「鸡蛋返生」美国早就在搞了吧!

Basilisk vs. STK:开源航天仿真工具在Windows上的实战体验与生态对比 本文对比了开源航天仿真工具Basilisk与商业软件STK在Windows平台上的实战体验与生态差异。从技术架构、安装配置、使用成本、功能覆盖、社区生态到适用场景,全面分析了二者的优劣势,为航天工程师和研究人员提供选型参考。Basilisk在性能和扩展性上表现突出,而STK在可视化与专业模块上更具优势。 阅读详情
点击“开发者技术前线”,选择“星标”
让一部分开发者看到未来

来自:量子位

编辑:可可

本来以为「鸡蛋返生」这种荒谬至极的事,上一次热搜也就过去了。

但万万没想到,这两天的后续,一次又一次震碎我的三观。

论文曝出以后,当事人郭某几次回应都坚持自己没错:熟鸡蛋返生了,小鸡也孵出来了,甚至孵出的小鸡都开始下蛋了….

更离谱的是,最新一次回应中,郭某又郑重其事地说,实验是用了时光倒流的原理,绝无作假。

而且人体实验正在进行中。

△图中未打码者即为当事人

What???!!!

爱因斯坦见了恐怕都要直呼内行。

虽然「鸡蛋返生」乍一听荒诞离谱,但它确实也算一个生物学课题,而且不光国内有人搞,美国也有人在研究这个事儿,还……获了奖。

正经人谁研究「鸡蛋返生」啊?美国:正是在下

喏,就是这个白人老头,他带队成功把煮熟的蛋白变回蛋清。

△ 让“鸡蛋返生”的Colin Raston教授

这项研究课题其实叫变性蛋白质重折叠。

具体做法,是把把煮熟的鸡蛋白放进90°C热水中:

然后滴入“神秘药剂”:

一阵震荡、离心操作后,已经凝固的蛋白,竟然开始溶解了!

变魔术一般…鸡蛋返生了~

成果出来后,获得一片惊叹。后来还获得了搞笑诺贝尔奖,奖金10亿津巴布韦元(大约2美元)。

当时的颁奖词是Raston教授和他的团队成功发现了一种将煮熟鸡蛋返生的办法。

这项研究获奖后,Raston教授所在的大学还专门转载这一消息,并且评论说:

这种技术对全球制药行业的生产方式创新具有重大意义,而且已经用在了快速生产利多卡因(一种麻醉剂和抗心律不齐的药物)上。

但是,熟鸡蛋白变回蛋清这种事,魔幻程度听上去一点不比“熟鸡蛋孵小鸡”弱好么。但怎么好像特别正经的样子。

所以,美国搞的「鸡蛋返生」到底正经在哪啊?

别笑,人家是正经研究

这项由美国加州大学尔湾分校、澳大利亚弗林德斯大学一同进行的研究,发表在正规学术期刊Chembiochem上。(而郭某的论文,据她本人所说是花了六七百块投稿的,而且是由“朋友”代写。)

具体是找到一种方法,把已经变形失活的蛋白质分子恢复到原先的空间构型。

团队先把煮熟的鸡蛋切成小块,然后加入尿素,原本乱成麻的蛋白质结构便又被打散了。

肉眼看到的就是固体的鸡蛋白变成悬浊液,然后把悬浊液溶入水中。接下来,把尿素和蛋白质的液态混合物放了进去,在一种一种旋涡流体装置中以每分钟5000转的速度转了5分钟。

高转速下,蛋白质结构就会发生变形,此时产生的剪切应力就能把折叠的蛋白质扯开。

△研究人员使用了一种旋涡流体装置(a)

最终科学家通过检测发现,他们恢复了鸡蛋中其中一种蛋白质85%的结构,也就是说恢复了活性。

不过这样一来,鸡蛋都被打碎了,断无孵出小鸡的可能。

但研究的意义和目的也只是在于重构蛋白质活性,而非把熟鸡蛋变生鸡蛋。

这项技术一旦投入实际应用,将能低价、快速地从一些常见的细菌中再生成蛋白质,这些蛋白质能用于生产抗癌药物,并大大降低治疗癌症的费用。

只不过在论文摘要中,研究人员使用了“Uncooking an egg”(熟鸡蛋返生)这样形象幽默的词语。

别人治疗癌症,她要起死回生

遗憾的是,美国团队使用的“炼金”方法,最终只停留在了蛋清阶段,没能成功孵化小鸡。

同样是「鸡蛋返生」,郭某用的“时光倒流”原理,可以说从概念到结果,都比美国人领先一个时代。

祝贺郭某解锁“反复震碎国人三观”成就同时,顺便实现对美“弯道超车”。

但玩笑归玩笑,科学和伪科学还是有本质不同的。

首先,美澳科学家是把蛋清中的部分变性的蛋白质的结构恢复,并使其恢复了大部分活性。

而郭某等人是声称把整个熟鸡蛋(包括蛋清和蛋黄)恢复了活性,而且还孵出了雏鸡。

前者只是对物质分子结构层面的部分操作,后者则是对生命和灵魂的拯救,属于魔法和神学范畴。

对了,郭某之前被披露出的身份,有一个是北京相对论联谊会河南站站长。

而这个“北相”,量子位昨天就深扒过,是国内民科的聚集地,尤其热衷时光倒流一类的话题。

所以这是郭某等人还站在了生物与物理十字路口?

但是,论文事件发酵后,连北相也出面跟郭某划清了界限。

看来,时光倒流起死复生的课题,对于一般民科来说,也实在太超纲了。

其次,美澳科学家采用的是物理和化学方式进行实验,而郭某等人是采用“超心理意识能量方法”,使煮熟的鸡蛋变成生鸡蛋并孵化小鸡。

这是方法论上的本质不同。

物理和化学的方法属于科学唯物主义,但“超心理意识能量方法”,其他人却永远不能得其奥秘。

再次,美澳科学家的研究是自始至终在同一实验室中完成的,时空连续性有保证,理论上存在复现的可能。

但郭某等人的研究,有时间和空间的分离和中断(挑选生鸡蛋是一个地方、让鸡蛋返生又是另一个地方,再送回挑蛋处进行孵化)。

研究的真实性难以保证,外界无法重复验证。

由此,我们强烈呼吁相关研究人员拿出更多真实可信的证据。

参考链接:
[1]https://en.wikipedia.org/wiki/List_of_Ig_Nobel_Prize_winners#2015
[2]https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4388321/

— 完 —

前线推出学习交流一定要备注:研究/工作方向+地点+学校/公司+昵称(如JAVA+上海+上交+可可),根据格式备注,可更快被通过且邀请进群

扫码加小编微信,进群和大佬们零距离

END

后台回复“电子书” “资料” 领取一份干货,数百面试手册等你

开发者技术前线 ,汇集技术前线快讯和关注行业趋势,大厂干货,是开发者经历和成长的优秀指南。

好文点个在看吧!

RD算法(一)初出茅庐 —— 算法原理 在《SAR成像概述》的第4节已经对各种SAR成像算法进行了一个简要的概述,本文就直接从RD算法讲起了。 阅读详情

相关推荐

宝塔面板+pbootCMS建站全流程:从服务器选购到上线优化(附常见问题排查)

本文提供了一份详尽的宝塔面板与pbootCMS建站实战指南。内容涵盖从云服务器选购、宝塔面板部署与安全加固,到pbootCMS安装、权限配置、数据库连接等核心步骤。同时深入讲解了PHP环境优化、Nginx伪静态设置、缓存开启等性能与SEO优化技巧,并附有常见问题排查与后期维护建议,帮助用户高效、稳健地完成专业网站构建。

e4f5g6h的博客 661

「鸡蛋返生」美国早就在搞了好吧

贾浩楠 明敏 发自 凹非寺量子位 报道 | 公众号 QbitAI本来以为「鸡蛋返生」这种荒谬至极的事,上一次热搜也就过去了。但万万没想到,这两天的后续,一次又一次震碎我的三观。论文曝出以...

量子位 2531

Dr_can Kalman Filter学习笔记(一)

本文是在b站Dr_can的卡尔曼滤波课程学习过程中的学习笔记

苏大侠的博客 1054

最大民科组织被取缔,鸡蛋返生、推翻相对论、量子速读都是他们干的

点击上方“视学算法”,选择加"星标"或“置顶”重磅干货,第一时间送达梦晨 发自 凹非寺量子位 报道 | 公众号 QbitAI据媒体中新网报道,“熟鸡蛋返生”论文关联的非法社...

zandaoguang的博客 148

ST-LINK调试原理与STM32硬件连接实战指南

嵌入式调试器是连接开发环境与物理MCU的核心枢纽,其本质是基于ARM CoreSight架构的实时硬件观测与控制接口。它通过JTAG或SWD协议访问内核寄存器、内存及外设,实现断点、单步、内存监视等深度调试能力,远超简单程序烧录功能。ST-LINK作为主流ARM Cortex-M调试器,支持SWD(2线)与JTAG(多线)双模式,在电平匹配、复位控制、引脚复用规避等硬件层面临关键工程约束。掌握VREF参考电压配置、nSRST硬复位接线、调试引脚隔离策略及Keil MDK调试会话配置,是保障STM32稳定联机

weixin_42596214的博客 313

VXLAN技术详解

VXLAN(虚拟可扩展局域网)是一种Overlay二层虚拟化技术,通过MAC-in-UDP封装在IP网络上构建大规模虚拟二层网络。核心组件包括VTEP(隧道端点)、24位VNI(支持1600万个虚拟网络)和VXLAN网关。相比VLAN,VXLAN具有超大规模扩展、跨三层互联、支持虚拟机无缝迁移等优势,适用于云数据中心多租户隔离、跨数据中心互联等场景。其基于IP路由的封装方式无需改造物理网络,为现代云网络提供了弹性、安全的虚拟化解决方案。

kjkdd的博客 597

经纬管网三维建模系统MagicPipe3D V3.8.2发布,支持PBR材质导出

经纬管网建模系统MagicPipe3D,基于二维矢量管线管点数据本地离线参数化构建地下管网三维模型(包括管道、接头、井篦、附属设施等),输出标准3DTiles、Obj模型等格式,广泛支持Cesium、Unreal、Unity、飞渡科技等引擎加载进行三维可视化、语义查询、专题分析!详见:https://blog.youkuaiyun.com/Giser_3D/article/details/154820844?"1、支持Pbr材质,可以设置粗糙和金属系数",

专注空间智能,构建梦幻之城 51

BunkerWeb 开源 WAF/WAAP 实战:基于 Nginx 的 Web 安全防护部署指南

Web 应用暴露在公网后,SQL 注入、XSS、恶意爬虫与 CC 攻击等威胁接踵而至,仅靠业务代码自建防护很难覆盖层出不穷的攻击变种。WAF(Web 应用防火墙)将安全能力前置到流量入口,成为收敛攻击面的关键手段;而更进一步的 WAAP 则扩展至 API 场景,覆盖防爬、限流与 Bot 识别。BunkerWeb 作为一款基于 Nginx 构建的开源 WAF/WAAP,在保留 Nginx 高性能底座的同时,通过模块化设计集成规则引擎、频率限制、IP 封禁、自动 HTTPS 等能力,并借助 Docker 容器化

weixin_34198881的博客 357

【3D仿真数据集】从“能生成”到“能用”:面向工业仿真的3D资产自治自愈流水线全链路落地

AI生成的GLB、URDF、3DGS资产普遍存在原点偏移、法线反转、贴图失效、关节超限、渲染瑕疵等天然缺陷,导致“生成一百个,能用不到一半”。通过离线入库预检 + 运行时动态自愈双层防护体系,实现多格式资产(GLB/URDF/SPZ)自动化质检、缺陷修复、全链路溯源、故障沉淀、评测基准自生长,真正解决「AI生成3D不可用、仿真易崩坏、人工治理成本高」的行业痛点。缺少一套覆盖多资产格式、事前+事后双层防护、可自治巡检、可自愈修复、可沉淀评测基准的完整3D生产流水线。

weixin_67195547的博客 642

如何加快香山处理器Chisel->Verilog编译速度

相比使用默认的scala firrtl complier,使用CIRCT能够将香山代码编译到Verilog的速度提高50%左右。在执行make命令时加上MFC=1,例如make verilog MFC=1或make emu MFC=1。在本地从源码编译CIRCT,在编译完成后将circt/bin路径加入PATH中。使用GraalVM免费版作为JVM编译香山比OpenJDK快10%-20%。我们推荐使用GraalVM代替OpenJDK。使用CIRCT编译香山。

专业技术人员的归宿 867

ADB加密实例

主要介绍如何给adb命令增加加密访问

四儿家的小祖宗的博客 2912

Cesium 建筑单体化、3DTiles 分类、楼层显隐、分户高亮(BIM + 倾斜孪生高频)

拿到 batchId,读取 BatchTable 里面的名称、面积、户主、房间用途,弹出信息面板,孪生项目标配。Revit 导出 3DTiles 常用工具:FME、CesiumLab、ifc2tiles;扩展业务:做多层勾选(多选楼层),shader 里面用。,否则 BatchTable 为空,前端无法筛选。很多人单体化失败就是字段名大小写不匹配。直接丢弃不在目标楼层的片元;

On the way 233

【人工智能】RAG如何根据实际需求选择和进行文档解析(如 PDF、Word、TXT、网页等)?

文档解析的核心在于根据解析目标、文档类型和处理量选择合适工具。PDF、Word、TXT和网页各有特性:PDF需区分可编辑与扫描版,Word需处理结构化内容,TXT简单但需注意编码,网页需应对动态内容。解析场景包括提取纯文本、结构化数据、保留格式和批量处理。非技术用户可借助工具如Adobe Acrobat、WPS和在线OCR,技术用户可通过编程实现自动化。通用流程为:明确目标、分析文档属性、选择工具并测试优化。核心是“工具适配需求”,无需追求万能方案。

奶爸的编程之路,也就一周冷个三天 510

虚拟仿真实训基地的技术实现路径:从3D采集、资源库到仿真平台的完整链路

本文提出“五段式”虚拟仿真实训链路——采集、建模、资源、平台、展示,破解职业教育实训资源持续产出难题。通过设备选型、AI建模、统一管理与过程留痕,实现教学资源标准化、可复用、可更新。强调元数据规范、轻量化处理与验收指标,避免“只采不建”“仿真脱节”等五大工程陷阱,确保基地长效运行,支撑岗位技能对接与教学改革。

Jmyd0123的博客 373

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

单细胞免疫组库分析3:从 scBCR-seq 序列到 3D 结构-IgFold 与 PyMOL 全流程深度解析

本文手把手教程基于scBCR-seq数据,利用IgFold预测抗体Fv区三维结构,并结合PyMOL完成从序列着色、CDR注释到氢键网络可视化与SCI级高颜值出图的全流程。重点解决Windows下IgFold安装难题,通过Annotate_v插件精准标注互补决定区,借助界面分析与半透明表面渲染,实现抗体-抗原结合位点的精细解析,助力免疫学研究与高水平论文发表。

三兔测序学社的博客 322

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

陕西园区 IBMS集成 3D 数字孪生平台DDC楼宇自控:和 IBMS 有什么区别

交通枢纽是最考验“空间感”的建筑:航站楼、换乘通道、行李系统、机房、管廊,动辄几十万平方米,设备藏在吊顶里、竖井里、夹层里。映射关系是核心工作:每一个点位要绑定到模型里的对应设备或空间,比如“三层东区 AHU-3-2 送风温度”要落到那台机组的三维位置上。培训价值:新员工在模型里熟悉设备位置与系统关系,比翻图纸、跑现场快得多,尤其适合人员流动大的物业。模型与台账同步:设备更换后模型与档案一起更新,否则三维画面会逐渐“失真”,一年之后没人敢信它。可分期建模:先做重点区域与关键系统,再逐步补全,不必一次做完。

y_a_c_h_u_a_n的博客 195

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

AI生成的3D场景只想改一处,用重新生成、自然语言编辑还是DCC手修?按5类改动选

AI 生成的 3D 场景出现问题后,该重新生成、用自然语言编辑,还是进入 Blender 手修?本文从错误范围、精度要求、依赖关系、回退能力和目标端验收五个角度判断,针对整体体量、局部造型、重复部件、拓扑与 UV、绑定与制造结构给出选择矩阵,并用三轮小样验证方法,帮助创作者控制返工成本。

Solange__的博客 501

3D建筑导出后总绕错位置旋转?用5步检查原点、放置锚点与交付范围

3D 建筑导出后绕错位置旋转、放置偏移或缩放离地,未必只是原点设置错误。本文区分对象原点、操作枢轴与放置锚点,通过冻结交付范围、检查锚点、追踪父级变换、执行三类操作测试,以及源软件、空场景回读和目标端核对,定位首次出现差异的环节,并提供最小交付记录表,避免用拖动补偿掩盖坐标问题。

Martina_0321的博客 343

AI建筑白模交给客户、设计师和开发者,网页链接、GLB还是DCC源文件怎么选?

AI 建筑白模交给客户、设计师和开发者,不宜只发同一种交付物。本文按接收任务区分网页评审副本、GLB 等轻量交换文件和 DCC 源工程,分别说明版本定位、单位轴向、对象映射、材质依赖与编辑上下文的验收方法,并介绍如何从同一审核母版派生成果,避免多版本失配。附交付对照表与检查清单,明确 “能查看”“能集成”“能继续编辑” 的区别,以及白模不能替代正式工程资料的边界。

Solange__的博客 271

百炼 CLI 生成物流主题 3D 视觉概念图教程:一个关键词出主视角/鸟瞰/特写/风格变体一套图,含默认开关与水印坑实测

做物流投标配图、方案配图的人经常遇到同一个需求:手里只有一个关键词,交付物却是一整套 3D 视觉概念图。本文以「无人仓储中心」为例,用百炼命令行的两条命令搭一条两段式生图链路,一个关键词产出主视角、鸟瞰、设备特写与风格变体成套图,并把四条可选路线的等待时间、画面文字注入情况和成套一致性一次测完,给出可直接抄的接法与参数。

weixin_43540568的博客 112

机器视觉 3D 相机与机器人引导全解析:四大成像原理、手眼标定与七步落地流程

3D 视觉的精度上限,80% 取决于。

2501_94699871的博客 226

项目选型 3D 相机推荐:光学体制匹配与视锥核算实战指南

项目选型 3D 相机推荐的第一决策变量不是分辨率或标称精度,而是。工程实测表明,抛光金属件评估 450nm 蓝光激光振镜体制,利用窄带滤波从物理层切除镜面反射过曝;深筐大件则必须按“最远工作距离下的 Z 向重复精度”反向倒推视锥覆盖,而非先选相机再看视野是否“差不多够用”。光学体制选错导致的点云缺失,后续任何算法都无法补全。

加搜科技观察 372

OpenViking 上线原生 3D 内容理解模型

OpenViking 作为业内首个理解三维世界的 Agent 上下文数据库产品,后续将陆续支持dxf、iges、sldprt、sldasm 等更多格式的导入与理解。现在接入,后续上线无需额外操作,即刻使用。🚀上手试用,前 50 文档免费🌟 开源 OpenViking:访问GitHub 仓库,为我们点亮一颗 Star!❓三分钟测出你是哪种 Agent 饲养员选择属于你的 OpenViking。

bytedanceospo的博客 227

考古遗址怎么用AI生成3D分期复原?从证据台账、构件白模到网页时间轴

考古遗址的复原画面完整,不代表历史证据完整。本文介绍从资料授权、证据台账、现状白模到分期方案和网页时间轴的工作流程,区分现存事实、学术推断、教学简化与艺术想象,说明如何用稳定构件 ID 和版本映射避免阶段错绑,并提供三轮审核与上线清单,让 AI 辅助生成的候选可追溯、不确定性可辨识。

Solange__的博客 537

连锁门店方案怎么用AI生成3D预演?从需求表、空间白模到网页评审

连锁门店如何用 AI 辅助比较布局,并让品牌、运营与设计团队在线评审?本文从需求表和场地底稿出发,介绍双尺寸核对、区域与设备编号、固定观察点,以及从审核母版派生网页轻量版的方法,并通过品牌运营、空间资料、网页权限三轮审核保持版本对应。AI 用于生成候选与辅助表达,网页用于沟通方案,两者都不能替代现场测量、专业设计及工程审核。

Solange__的博客 473

把品牌官网做成一个 3D 世界:scroll-world

你向下滚动鼠标,画面里的镜头开始往前飞——先掠过一栋小楼的外立面,然后穿墙进入室内,扫过办公区,再从另一扇窗穿出去,平滑地落到下一个场景。整个过程没有黑屏、没有 loading、没有剪辑点,像一镜到底的电影镜头,而控制这个镜头的,就是你手里的滚轮。scroll-world 的画面是 AI 预先生成好的视频,滚动操作的是视频的播放进度(时间线),而不是实时驱动一个 3D 相机。这是效果上限最高的方式,但也是最贵的。如果你是对外交付的服务商,对客户报的是解决方案的价格,不是 API 的价格。

巽视达的专栏 611
上一篇: 知乎高赞:拼多多和国家电网,选哪个?
下一篇: 面试官为什么喜欢问 HashMap 和 ConcurrentHashMap ?
DevolperFront
博客等级 码龄8年 465粉丝 81原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值