tag 人工智能

標籤
貢獻960
1492
06:37 AM · Oct 27 ,2025
deephub 頭像 u_13357275 頭像 pannideniupai 頭像 elhix0bg 頭像 rtedevcomm 頭像 xingxingshangdeliushu 頭像 tecdat 頭像 chaoshenjinghyperai 頭像 u_15591470 頭像 u_17579295 頭像 u_17512334 頭像 lab4ai 頭像

@人工智能 / 博客 RSS 訂閱

u_17522147 頭像

mb68c23637232fb - 領嵌iLeadE-588邊緣計算網關設備支持4路攝像頭4路網口支持RS485/CAN

1. 多通道**視頻接入與AI分析 支持4路攝像頭同時接入，實時視頻流處理。 內置高性能AI算力，支持人臉識別、行為分析、車牌識別等算法，自動匹配場景需求，無需手動編程。 智能算法一鍵部署，自動優化計算資源分配。 2. 工業級網絡與設備連接 4個千兆網口，支持多設備級聯與數據高速傳輸。 工業接口全覆蓋：配備RS485、CAN總線

數據 , 實時視頻 , 級聯 , 人工智能 , 數據分析

收藏 評論

u_16082658 頭像

wx64422c161e8a1 - AI知識掃盲

文章目錄 一、大模型（Language Models） 二、智能體（Agent) 三、模型上下文協議, MCP (Model Context Protocol) 一、大模型（Language Models） 大模型（Language Models）是指具備了強大的語言理解、生成和推理能力的深度學習模型。

應用程序 , AI , 後端開發 , 人工智能 , 模態 , Python

收藏 評論

gujiachun 頭像

老顧聊技術 - 如何讓大模型有短期記憶和長期記憶？LangGraph指南

引言 在人工智能領域，將大型語言模型（LLM）從簡單的無狀態問答機器轉變為能夠進行連貫、有上下文感知對話的複雜智能體，其核心關鍵在於內存。LLM 本身是無狀態的，每次調用都是一次獨立的計算，它們不會天生記得之前的交互。為了構建能夠學習、適應和維護長期關係的智能體，開發者必須為其提供一個堅實的狀態管理框架。LangGraph 正是為此而生，它提供了一個強大而靈活的解決方案。

機器學習 , 持久化 , 短期記憶 , 人工智能 , 長期記憶

收藏 評論

tdengine 頭像

TDengine濤思數據 - TDengine IDMP 1.0.9.0 上線：數據建模、分析運行與可視化能力更新一覽

在 TDengine IDMP 持續迭代的過程中，有一類問題會越來越早地出現：不是“能不能實現”，而是“以後用起來會不會變複雜”。 當數據規模開始擴大、模型開始變多、分析邏輯開始演進時，一些看似細節的能力就變得重要起來——比如單位是否統一、分析能否複用、視圖是否可以保存、規則調整後歷史數據如何處理。 TDengine IDMP 1.0.6.0–1.0.9.0 這一階段的更新，正是

異常檢測 , 大數據 , 數據倉庫 , 時序數據庫 , 人工智能 , tdengine

收藏 評論

u_16099211 頭像

笑傲江湖求敗 - 人工智能導論——人工智能學科研究的基本內容及主要研究領域

人工智能導論 人工智能（Artifical Intelligence，簡稱AI） 人工智能的本質：人工智能是一門研究如何製造出人造的智能機器或智能系統，來模擬人類智能活動的能力，以延伸人們智能的科學。 一、如何判定人工智能的存在（人工智能系統的智能存在性判別） 1、圖靈測試 （1） 概述： 圖靈測試是哲學領域，思想實驗，從形式上判別人工智能（從

搜索 , 理論基礎 , 人工智能 , Css , 前端開發 , HTML

收藏 評論

lab4ai 頭像

Lab4AI - NeurIPS 2025！採樣成本降 50%+ 準確率提升！南大等團隊的RPC方法刷新 LLM 推理上限

NeurIPS 2025！採樣成本降 50%+ 準確率提升！南大等團隊的RPC方法刷新 LLM 推理上限 論文標題：A Theoretical Study on Bridging Internal Probability and Self-Consistency for LLM Reasoning 作者團隊：南京大學、瑞士蘇黎世聯邦理工學院 發佈時間：2025年10月17日 👉一鍵直達論文

人工智能

收藏 評論

u_16054295 頭像

百能雲芯 - AI帶動中國大陸存儲芯片價格狂飆┃百能雲芯

　人工智能（AI）需求爆發，帶動存儲器芯片市場「超級週期」來襲，掀起全面缺貨和漲價潮。目前部分存儲器原廠報價效期短，出現「一天一價」現象，部分DRAM和Flash產線更暫停報價。分析師預計，第四季DRAM的整體價格（加計高頻寬存儲器HBM）將季增13％～18％。 財聯社報導，存儲器芯片市場2025年上半年漲勢並未在第四季趨緩，反而出現加劇的跡象。以

AI , 人工智能 , 數據結構與算法

收藏 評論

kaizx 頭像

KAI智習 - 時代週刊致敬“AI建築師”，螞蟻開源 LLaDA 2.0，谷歌 NotebookLM 升級

2025 年的尾聲比想象中來得更熱鬧一些。 科技圈，既有象徵意義極強的“年度人物”定調，也有真金白銀的百億級算力豪賭。從國外的 Anthropic、Mistral 到國內的螞蟻技術研究院，大家似乎都在趕着交出一份年度答卷。 🏆 《時代》週刊：致敬“AI 建築師” 歷史總是驚人的相似。繼當年“個人電腦”登上封面後，《時代》週刊宣佈將 “人工智能的建築師”（The Architects of

機器學習 , llm , 資訊 , 人工智能

收藏 評論

deephub 頭像

deephub - 別隻會One-Hot了！20種分類編碼技巧讓你的特徵工程更專業

機器學習模型處理不了原始文本。無論是線性迴歸、XGBoost還是神經網絡，遇到 "red" 、 "medium" 、 "CA" 這類分類變量都沒法直接處理。所以必須把它們轉成數字這個過程就是分類編碼。 大家入門時肯定都學過獨熱編碼或序數編碼，但編碼方法其實非常多。目標編碼、CatBoost編碼、James-Stein編碼這些高級技術，用對了能給模型帶來質的飛躍，尤其面對高基數特徵的時候。

機器學習 , 編碼 , 人工智能 , Python

收藏 評論

elhix0bg 頭像

阿里雲大數據AI - AI 搜索開放平台 x Qwen3：智能搜索全棧解決方案新升級

隨着 AI 技術的飛速發展，搜索已不僅是“查找信息”，更是“創造價值”的核心引擎。阿里雲 AI 搜索開放平台與 Qwen3 模型的深度融合，為企業和開發者提供了從基礎能力到複雜場景的全棧解決方案，讓智能搜索的落地門檻更低、效率更高、體驗更佳。 一、AI 搜索開放平台介紹 阿里雲 AI 搜索開放平台面向企業及開發者提供豐富的 AI 搜索組件化服務，用户可靈活調用多模態數據解析、大語言模型、效果測評等

大數據 , 搜索 , 阿里雲 , 人工智能

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【TVM 教程】在 NVIDIA GPU 上調優高性能卷積

Apache TVM 是一個端到端的深度學習編譯框架，適用於 CPU、GPU 和各種機器學習加速芯片。更多 TVM 中文文檔可訪問 →https://tvm.hyper.ai/ 作者：Lianmin Zheng 本教程介紹如何為 NVIDIA GPU 編寫高性能可調模板。通過在此模板上運行自動調優器，可在許多情況下勝過供應商提供的 cuDNN 庫。 注意，本教程不會在 Windows 或最新版本的

機器學習 , gpu , 人工智能 , 編譯器 , 深度學習

收藏 評論

u_16213722 頭像

mob64ca1419a401 - mmap_kmem 和 mmap_mem 的區別

功能描述 mmap(memory map) 將一個文件或其他對象映射進內存。 文件被映射到多個page上, 若文件的大小不是所有page的大小之和, 最後一個page不被使用的空間將會被清零。 mummap(memory unmap) 刪除特定地址區域的對象映射。

機器學習 , 頁表 , 內存不足 , 打開文件 , 人工智能

收藏 評論

u_14125 頭像

jacksky - emqx如何配置mqtt topic

想要向服務器發送請求並獲得響應？直接使用 HTTP 吧！非常簡單。但是當需要通過持久的雙向連接來通信時，如 WebSockets，當然你也有其它的選擇。 這篇文章會簡單扼要的解釋 MQTT，XMPP，STOMP，AMQP，WAMP和其它替代品。這裏常被引用的 XKCD 漫畫[1]之一： 等等，其實沒有“實時協議”這種東西！

機器學習 , 濾鏡 , emqx如何配置mqtt topic , 客户端 , 人工智能 , JAVA

收藏 評論

u_16213694 頭像

mob64ca1412b28c - 絕地求生 機器學習

1946 年 2 月 14 日，ENIAC 在美國賓夕法尼亞大學出現。71 年過去了，計算機經歷了無數次的更新迭代，成為了我們現在使用的樣子。 筆記本基本都是由各個廠商直接搭配好固定配置出售，常人不會去對筆記本進行過多的 DIY。 所以今天我們討論的主題就是，組裝台式機。組裝的台式電腦每個部件都可以由你自己進行 DIY，從外到內。 我的

機器學習 , 固態硬盤 , 絕地求生 機器學習 , 後綴 , 閃存 , 人工智能

收藏 評論

u_16970152 頭像

求知上進 - 深入學習Python函數：靜態方法

第一章：靜態方法的基礎原理 1.1 靜態方法的起源與Python演進 靜態方法的根源可追溯到1970年代的C++語言，這是OOP的早期實踐者，它引入靜態成員函數以實現類級工具邏輯。Python的靜態方法由Guido van Rossum在Python 2.2中通過新式類和描述符協議正式引入，當時旨在簡化類內純函數的組織。到Python 3起，一切類均為新式，靜態方法統

sed , 靜態方法 , 生成器 , 人工智能 , 深度學習

收藏 評論

danxiaodeyanjing 頭像

MemTensor - 零代碼｜基於釦子（Coze）使用 MemOS 插件

MemOS 已正式上線 釦子（coze）插件商店，現在大家可以基於釦子創建的智能體，一鍵啓用 MemOS 的記憶能力，讓你的智能體記得更好、更快、更準！ 快速開始 Find Us 開發者僅需在釦子（coze）搜索 “MemOS”或“記憶”即可快速找到我們！🎉 釦子插件商店：https://www.coze.cn/store/plugin/7569918012912893995?from=pl

agent , 人工智能 , 開源 , 大模型

收藏 評論

u_16099262 頭像

信息流星 - sigmoid核函數 支持向量機 支持向量機的核函數

2.2、核函數Kernel 2.2.1、特徵空間的隱式映射：核函數 咱們首先給出核函數的來頭：在上文中，我們已經瞭解到了SVM處理線性可分的情況，而對於非線性的情況，SVM 的處理方法是選擇一個核函數 κ(⋅,⋅) ，通過將數據映射到高維空間，來解決在原始空間中線性不可分的問題。 此外，因為訓練樣例一般是不會獨立出現的，

機器學習 , 核函數 , 數據 , sigmoid核函數 支持向量機 , 特徵空間 , 人工智能

收藏 評論

huikaichedemianbao 頭像

合合技術團隊 - 【技術白皮書】第五章：信息抽取技術的未來發展趨勢和麪臨的挑戰

5.信息抽取技術的未來發展趨勢和麪臨的挑戰 5.1 NER技術的未來發展趨勢和麪臨的挑戰 論文《 Survey on Deep Learning for Named Entity Recognition》總結了NER技術面臨的挑戰和未來發展方向。隨着建模語言的進步和實際應用的需求，NER會得到研究人員更多的關注。另一方面，NER通常被視為下游應用程序的預處理組件。這意味着特定的NER任務

事件 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

u_1150085 頭像

I_am_Alex - 深入探索OpenJiuwen Agent Core：構建專業育兒助手的完整指南

1. 引言 在AI技術快速發展的今天，智能助手在各個領域都發揮着越來越重要的作用。特別是在育兒領域，隨着0-3歲嬰幼兒養育需求的日益增長，新手父母常常面臨以下挑戰： 餵養指導：母乳餵養、輔食添加、營養搭配等 睡眠管理：建立規律作息、哄睡技巧、夜醒處理等 健康護理：日常護理、常見疾病、生長髮育等 早教啓蒙：親子互動、遊戲活動、認知發展等

agent , yyds乾貨盤點 , 智能體 , AI , AI寫作 , aigc , 人工智能 , openJiuwen

收藏 評論

u_16163453 頭像

嘴巴吃糖了 - 35歲互聯網研發轉型AI研發全攻略：一線實踐與技能提升指南，實現職業飛躍！

很多互聯網的業務研發或者基礎架構團隊的同學，包括前後端，其實都遇到了 35 歲的門檻，競爭力如何再次得到提升。 開篇我們先講講最近做數字人相關的知識。説到數字人，其實核心還是 wav2lib。很多沒有做過這方面的研發同學都對這個詞很陌生。 沒關係，這裏我們來普及一下。 懂一點的可以看看這個項目： https://github.co

大模型教程 , MySQL , 產品經理 , embedding , 數據庫 , 人工智能 , 大模型學習

收藏 評論

u_12902 頭像

jiecho - 偏差類型和公差等級的區別

互換性與機械加工誤差概述 互換性 互換性：同一規格的零(部)件 ，不需要任何挑選、調整或修配，就能裝到機器(或部件)上去，並完全符合規定的性能要求。 加工誤差與公差的區別：公差是實際參數值所允許的最大變動量，兩者區別是誤差在加工過程中產生的，而公差由設計人員確定。 為了實現互換性，必須對公差制進行標準化，不能各行其是，標準化是實現

產品質量 , 互換性 , 視頻教程 , 偏差類型和公差等級的區別 , 互換性與技術測量電子版 , 人工智能 , 深度學習

收藏 評論

pannideniupai 頭像

雨大王 - 智能體模型如何革新汽車製造？解析應用場景與典型案例

在汽車製造業加速智能化轉型的背景下，智能體模型正逐漸成為推動行業變革的重要技術力量。面對日益複雜的生產流程和更高的定製化需求，傳統制造模式顯得有些力不從心，而智能體模型憑藉其自主決策和實時響應的能力，為汽車製造帶來了全新的解決方案。它不僅能夠提升單一環節的效率，更可以實現全鏈路的協同優化，幫助車企在激烈的市場競爭中保持優勢。本文將首先探討智能體模型的核心價值，隨後分析其技術實現方式，最後結合企業的

人工智能

收藏 評論

elhix0bg 頭像

阿里雲大數據AI - 阿里雲 EMR Serverless Spark： 面向 Data+AI 的高性能 Lakehouse 產品

作者：玄橙 - 阿里雲 EMR Serverless Spark 產品專家 EMR Serverless Spark 是一款面向 Data+AI 的高性能 Lakehouse 產品。它為企業提供了一站式的數據平台服務，包括任務開發、調試、調度和運維等，極大地簡化了數據處理和模型訓練的全流程。同時，它100%兼容開源 Spark 生態，能夠無縫集成到客户現有的數據平台。使用 EMR Serverle

spark , 大數據 , 人工智能 , serverless , 數據處理

收藏 評論

deephub 頭像

deephub - Pandas中選擇和過濾數據的終極指南

Python pandas庫提供了幾種選擇和過濾數據的方法，如loc、iloc、[]括號操作符、query、isin、between等等 本文將介紹使用pandas進行數據選擇和過濾的基本技術和函數。無論是需要提取特定的行或列，還是需要應用條件過濾，pandas都可以滿足需求。 選擇列 loc[]:根據標籤選擇行和列。df.row_label loc, column_label] 也可以使用lo

機器學習 , 人工智能 , pandas , 數據分析 , Python

收藏 評論