以 AI 为帆，驶向 AI 原生企业

行云管理软件_ 行云管理软件_ 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 100+累计阅读 161平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄100天
关注
原创 2026-09-12 16:03:38 161 阅读 AI 写同款· GEO 优化 ›
MuleSoft+LangChain企业级AI编排实战：让大模型走进真实业务流水线 AI编排（AI Orchestration）是企业将大语言模型深度融入现有IT系统的关键技术路径，其核心在于协调异构数据源、统一身份认证、保障事务一致性与满足合规要求。不同于纯LLM微服务，它强调在真实生产环境中处理OAuth2.0令牌续期、Salesforce JWT解析、多系统分布式事务等工程约束。技术价值体现在降低AI落地门槛、复用已有ESB/集成资产、实现Prompt动态组装与敏感数据运行时脱敏。典型应用场景包括销售智能助手、客服话术生成、合同风险分析等需跨SAP/Salesforce/Oracle 阅读详情

金蝶AI · ENTERPRISE AI WORKSHOP

金蝶灵基进万企Workshop

从超级个体，到超级组织

📍 顺德站 · 2026年9月10日

新一轮AI变革正在重塑商业逻辑，这场变革既深刻影响企业发展，也对职场中的个人认知提出全新挑战。过去依赖少数精英的"超级个体"模式，已难以应对快速变化的市场。

9月10日，由佛山市行云管理软件有限公司主办的"金蝶灵基AI进万企·Workshop"顺德站圆满举办。本次培训融合理论筑基与实战共创，帮助企业同步实现认知升级，掌握日常业务提效、核心场景AI赋能的落地方法，共同见证AI原生企业架构师启航。

图片

▲ "灵基进万企·Workshop"顺德站全体学员合影

· · ·

开班寄语

OPENING REMARKS

活动伊始，金蝶核心伙伴佛山市行云管理软件有限公司总经理周祯先生发表开班寄语，围绕企业AI转型的时代命题，与在场学员分享了核心洞察。

图片

▲ 行云公司总经理周祯先生发表开班寄语

① AI不是选择题，而是生存赛

生成式AI正以不可逆转之势席卷千行百业，它不是要不要做的"选择题"，而是如何做好的"生存赛"。AI真正的价值，不在于技术本身的炫技，而在于技术与业务场景深度融合后所释放出的巨大生产力。真正决定企业胜负的，不是谁先拥有AI，而是谁能让AI在业务中落地生根、开花结果。

② 三位一体：场景为根，数字化为脉，AI为魂

企业要真正迈向AI原生，不能靠单点工具堆砌，而需要建立系统的认知框架——

场景为根

脱离场景谈AI，如同无源之水

AI落地必须从真实业务痛点出发，找到能切实降本增效、创造价值的具体场景，让每一个AI应用都长在业务的土壤里。

数字化为脉

没有数字化的AI，如同沙上建塔

数据是AI的养料，流程是AI的经络。只有完成了业务流程的数字化、数据资产化，AI才能"有米下锅"、有章可循。

AI为魂

AI是驱动进化的灵魂引擎

AI不是简单叠加在数字化之上的工具，而是重塑业务模式、重构组织能力的灵魂力量，让企业从"数字驱动"进化为"智能驱动"。

③ 金蝶灵基AI：企业的AI操作系统

金蝶打造的"灵基AI"定位为企业AI操作系统，不仅提供强大的AI能力底座，更通过"小开发、小工作、小管理"三大应用矩阵，让每一位员工都能与AI共舞，构建碳基（人）与硅基（AI）人机协同的全新工作方式。

"以场景为锚，以数字化为舟，以AI为帆，
让我们一起驶向AI原生企业的新彼岸！"

· · ·

理论筑基篇

THEORY FOUNDATION

🧠

认知升维：从超级个体，到超级组织

图片

▲ 认知升维：从超级个体，到超级组织

课程开篇即抛出核心命题：AI的上半场创造超级个体，下半场将创造超级组织。

过去，企业依赖少数"能人"——那些精通Excel公式、擅长写报告、记忆力超群的"超级个体"来支撑关键业务。但在AI时代，一个人借助AI工具可以完成过去三到五人的工作量，个体能力被急剧放大。然而，仅仅停留在"超级个体"阶段远远不够，当每个人都拥有AI助手，如果组织流程、协作模式没有同步升级，反而会产生新的效率损耗。

真正的AI原生企业，是让AI能力渗透到组织的每一个毛细血管：从一线员工的日常操作，到中层管理者的决策支持，再到高层的战略洞察，形成"人人会用AI、事事皆有AI、流程内嵌AI"的全新组织形态——这就是"超级组织"。

💡 核心洞察

• 对个人：需要完成认知升维——从"我来做"到"我指挥AI来做"，从执行者升级为AI的"指挥官"和"训练师"。

• 对企业：需要系统性构建AI能力——从工具采购升级为组织能力重塑，打造属于自己的AI原生架构。

· · ·

实战共创篇

HANDS-ON CO-CREATION

理论学习之后，全天最"硬核"的实战环节正式开启。学员们自带电脑、分组协作，在讲师带领下围绕日常提效与业务重塑两大篇章步步深入，亲手操作灵基AI的每一个核心场景，让AI从"概念"变成"手感"。

图片

▲ 学员们现场实操，边学边练

实战共创篇 · 上 

⚡ 效率觉醒：日常业务AI提效实战

从每一位员工最熟悉的日常办公场景切入，让学员亲手体验AI如何让繁琐事务"秒级完成"，真正实现"灵基一动，工作轻松"。

1、灵基会议日程协同办公

AI自动整理会议纪要、智能分配待办任务、自动同步日程提醒，让会后跟进不再遗漏，跨部门协同效率翻倍。

2、灵基智能汇报与PPT生成

一句话输入主题，AI自动梳理汇报框架、生成精美PPT，支持数据自动填充与图表智能匹配，告别熬夜做汇报。

3、灵基Skill高质量编写

学习如何写出高质量的AI提示词（Skill），掌握与AI高效对话的"密码"，让AI输出结果更精准、更贴合业务需求。

实战共创篇 · 下

🔄 业务重塑：企业核心业务场景AI赋能

从个人效率跃升进入深水区，聚焦企业真实业务场景，现场演示五大核心AI应用，让学员亲眼见证AI如何重塑业务流程。

1、一句话提单，50秒完成报销

员工只需用自然语言描述报销事项，AI自动识别发票信息、匹配费用类型、生成报销单并提交审批，全程仅需50秒，彻底告别贴票填单的烦恼。

2、一个商机表单的诞生：灵基Build

业务人员无需编写代码，用自然语言描述需求，灵基Build即可在几分钟内搭建出完整的商机管理表单与流程，真正实现"业务即开发"。

3、从客户PO到回款催收：灵基AI销售

AI全流程跟进销售订单：自动识别客户PO、跟踪发货进度、智能提醒应收账款、生成催收话术，让销售回款周期显著缩短。

4、自然语言驱动数据高效决策：超级分析智能体

管理者只需用自然语言提问（如"本月华南区毛利率同比变化？"），超级分析智能体立即调取数据、生成分析图表、输出洞察结论，让数据决策零门槛。

5、提升经营判断与行动效率：CEO办公室

为企业高层打造的AI经营驾驶舱，一键生成经营周报、智能预警经营风险、辅助战略决策，让CEO随时掌握企业脉搏，快速做出精准判断。

图片

▲ 全天Workshop现场，学员投入度拉满

· · ·

为何而来，带走什么

WHY & IMPACT

🎯我们为什么做这场Workshop？

在服务企业数字化转型的近二十年里，我们见过太多企业在AI浪潮前的焦虑与迷茫：有的买了一堆AI工具却无人会用，有的让IT部门"单枪匹马"推动AI却业务部门不买账，还有的在纷繁的AI概念中找不到真正适合自己的切入点。

我们深刻认识到，企业AI转型不是靠买一套软件、听一场讲座就能完成的。它需要认知的转变——让管理者真正理解AI的价值逻辑；它需要手感的建立——让员工亲手用AI解决自己工作中的真实问题；它更需要方法的沉淀——让企业找到从0到1、从1到N的落地路径。

因此，我们没有做一场"高高在上"的技术论坛，而是选择了Workshop这种"理论+实战+共创"的形式，把讲台变成操作台，把听众变成参与者，让每一位来到现场的学员，都能带着真实的AI体验、清晰的落地思路、可复用的方法工具回到企业，真正成为AI转型的"火种"。

✨这次活动，将为企业带来什么？

一场Workshop的结束，不是终点，而是企业AI原生之旅的起点。我们相信，这次活动将在以下四个维度为参与企业带来深远影响：

🧭

认知破局

管理者建立对AI价值的系统性认知，从"观望"转向"行动"，明确AI转型方向

🛠️

方法落地

掌握可直接复用的AI工具使用方法与场景落地框架，回去就能上手用

👥

种子人才

为企业培养首批"AI原生企业架构师"，形成内部AI推广的骨干力量

🤝

生态圈层

加入金蝶AI学习社群，与同行持续交流AI落地经验，获取长期进阶支持

灵基一动，工作轻松

AI的浪潮已经到来，它不会等待每一个观望者。从超级个体到超级组织，从认知升维到实战落地，"灵基进万企·Workshop"顺德站已经迈出了坚实的一步。

未来，行云将继续携手更多企业，深耕AI场景落地，助力万千企业完成从"数字化"到"智能化"的关键一跃，共同成为AI原生时代的领跑者。

下一站，我们期待与你相见！

灵基进万企 · 让AI落地每一家企业

关 于 我 们

佛山市行云管理软件有限公司，是金蝶铂金级代理服务商及核心战略合作伙伴。公司专注数字化转型服务，为大型集团、国企事业单位及中小微企业，提供全周期、一体化的数字化管理解决方案。

依托金蝶全系AI级SaaS及PaaS核心产品，包括金蝶AI苍穹、金蝶AI星瀚、金蝶AI套件、金蝶AI星空、金蝶AIHR、金蝶AI星辰、精斗云、我家云、云之家协同及灵基AI操作系统等，公司构建了覆盖营销、研发、财务、供应链、生产制造、人事、资产、物业、AI智能应用的全业务服务体系，可提供方案定制、系统部署、二次开发、培训赋能、全年运维的一站式全链条服务。

公司拥有50+资深技术团队，具备十余年行业服务经验，精准把握佛山5区及大湾区制造、商贸、服务、国资集团企业的管理痛点。目前已服务超3000+家企业，成功落地业财一体化、数据可视化、流程自动化等数字化项目，帮助企业整体运营效率提升30%以上。同时依托金蝶AI苍穹平台，金蝶灵基AI操作系统，提供智能分析、经营预测、风险预警等AI增值服务，助力企业智能升级、降本增效。

未来，公司将持续深化金蝶生态战略合作，坚守“专业、高效、创新”的服务理念，持续精进技术与服务能力，深耕大湾区数字化市场，致力成为佛山5区及粤港澳大湾区企业数字化转型的优质首选伙伴。

标签
#人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
AISMM认证与NIST AI RMF 2.0：构建可信AI的成熟度模型与评估体系 在人工智能（AI）系统日益普及的今天，如何确保其安全、可靠、公平地运行，已成为技术界和产业界共同关注的核心议题。这涉及到从算法原理到工程实践的全方位治理，其关键在于建立一套系统化的风险管理框架。NIST AI RMF 2.0正是为此而生的国际权威框架，它通过治理、映射、测量和管理四大功能，为AI全生命周期风险管控提供了结构化方法论。其技术价值在于将抽象的伦理原则转化为可操作的管理动作，帮助组织在创新与风险间取得平衡。应用场景广泛覆盖金融、医疗、自动驾驶等高可信要求领域。本文聚焦的AISMM（AI原生软件研发 阅读详情

相关推荐

智能重塑连接：AI原生互联网的范式革命与未来十年

AI原生互联网正通过重塑架构、交互、内容与智能范式，深刻变革产业生态并引领下一代数字文明，同时也带来了机遇、风险与治理挑战。

maqh_csdn的博客 1520

端到端自动驾驶：颠覆传统架构，驶向AI原生驾驶时代

输入传感器原始数据（如摄像头视频流），直接输出车辆控制信号（如方向盘转角、油门刹车）。它用一个统一的、通常是基于深度学习的模型，替代了传统架构中独立的感知、预测、规划、控制等多个模块。传统架构：感知（识别物体）→ 预测（判断动向）→ 规划（生成轨迹）→ 控制（执行指令）。链条长，误差易累积。端到端架构：原始数据 → AI大模型 → 控制指令。模仿人类“看到即行动”的直觉过程。💡小贴士：你可以把传统架构想象成一个分工明确的工厂流水线，每个工人（模块）只负责自己的部分；

960

告别手动标注！PDMS NakiToolkit插件安装与初体验：以Pipeline工具为例

本文详细介绍了PDMS NakiToolkit插件的安装与使用，特别是其Pipeline工具如何通过自动化标注和材料统计功能大幅提升三维工厂设计效率。从环境准备到实战演示，帮助工程师告别繁琐的手动标注工作，实现项目交付周期的大幅缩短。

weixin_30047059的博客 351

2025年智启原新：医药医疗器械企业AI原生转型报告200+份汇总解读|附PDF下载

原文链接：https://tecdat.cn/?p=40967数字化转型浪潮中，医药与医疗器械行业正经历着前所未有的变革。通过分析全球顶尖企业的战略布局、技术应用场景及组织变革路径，揭示AI原生转型的核心逻辑与实施框架（点击文末“阅读原文”获取专题报告合集PDF版本）。本报告汇总解读基于波士顿咨询公司（BCG）发布的《2025年智启原新：医药和医疗器械企业AI原生转型报告》及文末200+份行业研究...

拓端研究室TRL 357

Ubuntu新手必看：3种方法快速查看和编辑JSON文件（附jq安装指南）

本文为Ubuntu新手详细介绍了三种查看和编辑JSON文件的核心方法：命令行利器jq、灵活脚本Python以及直观的图形化编辑器（如VS Code）。文章重点解析了jq的安装与核心用法，并对比了各方案的优缺点，帮助用户根据快速查询、复杂处理或直观编辑等不同场景，选择最合适的工具，从而高效处理JSON数据。

weixin_29229989的博客 417

在 Kubernetes 上部署 Label Studio

Label Studio 是一款开源的数据标注工具，支持多种标注任务，如文本标注、图像标注、音频标注等。

啥都会一点 669

AI原生数据库浪潮：国产数据库的架构重构与路径之争

本文深入剖析了国产数据库向AI原生演进的底层逻辑与核心路径，理清了AI原生数据库的本质特征，区分了外挂式集成与内核级融合两种技术路线，并指出混合搜索能力才是衡量AI原生数据库的关键分水岭，而非单纯的向量检索支持。

搞定过：百亿级数据、万级QPS、零宕机、AI工业化。 500

半导体设备上位机开发：我的经验与新人指导

半导体设备上位机开发是一项复杂而富有挑战性的工作，需要扎实的技术基础和丰富的经验。如果你对半导体设备上位机开发感兴趣，欢迎随时与我交流，我会尽力帮助你！

qq_43518667的博客 2731

收藏！2025是智能体元年，2026大模型将驶向何方？

2025年，堪称智能体的“破土之年”——年初DeepSeek等模型掀起技术热潮，下半年智能体应用便加速渗透各行业，短短一年时间，行业竞争就从“参数规模的军备竞赛”，悄然转向“场景落地的价值比拼”。对于深耕大模型的开发者而言，这一年是技术沉淀的关键期；而2026年，智能体将迎来更成熟的蜕变，如同经过岗前培训的专业人才，褪去青涩后正式成为企业可规模化复用、能创造实际价值的核心生产力。

xxue345678的博客 1119

从SAS接口到InfiniBand：一张图看懂数据中心硬件‘黑话’（SFF-8643/8644、QSFP112、NDR/HDR/EDR）

本文深入解析数据中心硬件术语，从SAS接口标准（SFF-8643/8644）到速率标识（NDR/HDR/EDR），帮助工程师快速理解关键性能指标。特别对比了PCIe卡规格（HHHL/FHHL）和光模块选择（QSFP112/OSFP），并探讨InfiniBand在高性能网络中的优势，为硬件选型提供实用指南。

weixin_32103009的博客 432

Android SystemUI——自定义状态栏和导航栏（十二）

通过前面的文章内容，我们了解了Android系统原生的状态栏StatusBar和车载系统状态栏CarStatusBar的启动流程以及视图构建流程，这里我们来简单的看一下自定义状态栏和导航栏视图的实现流程。

小旭的专栏 2012

AI 时代：祛魅、适应与重新定义

AI固然很好，长远的未来我个人难以精准预判，不说其他行业，单拿我从事的开发领域举例，现阶段的 AI确实还没有完全做到从“'设计师”到 "工程师"再到“运维人员"的全能力覆盖。在AI的发展浪潮中，能够主动去学习、去适应就已经难能可贵，大家不必在这个过程中过于苛责自己，正如我前文所说，AI的进化才刚刚开始，很多你所企及不到的领域，隐形门槛已经把你挡在门外，单纯的焦虑毫无意义。当无数你我一般的普通人置身与大变局中时， 大多感受到的不是机遇 ，而是迷茫、无力与焦虑， 大浪淘沙，我们都是被时代裹挟的普通人罢了。

FWf4334f2的博客 203

VMware Horizon 8 2111 部署系列（十一）准备RDS主机

RDS (Remote Desktop Service)，即远程桌面服务。我们可以使用 Microsoft 远程桌面服务 (RDS) 提供 RDS 主机上的桌面会话并将应用程序传送给多个用户。

白昼的技术专栏 3471

全栈AI火力全开，“云智一体”为开发者凿开产业智能通衢

大家有没有发现一个现象，上云这场时代浪潮中，虽然载体是云，但决定了方向和路径的却是AI。最明显的，以AI能力著称的谷歌云、百度智能云等成为国内外崛起速度极快的两朵云。吸引AI开发者、增强A...

脑极体 498

YOLOv5源码逐行超详细注释与解读（3）——训练部分train.py

全网最详细的YOLOv5项目源码解读之训练部分train. py。全文近5万字！代码逐行注释，逐段讲解，小白入门必备！

路人贾的博客 3万+

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")

2026AI+产品创新峰会上海站圆满收官！

4月10-11日，2024 AI+产品创新峰会在上海成功举办。峰会以"智能重构产品 数据驱动增长"为主题，汇聚百度、阿里、腾讯、华为等头部企业专家，围绕12大主题论坛展开50+议题分享。主会场聚焦AI重构产品研发新模式，分论坛覆盖用户洞察、AgenticAI创新、具身智能等前沿领域。活动设置K+Talk交流、OpenClaw大赛等特色环节，吸引近千名行业从业者参与，共同探讨AI时代的产品创新与落地实践。

Keylink_con的博客 742

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

Chord - Ink & Shadow 与Dify集成：零代码打造企业级AI应用平台

本文介绍了如何利用星图GPU平台自动化部署🎨 弦音墨影 | Chord - Ink & Shadow镜像，并将其与Dify平台集成，实现零代码构建企业级AI应用。通过该方案，用户可快速搭建如智能周报生成、客服知识库问答等文本生成应用，大幅降低AI技术落地门槛，提升业务效率。

weixin_42598278的博客 346

android 蓝牙通讯demo

android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

蚂蚁数科的AI深潜与RWA远航

在数据层面，蚂蚁数科推出面向长思维链数据的特色服务，具备长思维链数据的合成改成、智能标注等核心能力，可以帮助企业构建行业推理模型，从而大幅提升智能体在工业级严肃场景的应用上限。据悉，截至目前，蚂蚁数科已将 1400万台新能源设备“搬上区块链”，形成全球最大的新能源链上资产平台，它实时映射和链接起了物理世界的绿色能源，为能源资产RWA 奠定了基础。这也是CEO赵闻飙的决定。从独立的业务，到统一的产品矩阵，蚂蚁数科独立一年后，原本就是营收核心的企业级业务更加聚焦，更加融合，企业也进阶成为了AI全栈解决方案商。

GZZN2019的博客 1253

属于“AI建造者们”的2025年 “时代”为何选择百度

AI浪潮，硅谷追梦，中国求实。

2401_87097330的博客 1048

Notion创始人年终AI思考：清醒而深刻

你只要走到他的办公桌旁，就会看到他同时操控着三四个人工智能编码代理，它们不仅打字快，还会思考，这让他的效率达到了30到40倍。（后来，随着电力普及，工厂主进一步分散了动力，不再依赖中央动力轴，而是在工厂各处安装小型发动机，为不同的机器提供动力。更多的人从事着更多的工作，组合方式也更加多样化，这是文艺复兴时期规模适中的城市所无法比拟的。我们需要想象，当人类组织像钢铁般坚固，当繁琐的工作被委派给永不眠的头脑时，知识型工作将会是什么样子。兰开夏郡的工厂主们看到蒸汽机，看到的是没有河流的工厂车间。

极客重生 146

大模型时代的AI之变与开发之根

自2018年谷歌发布Bert以来，预训练大模型以强大的算法效果，席卷了NLP为代表的各大AI榜单与测试数据集。随着产学研各界的深入研究，大模型在AI产学研各界的地位得到不断加强。到2021...

脑极体 265

解读华为昇腾AI计算的硬核与远见

解读华为昇腾AI计算的硬核与远见

2503_92759612的博客 726

收藏！AI浪潮下程序员的破局之路：别让技术迭代淘汰你

在深圳南山的AI产业园咖啡馆里，从嵌入式开发转型AIoT的李工，指着手机里刚跑通的智能设备控制模型说：“我以前觉得嵌入式是铁饭碗，直到公司用AI重构系统，才明白‘铁饭碗’从来不是某个技术，而是适应变化的能力。AI不是来“取代”程序员的，而是来“筛选”程序员的——它淘汰的是固守旧方法的人，犒赏的是敢于拥抱变化的人。对于小白来说，现在入门AI正当时，不用怕基础差，很多AI开发工具已经足够“傻瓜化”；对于资深开发者，你的经验不是包袱，而是与AI结合的宝贵资产。

xxue345678的博客 1096

千里科技报考港股上市：高度依赖吉利，AI智驾转型收入仍为零

不仅如此，千里科技的净利润在由2022年的1.70亿元转亏至2023年的-2.62亿元后，便持续处在亏损状态，2024年和2025年上半年分别录得净亏损3.29亿元和1.16亿元，毛利率也由2022年的8.2%减少至2025年上半年的5.5%。即便千里科技承诺将扩展AI赋能较高配置车型，通过平台化锁定成本削减，提升缓解投入成本波动的能力，但现阶段的“烧钱”速度已大幅挤压了其盈利空间，在新兴业务未能形成盈利闭环的情况下，无尽的消耗对该公司来说是不小的掣肘。

beiduocaijing的博客 5万+

《智能云原生运维自动化的未来之路》

采用Istio+Spinnaker的混合云架构中，系统在遭遇DDoS攻击的瞬间，不仅能自动缩放防火墙集群，更能依据攻击路径动态调整微服务间的熔断阈值矩阵。在数字化进程的加速度中，运维从一个被遗忘的后台工种，正在升维为支撑文明基础设施运转的暗物质。这种叙事策略通过隐喻构建（如量子计算、分形理论、控制论哲学）、技术诗性表达（超流体编排、暗物质治理）、以及跨学科视角（拓扑学、热力学、分形几何），在完全避免标题关键词呈现的同时，完成了对智能云原生运维自动化未来路径的立体化阐释。

jkjkjk_007的博客 353

CB Insights丨PIX 获选“中国新能源智能汽车创新企业”

CB Insights是一家全球知名的创投研究机构，会定期发布经济发展趋势以及独角兽公司的名单。 近日，CB Insights 中国发布“中国新能源智能汽车创新企业榜单”。本次榜单中遴选了 48 家在新能源智能汽车领域具有代表意义 、创新力的企业，PIX 是其中之一。 根据CB Insights 中国公开消息，PIX 此次上榜的理由是“PIX 是领先的通用智能底盘开发及制造商，核心产品自动驾驶通用底盘 PIXBOT ，拥有安全、便捷的自主移动能力。其超级底盘矩阵、自动驾驶系统以及柔性量产生产线相互配合，显著

weixin_44666170的博客 374
上一篇： 金蝶标准功能不够用时，二次开发的取舍边界
下一篇： 电子税务局又升级了：财务人最该关注的四个变化，以及一个被忽略的风险点
点赞 0
评论 0
书签 书签 2
行云管理软件_
行云管理软件_
博客等级 码龄100天 0粉丝 22原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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