收藏 / 列表

huamingshixunkeji 頭像

華明視訊科技 - 2025年國內口碑不錯的智能閘口系統廠家推薦

隨着智慧物流、智慧口岸建設的不斷深入，智能閘口作為物流鏈的關鍵節點，其效率和準確性直接關係到整個作業流程的順暢。2025年，面對市場上眾多的智能閘口系統供應商，企業該如何選擇一家既靠譜又專業的合作伙伴？今天，我們就為大家推薦兩家在業內擁有極佳口碑和深厚技術底藴的深圳企業。 一、孚為智能科技 如果您追求的是一家技術紮實、深耕垂直領域的高科技企業，那麼深圳市孚為智能科技有限公司絕對是一個值

機器學習 , 圖像識別 , 神經網絡 , 人工智能 , 深度學習

nizi_60e514d097c9a 頭像

MIAOYUN - MIAOYUN | 每週AI新鮮事兒（10.31-11.07）

本週AI領域動態密集，美團、360、銀河通用、字節、騰訊、Kimi與科大訊飛等分別發佈多模態、圖文、導航及視頻推理模型；工具層面，寒武紀、百度、崑崙萬維、騰訊均推出新平台或功能。技術方面，在長序列處理、多智能體協同及代碼執行效率上取得突破。市場方面，OpenAI與AWS達成鉅額合作，小鵬發佈人形機器人「IRON」。整體呈現高效化、多模態與實用化趨勢，一起來回顧本週發生的AI新鮮事兒吧！ AI 大模

資訊 , 機器人 , 自然語言處理 , 人工智能 , 深度學習

infodator 頭像

容智信息 - 企業智能體落地指南——拆解7大關鍵問題，附實戰避坑策略

在企業智能化轉型的進程中，智能體（AI/RPA等智能應用）本應是撬動效率與價值的槓桿，但不少企業管理層卻因踩入隱性“深坑”，導致項目延期、投入打水漂甚至引發業務風險。容智信息基於數百個企業智能化項目的實戰覆盤，提煉出智能體落地最容易踩的7大深坑及避坑核心思路，助力企業管理層在智能體佈局中“避坑增效”，讓數字化投入真正轉化為業務增長動能。 部分企業為追求“全自動化”，將核心業

機器人 , 自然語言處理 , 人工智能 , 深度學習

old_it 頭像

老IT人 - NVIDIA RTX™ GPU 低成本啓動零售 AI 場景開發

零售行業正在探索應用 AI 升級客户體驗，同時優化內部流程。面對多重應用場景以及成本優化壓力，團隊可採用成本相對可控的方案，來應對多重場景的前期項目預演和落地，避免短期內大規模投入造成的資源浪費。 客户體驗 AI 場景的研究目前集中在AI 客服，內部流程主要是AI 營銷、合同生成、合規審查和供應鏈優化等。在項目研究和前期預演階段，採用NVIDIA RTX™ 系列的高性能GPU，進行本地化部署大模型

segmentfault

puxiaoke6 頭像

一點人工一點智能 - 書籍-《優化與最優控制簡明教程》

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

算法 , 人工智能 , 深度學習 , 優化

u_16756731 頭像

KlipC小助手 - 英偉達Q3超預期財報，能否擊破“AI泡沫論”？

KlipC報道：當地時間11月19日，市場高度期待的英偉達三季度財報如期公佈，公司再度交出遠超預期的成績單。 財報顯示，英偉達三季度營收達到570億美元，同比增長62%；淨利潤319億美元，同比暴增65%；調整後每股收益（EPS）為 1.30美元，全面超出市場預估。同時，給出了超預期的四季度指引，預計營收將達到650億美元，上下浮動2%。 值得注意的是，英偉達最重要的業務板塊數據中心表現

英偉達 , 數據中心 , 人工智能 , 深度學習

chenzhuodeyagao 頭像

沉着的牙膏 - 教育行業AI賦能一鍵部署智能化的API安全解決方案實踐

概要：在教育領域，隨着“智慧校園”建設加速與數字化轉型深入，教學管理、學籍數據、科研成果、家-校服務等系統中大量數據通過 API 接口流轉，帶來巨大效率提升的同時，也產生了嚴峻的數據安全風險。基於對此背景，本文剖析教育行業面臨的 API 安全挑戰，採用一種 AI 賦能、一鍵部署、智能化的 API 安全解決方案實踐，並通過典型高校案例展示實際落地效果：該校在部署後 3 個月內累計捕獲風險事件 121

人工智能

fabarta 頭像

Fabarta - Cursor可控AI編程實踐：縮短交付週期，保障產品質量

導讀AI編程工具的興起讓開發效率有了質的飛躍，但很多開發者在使用過程中會發現一個問題：AI生成的代碼往往與現有項目的技術棧、編碼規範不匹配，需要大量的手動修改，開發效率拖了後腿。如何讓AI按照我們的意圖和規範來編寫代碼？這就是"可控AI編程"要解決的核心問題。 通過Cursor可控AI編程技術，我們大幅提升了開發效率，同時確保了產品的高質量和可靠性。本文將展示這一技術如何為企業創造實際價

編程 , 人工智能 , 深度學習

JavaEdge 頭像

JavaEdge - 你的JAR包放對了嗎？​​後端開發必知的Linux目錄規範

本文已收錄在Github，關注我，緊跟本系列專欄文章，咱們下篇再續！ 🚀 魔都架構師 | 全網30W技術追隨者 🔧 大廠分佈式系統/數據中台實戰專家 🏆 主導交易系統百萬級流量調優 車聯網平台架構 🧠 AIGC應用開發先行者 | 區塊鏈落地實踐者 🌍 以技術驅動創新，我們的征途是改變世界！ 👉 實戰乾貨：編程嚴

yyds乾貨盤點 , 文件系統 , jar , 應用程序 , 人工智能 , 深度學習

u_17562481 頭像

思考的袋鼠 - 精確的動態聯動閉環醫療數據庫審計和監測方案

概要： （提示：本章節概述方案整體價值，強調數據化落地與可視化管理成果。） 在醫療行業數字化和智能化進程加速的背景下，醫療數據庫安全面臨前所未有的挑戰。患者身份信息、病歷記錄、影像數據、檢驗結果、處方信息及支付交易數據等構成了醫療機構最核心的數據資產，其敏感性和價值均極高。一旦泄露或被篡改，不僅可能引發嚴重的隱私和法律風險，也會影響醫院的運營和公眾信任。針對這一行業痛

字段 , 數據庫 , 數據庫安全 , 人工智能 , 深度學習

u_16060192 頭像

HyperAI超神經 - 在線教程丨目標檢測邁入「全局感知」時代：清華大學等發佈 YOLOv13，實現速度、精度雙突破

在自動駕駛、工業質檢、安防監控等需要「毫秒級反應」的應用場景中，實時目標檢測始終是一條極具挑戰的技術賽道。過去十年裏，YOLO 系列憑藉輕量高效的架構成為該領域的主流方案，從最初的 YOLO 到近年的 YOLOv11、YOLOv12，模型不斷在速度與精度之間尋找新的平衡點。 不過，即便進化多次，YOLO 系列的底層機制依舊面臨共同瓶頸： 要麼像卷積那樣只能在固定感受野內做局部聚合，要

卷積神經網絡 , 人工智能 , 計算機視覺 , 實時目標檢測

u_16018702 頭像

架構師李哲 - 大模型微調有必要做嗎？全參數微調、LoRA還是RAG？看完這篇你就懂了

在人工智能迅猛發展的今天，大型語言模型已成為解決各類問題的強大工具。但當您想要打造一個真正理解所在行業、掌握專業知識的大模型時，總會面臨一個關鍵問題：如何用最小的成本、最高的效率，讓通用模型變得"專業"？ 這就像把一位通才培養成領域專家——選對方法，事半功倍。這正是LLaMA-Factory Online要解決的核心問題——通過智能化的微調，讓每個團隊都能輕鬆駕馭大模型適配

實時更新 , 數據 , 人工智能 , 深度學習 , 迭代

u_16827017 頭像

全棧技術開發者 - 矩陣和線性變換怎麼理解？矩陣與線性變換的關係究竟是什麼？一個矩陣如何對應到具體的變換？特徵向量和特徵值的意義是什麼？

在現代數學的研究中，線性代數佔據着核心位置，它不僅是純數學的重要組成部分，也是物理學、工程學、計算機科學等學科的基礎工具。矩陣與線性變換作為線性代數的核心概念，具有深厚的理論內涵和廣泛的應用價值。矩陣的排列和運算規則表面上似乎只是數字的組合，但其內在體現的是對向量空間結構的精確描述；而線性變換則揭示了向量空間中元素之間的映射規律，是代數與幾何之間的直接聯繫。 理解矩陣與線性

機器學習 , 線性變換 , yyds乾貨盤點 , 特徵值 , 向量空間 , 人工智能 , 線性代數

u_17583190 頭像

fangpin - 從0到1：揭秘LLM預訓練前的海量數據清洗全流程

讀完這篇文章，你將用監督微調（SFT）把一個 1.5B 規模的數學模型在 GSM8K 上的零樣本推理正確率從 1.56% → 62.9%，同時把輸出格式遵循率從 18.9% → 100%。我們將完整走通數據集下載、Prompt 架構、訓練配置和評估方法，所有代碼均來自本倉庫 alignment 文件夾，保證可復現與透明。 本文將深入剖析 llm-from-scratch

lua , 人工智能 , 深度學習 , Json , Python

u_16970152 頭像

求知上進 - 使用 Python 打造細胞結構探索遊戲：細胞探秘

技術準備 在開始編碼之前，我們需要準備開發環境和相關工具。以下是開發 細胞探秘 所需的技術棧和資源。 1. 技術棧 編程語言：Python 3.x（推薦 3.8 或更高版本）。 核心庫： random：生成隨機事件，如細胞突變或任務生成。 time：控制遊戲節奏和實驗時間。 json：保存和加載遊戲狀態。

遊戲開發 , 初始化 , Nu , Json

u_17580222 頭像

mb691327edb400f - AI 智能體

AI重塑人才選拔：效率與精準的雙重革新 人才選拔賽道的競爭日趨激烈，招聘官深陷堆積如山的簡歷與密集的面試流程，卻仍面臨核心人才難尋、面試主觀性強、招聘成本高企的困境。當HR團隊疲於應對初篩與基礎面試時，企業正為這些低效流程承擔高昂代價。 艾瑞諮詢數據顯示，AI技術已貢獻HR SaaS市場60%的價值，其中個性化評估是核心應用場景。這場技術革命正從培訓領

上傳 , 人工智能 , 深度學習 , 應用場景 , 解決方案

u_16349720 頭像

短短同學 - 對象住哪裏?——深入剖析JVM內存結構與對象分配機制

對象住哪裏？—— 深入剖析 JVM 內存結構與對象分配機制 在 Java 程序運行時，我們創建的每一個對象（如new User()）都需要佔用 JVM 內存，但這些對象究竟 “居住” 在哪個內存區域？為何有的對象很快被回收，有的卻能長期存活？要解答這些問題，必須先理清 JVM 的內存結構劃分，再深入對象從創建到銷燬的全生命週期分配邏輯 —— 這不僅是面試高頻考點，更是理解

User , jvm , 人工智能 , 深度學習 , 常量池