tag AI

標籤
貢獻135
284
03:55 AM · Nov 07 ,2025
wintersun 頭像 Goblinscholar 頭像 lying7 頭像 codingtea 頭像 OBCE666 頭像 poloai 頭像 XY-Heruo 頭像 joas-pambou 頭像 huggingface 頭像 u_16773655 頭像 yupi 頭像 u_16060192 頭像

@AI / 博客 RSS 訂閱

atila-fassina 頭像

Atila Fassina - What Does AI Really Mean?

In 2024, Artificial Intelligence (AI) hit the limelight with major advancements. The problem with reaching common knowledge and so much public attention so quickly is that the term becomes ambiguous

Guides , AI , User Interaction

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的汽車自動駕駛目標檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的汽車自動駕駛目標檢測系統 1. 前言​ 目前鐵路鐵軌巡檢主要依賴人工目測，存在效率低、漏檢率高及受主觀因素影響大等弊端，難以滿足現代鐵路的高安全性需求。為此，本文提出基於YOLO深度學習算法的解決方案，通過構建專用數據集訓練模型，並開發圖形化界面（GUI）將算法工程化，旨在用機器視覺替代人工，實現鐵軌缺陷的自動化、智能化識別，解決傳統檢測方式的痛點。 本系統集成了多元化的檢

AI

收藏 評論

gogoSandy 頭像

風雨中的小七 - 解密Prompt系列65. 三巨頭關於大模型內景的硬核論文

這一章我們不談應用，而是通過三巨頭 Google、OpenAI、Anthropic 三篇充滿腦洞的論文，深入探討模型內部狀態的可訪問性與可操控性。我們將從三個維度展開： 模型是否有自我認知？ 如何引導這種認知？ 如何從數學和電路層面解釋這種認知？ Google：In-Context Learning 本質上是隱式梯度更新 📄 Google:# Learning without

AI

收藏 評論

lying7 頭像

躺柒 - 讀智能新物種07權利理論

1.權利理論 1.1.權利理論是關於誰應該獲得什麼類型的權利，以及為什麼他們應該獲得這項權利的理論 1.2.某人或某物一旦足夠像我們，就應該享有權利，這樣的想法很普遍 1.3.將虛構的未來機器人與人類相提並論的故事，並不能完全捕捉到如果機器人權利成為話題，我們將面臨的真正混亂 1.4.西方動物權利的歷史和現狀提供了更為準確的、截然不同的圖景，這些故事可供我們借 1.4.1.歷史清楚地揭

AI

收藏 評論

xjwhaha 頭像

哈哈丶丶 - 從 Tool Calling 到 A2A，再到 MCP. 大模型 Agent訪問外部世界的橋樑

隨着大語言模型（LLM）能力不斷增強，我們逐漸發現一個事實： 真正有價值的，不是模型“會説話”，而是模型“能做事”。 因為再強大的LLM，其核心優勢仍然在於語言理解與推理能力，而非實時計算或外部狀態獲取。, 在某些簡單事情上, 例如 查詢當前時間, 當前地區的天氣, 進行一個簡單的數學運算, 其實都不是大模型擅長的事情, 我們也不需要大模型全知全能, 這不是一個正確的路線. 大模型應該像人類

AI

收藏 評論

u_12960863 頭像

wx59290cd7bb11a - 實戰硬核！手把手教你用 Python 打造企業級 LLM 網關 (FastAPI + Asyncio 架構篇)

💎 本文價值提示 你將獲得什麼？ 從零構建：不再是寫腳本，而是構建一個可擴展的微服務架構。 企業級思維：掌握限流、熔斷、流式傳輸等生產環境必備技能。 代碼即資產：一套可直接複用的 LLM Gateway 核心代碼骨架。 轉型視角：看懂大數據高吞吐思維如何映射到 AI 高併發架構。 👋 大家好，我是你們的老朋友

llm , 大數據 , 數據 , 數據倉庫 , AI , Json

收藏 評論

lying7 頭像

躺柒 - 讀共生：4.0時代的人機關係16案例

1.社會向大規模自動化轉變的案例 1.1.自動化得到了正確運用，被用於協助人類工作者並增強他們的能力，讓他們能夠提高生產力和工作效率，從而為他們所在的組織和整個經濟體創造更多價值 1.2.決策者 1.2.1.識別威脅和機會 1.2.2.量化它們 1.2.3.模擬假設場景 1.2.4.減輕風險 1.2.5.最終改進和促進決策 1.3.

AI

收藏 評論

u_12677281 頭像

李小轟_Rex - 把手機變成聽診器！攝像頭 30 秒隔空測心率 - 開箱即用

把手機變成聽診器！Android 攝像頭 30 秒隔空測心率 —— 基於 MediaPipe + POS 算法的 rPPG 實戰 關鍵詞：rPPG、非接觸心率、Android、CameraX、MediaPipe、POS 算法、開源 Demo 源碼地址：https://github.com/liyufengrex/RPPG APK體驗：https:

移動開發 , AI , Android , 視覺理解

收藏 評論

paul-boag 頭像

Paul Boag - Giving Users A Voice Through Virtual Personas

In my previous article, I explored how AI can help us create functional personas more efficiently. We looked at building personas that focus on what users are trying to accomplish rather than demogr

User Research , ux , AI , Design

收藏 評論

u_15591470 頭像

ceshiren2022 - 無代碼開啓AI測試：字節Coze助力測試效率倍增實戰指南

關注 霍格沃茲測試學院公眾號，回覆「資料」, 領取人工智能測試開發技術合集 最近團隊裏的測試任務越來越繁重，特別是那些重複性的功能驗證和測試數據準備，幾乎佔用了我們大部分時間。直到上個月，我偶然接觸到了字節跳動的Coze平台，這個零代碼的AI工具徹底改變了我們的測試工作流程。 從手動到自動的轉變 還記得那天下午，我面對着一個需要測試的登錄功能，不僅要驗證正常登錄場景，還要測試數十

coze , AI , 人工智能 , 深度學習 , 自動化測試

收藏 評論

wintersun 頭像

PetterLiu - 優化需求評審流程論LLM與人工審查協同模式

重新定義需求評審的未來 高質量的需求是軟件項目成功的基石，然而，傳統的需求評審流程往往耗時、繁瑣且容易出錯。需求文檔中的模糊性、不一致性和遺漏是導致項目失敗最常見的因素之一。大型語言模型（LLM）作為一種顛覆性技術，為解決這些長期存在的挑戰提供了新的可能性。它強大的自然語言處理能力，能夠以前所未有的規模和速度分析文本，發現潛在缺陷。 本文的核心是，LLM在需求評審中的最佳定位並非取代人類專

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的非機動車頭盔檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的非機動車頭盔檢測系統 1. 前言​ 大家好，歡迎走進 Coding 茶水間。 在城市騎行安全日益受關注的當下，我們想和大家分享一個用技術守護出行的小成果——基於 YOLO 算法的非機動車頭盔檢測系統。它的核心很簡單：幫我們快速判斷騎車人有沒有戴頭盔，用直觀的界面和靈活的功能，把“安全檢測”變成可操作、可觀察的過程。 這套系統不只是“能檢測”這麼簡單：從主界面的分區設計，到參

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的35種鳥類檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的35種鳥類測系統演示與介紹 1. 前言 在自然與科技深度交織的時代，我們對周遭生命的觀察與認知，正被算法悄然拓展邊界。鳥類作為生態系統中靈動的註腳，其多樣性與分佈狀態不僅是自然研究的課題，更牽動着無數觀鳥愛好者、生態保護者的目光。然而，傳統的人工觀測與識別方式，常受限於經驗門檻、效率瓶頸，難以應對複雜場景下的精準捕捉——當鏡頭掠過林梢、水面或城市綠地，那些轉瞬即逝的身影，如

AI

收藏 評論

qianfeng0819 頭像

qianfeng0819 - sample article

清晨七點半，鬧鐘響過，你第一反應不是伸懶腰，而是摸手機；地鐵裏，視線黏在跳動的短視頻上；辦公室，雙眸被兩塊 27 寸屏幕“前後夾擊”；傍晚回家，本想放鬆，卻又打開投影儀追新劇……一天下來，眼睛像跑完馬拉松，酸、脹、幹、霧輪番上陣。數據顯示，我國近視人口已超 6 億，青少年近視率居世界前列。視力“滑坡”不再是個人小事，而是全民健康的“大考”。 一、眼睛為何“過勞”？

yyds乾貨盤點 , NLP , automation , AI , 人工智能

收藏 評論

daniel-schwarz 頭像

Daniel Schwarz - Penpot Is Experimenting With MCP Servers For AI-Powered Design Workflows

This article has been kindly supported by our dear friends at Penpot, whose mission is to provide an open-source and open-standards platform to bring collaboration between designers and developer

workflow , Tools , AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程四：計算機視覺 第三週：檢測算法 （一）目標定位與特徵點檢測

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第四課的第三週內容，3.1到3.2的內容。 本週為第四課的第三週內容，這一課所有內容的中心只有一個：計算機視覺。應

AI

收藏 評論

wintersun 頭像

PetterLiu - 從日誌解析到通用工程LLM

導言 在當今的工程領域，我們普遍面臨一個核心挑戰：如何從海量的、非結構化的數據（如日誌、配置文件、告警信息）中高效提取價值。這些數據是診斷系統故障、洞察系統行為的“救命稻草”，但其雜亂無章的格式對機器而言形同“天書”。大語言模型（LLM）的出現，以其前所未有的語義理解能力，為破解這一難題帶來了希望。然而，希望的背後隱藏着一個致命的矛盾：若將每日億級的日誌逐條交由LLM處理，其巨大的成本與時間延遲

AI

收藏 評論

lying7 頭像

躺柒 - 讀共生：4.0時代的人機關係15未來

1.綜合論述 1.1.自動化不是敵人 1.1.1.只要我們不讓它成為我們的敵人 1.2.你的工作會不會被機器取代，具體取決於多種因素，包括你的職業、所在地、就業安排、學歷、接受培訓的機會，以及可以實際完成你的工作的智能自動化技術能夠以多快的速度得到部署和利用並實現足夠高的成本收益 1.3.在現實中將自動化注入業務運營絕非易事 1.3.1.相關技術很昂貴，而且並不完美

AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程三： 結構化機器學習項目 第二週：誤差分析與學習方法（五）端到端學習

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第三課的第二週內容，2.9到2.10的內容，也是本篇的理論部分的最後一篇。 本週為第三課的第二週內容，本週的內容關

AI

收藏 評論

yupi 頭像

程序員魚皮 - 女友怒罵國內不能用Claude Code，於是我給她做了一個

大家好，我是程序員魚皮。最近女友開始學習 AI 編程了（被我帶的），她聽説 Claude Code 這個 AI 編程工具很牛掰，結果試了下發現得要國外的 Claude 賬號才能登陸。 然後她就罵罵咧咧地跟我吐槽。 展現男友力的時候到了，於是我開玩笑地説：別難過了，要不我給你做一個 Claude Code 算了？ 結果，她當真了！ 我 ↓ 沒辦法，只能試一試了，畢竟誰希望聖誕節這兩天讓自家人難

AI

收藏 評論

lying7 頭像

躺柒 - 讀人機溝通法則：理解數字世界的設計與形成03機器是有生命的

1.有沒有生命 1.1.看到一個物體在運動是判斷其有生命的第一條線索 1.2.智能手機和自動駕駛汽車出現之前就存在的技術：自動客服代表 1.3.過去，人們很容易認為計算機很笨，因為它做任何事情都要花很長時間 1.3.1.過去的交互技術很簡單，缺少許多必要的組成部分，只能緩慢地響應我們的輸入 1.4.現在，我們認為計算機可能比我們更聰明 1.4.1.因為它對我們給它的刺激做出的反應是如此

AI

收藏 評論

huggingface 頭像

HuggingFace - 流式數據集：效率提升 100 倍！

快速瞭解（TLDR） 現在只需一行代碼，就能通過 load_dataset('dataset', streaming=True) 以流式方式加載數據集，無需下載！ 無需複雜配置、不佔磁盤空間、不再擔心 “磁盤已滿” 或 429 請求過多錯誤，立即開始訓練 TB 級數據集！ 性能非常強勁：在 64×H100、256 個併發 worker 環境下，流式加載速度甚至超過本地 SSD！

AI

收藏 評論

yunpan-plus 頭像

雲棧開源日記 - LightRAG：圖增強檢索框架，索引速度提升10倍

開篇 你的 RAG 系統能回答"人工智能的發展趨勢"這類宏觀問題嗎？傳統向量檢索在面對複雜查詢時往往力不從心。香港大學團隊開源的 LightRAG 提供了新思路：用知識圖譜雙層索引重構檢索架構，在保持輕量化的同時，讓索引速度比 GraphRAG 快 10 倍。 [attachimg]224[/attachimg] 一、傳統 RAG 的三大痛點 向量檢索 依賴語義相似度匹配，在實際應用中暴露出明顯

AI

收藏 評論

guoxiaoyu 頭像

努力的小雨 - Doubao-Seed-Code實測：AI驅動的全流程遊戲開發新體驗

豆包發佈了全新的編程模型——Doubao-Seed-Code。今天我就迫不及待地嘗試用它來快速實現一個自己的小創意。之前，我一直在嘗試通過各種模型來快速開發一款遊戲，所以這次我想親自驗證一下：這個全新的編程模型，究竟能不能勝任真正的遊戲開發任務。 不過今天我想換一種思路，不只是單純地做一個遊戲，而是嘗試打造一個AI驅動的遊戲開發平台。我的想法是，將大模型的強大能力與我預先設計好的開發流程、各種提

AI

收藏 評論