 籤核為何至關重要？ DFT 籤核確保 IC 設計滿足所有測試能力（testability）要求，為製造後測試提供基礎保障。通過完善的籤核流程，可提前發現問題、減少 costly 迭代，提升產品質量與可靠性。 2、核心籤核技術與實踐經驗 I. 掃描鏈插入與優化 意義：增強 IC 內部狀態的可控性與可觀測性，是高效測試的核心之一； 實踐案例：某領先廠商利用
昵稱 星星上的柳樹
3D Gaussian Splatting（3DGS）現在幾乎成了3D視覺領域的標配技術。NVIDIA把它整合進COSMOS，Meta的新款AR眼鏡可以直接在設備端跑3DGS做實時環境捕獲和渲染。這技術已經不只是停留在論文階段了，產品落地速度是相當快的。 所以這篇文章我們用PyTorch從頭實現最初那篇3DGS論文，代碼量控制在幾百行以內。雖然實現很簡潔但效果能達到SOTA水平。 需要説明的是，
昵稱 deephub
1、為何 Timing Signoff 是 IC 設計的“守門人”？ Timing Signoff 確保芯片設計在預定時鐘頻率下滿足時序要求，並在多種工況下保持穩定性與可靠性。這是避免後期返工、提升產品良率與質量的重要步驟。 圖：Static Timing Analysis (STA) 流程示意 2、關鍵技術與實踐案例解析 I. 靜態時序分析（STA） STA
昵稱 星星上的柳樹
你是不是也遇到過這樣的情況？半夜遇到產品問題，找客服卻只能看到“工作時間：9:00-18:00”的自動回覆？或者諮詢一個問題，等了半天才收到回覆，結果還是個標準化的“請您耐心等待”？ 別急，AI智能客服來了！它不僅能7x24小時在線，還能秒回你的問題，簡直就是貼心小助手。 告別等待，秒回你的問題 想象一下，你正在瀏覽某個產品頁面，對某個功能不太明白。以前你可能得發郵件或等在線客服上線，現在只需要點
昵稱 百川雲開發者
企業家走向前台，做網紅帶貨，這已經不是什麼新鮮事了，尤其是那些互聯網公司的企業家們，像雷軍、周鴻禕、餘承東等等。（青否數字人源頭v：zhibo175） 上個月，本身在網絡上擁有極高知名度，對雷軍網絡營銷手段十分佩服的劉強東，突然以另一種方式走向前台，加入廣大直播帶貨隊伍當中。 不過，東哥的直播帶貨不同於俞敏洪、董明珠，而是玩出了新花樣，以AI分身的形態出現，着實給直播界和AI界上了一課
昵稱 青否Ai
從“5步折騰”到“1步搞定”，開播效率秒級提升 以前做智能直播，得走“抖音產品授權→寫話術→AI續寫→AI泛化→智能互動設置”至少5步，少則半小時，多則1小時，光流程就把新手嚇退； 現在用「AI自動播」，只要“一鍵掃碼授權抖音”，10秒就能啓動直播，徹底告別反覆操作的麻煩——就算你是第一次做直播，也能“零學習成本”上手！ AI自動播 常規模式開播流程繁瑣，至少需要5步：一鍵授權抖音產品 — 一鍵寫
昵稱 青否Ai
原文鏈接：https://tecdat.cn/?p=44215 原文出處：拓端抖音號@拓端tecdat 2025年快消行業的“增長焦慮”越來越明顯：新品投了超頭部KOL卻沒爆、KA費用審批等1周錯過旺季、情人節禮贈通投渠道轉化率低迷、四線城市賣高端品佔比僅8%……這些不是某家企業的問題，而是行業共性困境——過去十年線上流量成本漲3倍，KA流程複雜度增2倍，消費者需求從“只看性價比”轉向“場
昵稱 拓端tecdat
隨着全球數字化轉型的深入，API（應用程序接口）已成為企業業務系統與外部應用、平台之間交互的核心組成部分。API不僅幫助企業實現業務流程的自動化，還為各種創新應用提供了技術基礎。然而，隨着企業越來越依賴API來支持業務發展，API接口的安全性問題也日益突顯。 在傳統的網絡防護體系下，安全重點通常集中在網絡邊界，通過防火牆、入侵檢測等措施來抵禦外部攻擊。然而，在如今的數字化時代，API作為數據
昵稱 老實的剪刀
全文鏈接：https://tecdat.cn/?p=44226 原文出處：拓端數據部落公眾號 分析師：Zhichao Tong 在“雙碳”戰略推進下，電動汽車保有量激增已成為必然趨勢，而充電網絡的資源閒置、佈局失衡、負荷波動三大問題，正成為制約行業發展的關鍵瓶頸。作為長期服務能源與交通領域的數據分析團隊，我們曾為某省會城市完成充電網絡優化諮詢項目，通過數據建模與算法設計，幫助當地緩解
昵稱 拓端tecdat
迴歸任務在實際應用中隨處可見——天氣預報、自動駕駛、醫療診斷、經濟預測、能耗分析，但大部分迴歸模型只給出一個預測值，對這個值到底有多靠譜卻隻字不提。這在某些應用場景下會造成很多問題，比如用模型預測患者血壓，假設輸出是120/80這樣的正常值，表面看沒問題。但如果模型其實對這個預測很不確定呢？這時候光看數值就不夠了。 神經網絡有幾種方法可以在給出預測的同時估計不確定性。 迴歸中的不確定性問題 分類任
昵稱 deephub
文 / 勇哥 原創文章，轉載請聯繫授權 關注公眾號「六邊形架構」，及時瞭解更多的技術分享和項目經驗 在前兩篇文章中，我們探討了《大模型應用開發技術路線（上）：從概念到RAG實戰指南》和《大模型應用開發技術路線（中）：大模型微調與定製實戰指南》。今天，讓我們繼續探索大模型應用開發的前沿技術路線——智能代理(Agent)開發和多模態應用開發。 作為一名在AI領域"衝浪"多年的技術老兵
昵稱 六邊形架構
在深度學習領域，優化器的選擇對模型性能至關重要。雖然PyTorch中的標準優化器如 SGD 、 Adam 和 AdamW 被廣泛應用，但它們並非在所有情況下都是最優選擇。本文將介紹四種高級優化技術，這些技術在某些任務中可能優於傳統方法，特別是在面對複雜優化問題時。 我們將探討以下算法： 序列最小二乘規劃（SLSQP） 粒子羣優化（PSO） 協方差矩陣自適應進化策略（CMA-ES） 模擬退
昵稱 deephub
超參數優化是深度學習模型開發過程中的一個核心技術難點。合適的超參數組合能夠顯著提升模型性能，但優化過程往往需要消耗大量計算資源和時間。本文介紹TorchOptimizer，這是一個基於貝葉斯優化方法的超參數優化框架，專門用於優化PyTorch Lightning模型的超參數配置。 TorchOptimizer是一個集成了PyTorch Lightning框架和scikit-optimize貝葉斯
昵稱 deephub
書籍：Optimization and Optimal Control in a Nutshell 作者：Sudath Rohan Munasinghe 出版：Springer 編輯：陳萍萍的公主@一點人工一點智能 下載：書籍下載-《優化與最優控制簡明教程》 01 書籍介紹 本書簡潔地介紹了優化過程和最優控制過程，並通過實例和仿真幫助自學和更好地理解。首先從函數優
昵稱 一點人工一點智能
「我以為我只有 10% 的機會獲得諾貝爾化學獎」，得知獲獎消息後，John Jumper 在電話採訪中笑着説道。他的語氣中帶着謙遜與感慨，而這份殊榮的背後，則是 AlphaFold2 帶來的科學革命，徹底改變了蛋白質結構預測的方式。 截至目前，已有來自 190 個國家的 200 多萬人使用這一工具，它不僅加速了新藥研發和疾病研究，也為基礎科學探索提供了前所未有的支持，深刻影響了生命科學的未來發展。
昵稱 超神經HyperAI
谷歌於2025年6月正式推出Gemini 2.5系列模型，核心聚焦推理效率與多模態能力升級，具體解讀如下： 🚀 一、三大模型定位與技術亮點 Gemini 2.5 Pro 角色定位：主攻複雜推理與多模態分析（“思考型模型”），在數學、編碼任務中刷新LMArena榜單記錄。 上下文能力：支持100萬token輸入（計劃擴展至200萬），可解析代碼庫、大型數據集及混合媒
昵稱 PoloAPI
JAX生態這兩年在LLM訓練這塊追趕得挺快。PyTorch雖然還是主流但JAX在並行計算、TPU加速和API組合性上確實有些獨特的優勢。Google今天放出了Tunix這個庫，專門做LLM的後訓練——微調、強化學習、知識蒸餾這些都能搞。 Tunix是什麼 這是個構建在JAX之上的後訓練庫，和Flax NNX集成得比較緊密。主要解決三類問題： 監督微調（Supervised Fine-T
昵稱 deephub
作者 | 弗拉德 來源 | 弗拉德（公眾號：fulade_me) 繼承 編寫類時，並非總是要從空白開始。如果你要編寫的類是另一個現成類的特殊版本，可使用 繼承。一個類繼承另一個類時，它將自動獲得另一個類的所有屬性和方法;原有的類稱為父類， 而新類稱為子類。子類繼承了其父類的所有屬性和方法，同時還可以定義自己的屬性和方法。 子類的方法__init__() 創建子類的實例時，Python首先需要
昵稱 弗拉德
作者 | 弗拉德 來源 | 弗拉德（公眾號：fulade_me) 從文件中讀取數據 文本文件可存儲的數據量很多，每當需要分析或修改存儲在文件中的信息時，讀取文件都很有用，對數據分析應用程序來説尤其 如此。例如，你可以編寫一個這樣的程序:讀取一個文本文件的內容，重新設置這些數據的格式 並將其寫入文件，讓瀏覽器能夠顯示這些內容。 要使用文本文件中的信息，首先需要將信息讀取到內存中。為此，你
昵稱 弗拉德
為了生產一個機器學習勢函數，你積累了大量的第一性原理數據，卻發現訓練模型的樣本效率不足，遷移性差。如此大的花費只能體驗“一次性”的機器學習分子動力學模擬 (MLMD)？這未免太貴了！ ChatGPT 等大規模語言模型的成功讓我們看到了“預訓練模型+少量新數據微調”解決這一難題的可能，勢函數生產能否參考此訓練策略進行？ 圖 1｜預訓練模型+
昵稱 farfarcheng
