全球首个!清华/上海交大等联合构建面向糖尿病诊疗的视觉-大语言模型,登 Nature 子刊

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

糖尿病是全球上升最快的主要慢性病,可造成失明、肾功能衰竭、截肢、脑卒中、心肌梗死等,亦与肿瘤感染等密切相关。其中,糖尿病视网膜病变 (diabetic retinopathy, DR) 是糖尿病患者最常见的进行性眼部微血管并发症,能够影响 30-40% 的糖尿病患者。

更重要的是,DR 的存在也预示着其他并发症 (如肾脏、心脏和大脑) 风险的增加,因此,定期的 DR 筛查已被推荐作为初级糖尿病护理的关键部分。然而,由于基础设施和人力资源的短缺,以及居高不下的成本问题,DR 筛查在中低收入国家常常被忽视。

近年来,人工智能特别是深度学习在糖尿病及其并发症管理领域发挥着越来越重要的作用。然而,过去的解决方案通常集中在糖尿病的并发症筛查或辅助管理的单一领域,很少同时整合这两个重要方面。如何将糖尿病诊疗意见的自动生成与糖尿病眼部并发症的精准诊断进行有效整合,进而构建出一个安全、可控的多模态智能模型,以支持基层医生实现一站式辅助诊疗服务,正是当前国际医疗领域的前沿趋势和重要挑战。

在此背景下,清华大学副教务长、医学院主任黄天荫教授团队,上海交通大学电院计算机系/教育部人工智能重点实验室盛斌教授团队,上海交通大学医学院附属第六人民医院贾伟平教授及李华婷教授团队,新加坡国立大学及新加坡国家眼科中心覃宇宗教授团队通力合作,成功构建全球首个面向糖尿病诊疗的视觉-大语言模型集成系统 DeepDR-LLM。

相关研究成果于以「 Integrated image-based deep learning and language models for primary diabetes care」为题, 已发表于 Nature Medicine。

DeepDR-LLM 系统融合了大语言模型和基于眼底图像的深度学习技术,为基层医生提供个性化的糖尿病管理意见及糖尿病视网膜病变辅助诊断结果。该系统在覆盖亚非欧 3 大区域、7 个国家的多中心队列中进行了回顾性验证,并通过针对中国基层医疗场景开展前瞻性真实世界研究验证,首次提供了面向糖尿病医疗垂直领域的多模态大模型应用效果的高质量循证证据。DeepDR-LLM 系统有望大幅改善中低收入国家的基层糖尿病管理和 DR 筛查水平,为未来全球糖尿病管理提供革命性的数字解决方案。

研究亮点:

  • 本研究创新性地提出融合适配器 (Adaptor) 和低秩自适应 (Low-Rank Adaptation, LoRA) 协同优化技术

  • DeepDR-Transformer 模块引入 Transformer 模型架构针对超 50 万张眼底图像进行训练,精准实现眼底影像的质量检测、病变分割和 DR 分级诊断

  • DeepDR-LLM 系统纳入糖尿病诊疗流程后,可显著改善新发糖尿病患者的自我管理行为,提高 DR 患者的转诊依从性

在这里插入图片描述

论文地址:
https://www.nature.com/articles/s41591-024-03139-8

关注公众号,后台回复「糖尿病诊疗LLM」获取完整 PDF

数据集下载地址:

https://go.hyper.ai/QmveC

开源项目「awesome-ai4s」汇集了百余篇 AI4S 论文解读,并提供海量数据集与工具:

https://github.com/hyperai/awesome-ai4s

数据集:14 个独立的横断面数据集
本研究纳入了 14 个独立的横断面数据集,包含了 7 个糖尿病患者的标准眼底图像,以及 7 个便携式眼底图像的独立横断面数据集。对于标准眼底图像的数据集,2 个数据集用于开发和内部验证 DeepDR-Transformer 模块,分别为:上海整合模型 (SIM) 队列和上海糖尿病预防计划 (SDPP) 队列。

此外,研究还选取了 12 个多种族数据集进行外部验证,分别为:尼城糖尿病筛查项目 (NDSP) 队列、糖尿病视网膜病变进展研究 (DRPS) 队列、武汉同济健康管理 (WTHM) 队列、北京协和糖尿病管理 (PUDM) 队列、中国国家糖尿病并发症研究 (CNDCS) 队列、广州糖尿病眼病研究 (GDES) 队列、香港中文大学-威胁视力的糖尿病视网膜病变 (CUHK-STD) 队列、新加坡眼病流行病学研究 (SEED) 队列、新加坡国家糖尿病视网膜病变筛查项目 (SiDRP) 队列、桑卡拉内斯拉糖尿病视网膜病变流行病学和分子遗传学研究 (SN-DREAMS) 队列、泰国国家糖尿病视网膜病变筛查项目 (TNDRSP) 队列和英国生物银行 (UKB) 队列。

另有 6 个数据集用于外部验证:中华便携式糖尿病视网膜病变筛查研究-东部 (CPSSDRE) 队列、中华便携式糖尿病视网膜病变筛查研究-中部 (CPSSDRM) 队列、中华便携式糖尿病视网膜病变筛查研究-西部 (CPSSDRW) 队列、中华便携式糖尿病视网膜病变筛查研究-东北部 (CPSSDRN) 队列、阿尔及利亚糖尿病视网膜病变研究 (ADRS) 队列和乌兹别克斯坦糖尿病视网膜病变研究 (UDRS) 队列。

CPSSDRE、CPSSDRM、CPSSDRW 和 CPSSDRN 队列来自 Phoebusmed 协助的真实世界 DR 筛查项目。对于 ADRS 和 UDRS 数据集,参与者分别在阿尔及利亚和乌兹别克斯坦的地区招募,这些眼底图像是使用来自 Canon、Topcon、Carl Zeiss、Optomed 和 MicroClear 的各种桌面和手持眼底相机拍摄的。

模型架构:LLM 和 DeepDR-Transformer 两大模块构成 DeepDR-LLM
DeepDR-LLM 系统由 2 个模块组成,如下图所示:

  • 模块 I (LLM module),为糖尿病患者提供个性化管理建议;

  • 模块 II (DeepDR-Transformer module),从标准或便携式眼底图像中进行图像质量评估、病变分割和 DR 分级。

DeepDR-LLM 系统架构

LLM 模块的监督微调
首先,研究人员通过微调 LLaMA 开发了 LLM 模块。

模块 I 是一个增强了领域知识的 LLM 模型,旨在根据医疗历史、体检、实验室测试以及 DR 和 DME 诊断结果等各种临床元数据制定糖尿病管理建议。由于缺乏特定领域的知识,初始的 LLM (即 LLaMA) 在生成糖尿病管理建议方面并不直接有效。

鉴于这一差距,研究人员开发了一种监督微调方法,将糖尿病管理相关知识整合到 LLM 的训练过程中。通过向基础 LLM 添加必要的领域知识,这种方法可以增强模型生成糖尿病管理建议的能力。监督微调的数据集是从上海市第六人民医院和华东疗养院的 267,730 名参与者中,回溯性获取的 371,763 对临床数据,以及来自真实世界的管理建议,这些数据在收集后进行了去识别化。

由于在 LLM 微调期间更新所有参数 (即 LLM 的原始权重),在效率方面显然不是最佳的,科研团队创新性地提出融合适配器 (Adaptor) 和低秩自适应 (Low-Rank Adaptation, LoRA) 协同优化技术,构建了 DeepDR-LLM 多模态大模型,可适配包括 LLaMA 在内的大语言模型,LLM 模块将训练网络层与大语言模型的固有权重参数相融合,突破低算力资源约束下的多模态大模型优化的瓶颈。

DeepDR-Transformer 模块的开发和训练
模块 II 可以作为工具用于模块 I 分析眼底图像以进行 DR 预测,因此,研究人员提出了一个名为 DeepDR-Transformer 的独立模型,该模型在特定任务上进行微调后可以从眼底图像中提取不同特征。

研究人员使用标准眼底图像对 DeepDR-Transformer 进行了 4 项任务的训练:图像质量评估模型(确定可评估性)、DR 分级预测模型、DME 预测模型(判断是否存在)以及病变分割模型(微动脉瘤、出血、棉絮斑和硬性渗出)。对于每个模型,研究人员加载了来自 ImageNet 的预训练权重,随后进行端到端微调。

集成模块 I 和模块 II
DeepDR-LLM 系统有两种集成模块 I 和模块 II 的模式。

在医生参与的集成模式下,模块 II 的输出 (即眼底图像可分级性;微动脉瘤、棉绒斑、硬性渗出物和出血的病变分割;DR 等级;和 DME 等级) 可以协助医生生成 DR/DME 诊断结果 (即眼底图像可分级性、DR 等级、DME 等级和病变存在与否)。

在自动化集成模式下,DR/DME 诊断结果包括眼底图像分级、DR 分级、模块 II 划分的 DME 分级、模块 II 分割出的病变存在情况,这些 DR/DME 诊断结果和其他临床元数据将输入模块 I,为糖尿病患者生成个性化的管理建议。

研究结果:DeepDR-LLM 系统可提高基层 DR 筛查能力和糖尿病诊疗水平
研究团队邀请香港中文大学 Juliana C. N. Chan 教授、上海交通大学医学院附属第六人民医院包玉倩教授、澳大利亚 Baker 心脏病与糖尿病研究所 Jonathan E. Shaw 教授、美国约翰霍普金斯大学 Justin B. Echouffo-Tcheugui 教授、新加坡国家眼科中心 Gavin Siew Wei Tan 教授等糖尿病相关学科的著名学者组成国际多学科专家委员会。

专家委员会从覆盖中国 31 个省区的中国糖尿病慢性并发症研究队列中随机抽取 100 个病例样本,针对每个病例形成诊疗共识,以此为标准答案,对 DeepDR-LLM 系统和基层医生 (PCP) 给出的诊疗意见进行盲法评分。

首先,针对 DeepDR-LLM 系统提供中英文糖尿病管理建议方面的能力,下图汇总了 4 种不同方式 (DeepDR-LLM、LLaMA、PCP 和住院医生) 生成的糖尿病管理建议在英语和中文的 3 个不同领域的评估结果:不适当内容 (extent of inappropriate content)、缺失内容 (extent of missing content) 和可能的危害性 (likelihood of possible harm) 。

评估人员被邀请从三个方面对糖尿病患者的管理建议进行评分

在英语中,71% 的 DeepDR-LLM 建议被认为没有不适当内容,高于 LLaMA (51%),但与 PCP (71%) 相当。此外,36% 的 DeepDR-LLM 建议被认为没有缺失内容 (PCP:27%)。最后,57% 的 DeepDR-LLM 建议被评为「低可能性」产生危害,与 PCP 的 55% 相当。

在中文中,77% 的 DeepDR-LLM 建议被认为没有不适当内容,高于 LLaMA (66%) 和 PCP (54%)。另外,63% 的 DeepDR-LLM 建议被认为没有缺失内容,而 PCP 为 46%。88% 的 DeepDR-LLM 建议被评为「低可能性」产生危害,而 PCP 为 60%。

下图显示了 4 种不同方式生成的管理建议的总评分(定义为领域特定评分的总和)。在英语中,DeepDR-LLM 给出的管理建议显著优于 LLaMA (P < 0.001),并且与 PCP 和内分泌学住院医生相当。

在中文中,DeepDR-LLM 给出的管理建议显著优于 LLaMA (P < 0.001) 和 PCP (P = 0.010),但与内分泌学住院医生相当。换言之,DeepDR-LLM 系统输出的诊疗意见质量达到或强于基层医生的水平。

LLaMA、DeepDR-LLM、PCP 和内分泌科住院医师生成的管理建议总分

随后,研究人员还通过来自北京、上海、广州、武汉及香港等中国城市和新加坡、印度、泰国、英国、阿尔及利亚、乌兹别克斯坦 6 个国家的超 50 万张眼底图像,对 DeepDR-LLM 系统进行外部测试。

为了评估 DeepDR-Transformer 作为 PCP 和专业非医师分级人员 (这些分级人员现被用于许多 DR 筛查项目,如英国、新加坡和越南) 在识别可转诊 DR 方面的辅助工具的效果,研究人员评估了有无 DeepDR-Transformer 模块辅助下分级过程的准确性和时间效率,如下图所示:

在这里插入图片描述

结果显示,未受助 PCP 的敏感性范围为 37.2%-81.6%,在 DeepDR-Transformer 辅助下,该范围提高到 78.0%-98.4%。同样,特异性从原来的 84.4%-94.8% (未受助) 提高到 90.4%-98.8% (受助)。

此外,在 DeepDR-Transformer 的辅助下,评估所需的中位时间从每只眼 14.66 秒减少到 11.31秒——这表明该系统在 DR 分级的准确性和效率方面均有显著提升,诊断能力甚至能达到专业眼科医生水平。

此外,研究团队将集成的 DeepDR-LLM 系统应用于真实世界临床流程,开展了随访 769 名中国基层糖尿病患者的前瞻性研究,证明了在 DeepDR-LLM 系统纳入糖尿病诊疗流程后,可显著改善新发糖尿病患者的自我管理行为,提高 DR 患者的转诊依从性。

为糖尿病智能治理贡献亚洲智慧
当今,糖尿病的患病率不断上升对中国及全球的公共卫生构成重大挑战。人工智能特别是深度学习在糖尿病及并发症管理领域发挥着越来越重要的作用——上文提及的清华大学团队、上海交通大学团队、新加坡国立大学以及新加坡国家眼科中心团队的专家们,都在这个方向深耕多年。

2017 年,时任新加坡国家眼科中心医学主任的黄天荫教授及其团队,在国际上率先基于深度学习算法在多种族人群上实现了自动诊断中重度 DR 病例,成果发表于 JAMA,在智能医疗发展历史上具有里程碑式意义。

2018 年,贾伟平教授和李华婷教授团队与上海交通大学电子信息与电气工程学院盛斌教授团队开展医工交叉协同创新,并携手新加坡国家眼科中心等国际顶尖学术机构,在上海市科委和上海交通大学支持下,获批组建上海市代谢相关疾病智慧防控「一带一路」国际联合实验室,致力于在代谢相关疾病智能防治领域开展广泛医工交叉和国际合作。

联合实验室自建立以来,分析百万级数据,研制迁移强化的多任务深度学习系统 DeepDR,实现对 DR 从轻度到增殖期病变的全病程自动诊断,并能对眼底图像的质量进行实时反馈以及眼底病变的识别分割,该技术同时应用于国际糖尿病联盟「全球中低收入国家糖尿病视网膜病变筛查项目」,推广至 48 个国家。。

该成果以「A deep learning system for detecting diabetic retinopathy across the disease spectrum」为题,于 2021 年发表于 Nature Communications。

  • 论文链接:

https://www.nature.com/articles/s41467-021-23458-5

2021 年底,黄天荫教授于受聘于清华大学担任讲席教授及医学学科带头人,积极开展人工智能赋能糖尿病及眼病并发症诊疗的转化研究工作。联合实验室与清华大学黄天荫教授团队通过持续性合作研究,成功构建基于 Weibull 混合分布模型的深度学习系统 DeepDR Plus,超越由美国 Google 团队在该领域此前的领先技术,在全球率先实现对 DR 进展长达 5 年的风险预警和进展预测,可在大幅降低筛查频率和公共卫生成本的情况下仍保持极低的漏诊率,成果于 2024 年 1 月发表于 Nature Medicine。

点击查看详细报道:上海交大与清华联手发布 DeepDR Plus,仅用眼底图像可预测 5 年内糖尿病视网膜病变进展

总而言之,如今 DeepDR-LLM 的诞生可以说是之前研究成果的「集大成者」。研究人员们秉承以人为本、智能向善的理念,为基层糖尿病管理的未来变革提供了高质量循证依据,让全球糖尿病治理更好融入数字化、智能化、绿色化潮流,为糖尿病智能治理贡献亚洲智慧。

参考资料:
1.https://mp.weixin.qq.com/s/MBtm0hY0gKE8NRQ8GfDy7A
2.https://www.nsfc.gov.cn/csc/20340/20343/68143/index.html
3.https://www.tsinghua.edu.cn/info/1182/112946.htm

最后推荐一个线上学术分享活动,感兴趣的小伙伴扫码即可参与!

在这里插入图片描述

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

CPU性能优化实战:寄存器重命名如何解决指令冲突(附3种实现方案对比)

本文深入解析了CPU性能优化中的关键技术——寄存器重命名,详细阐述了其如何通过物理寄存器堆(PRF)和重命名映射表(RAT)解决WAW、WAR、RAW等指令冲突,从而释放超标量处理器的并行潜力。文章重点对比了基于ROB、ARF扩展和统一PRF三种主流实现方案的设计权衡、电路代价与功耗影响,并探讨了现代处理器中并行重命名与状态恢复的实战机制。

weixin_29252171的博客 269

全球首个!清华/上海交大等联合构建面向糖尿病诊疗的视觉-大语言模型,登 Nature 子刊...

本文约4800字,建议阅读9分钟 输出的医疗诊疗意见质量达到或强于基层医生水平。清华大学团队联手上海交通大学团队、新加坡国立大学及新加坡国家眼科中心团队,成功构建全球首个面向糖尿病诊疗的视觉-大语言模型集成系统 DeepDR-LLM。糖尿病是全球上升最快的主要慢性病,可造成失明、肾功能衰竭、截肢、脑卒中、心肌梗死等,亦与肿瘤感染等密切相关。其中,糖尿病视网膜病变 (diabetic retinop...

数据派THU 467

ads传统功放设计笔记(3)

传统功放设计的流程一般包括以下这些步骤: 1、明确设计目标 2、选择功放管子 3、确定静态工作点 4、设计偏置电路 5、判断稳定性 6、负载与源牵引 7、输入输出阻抗匹配 8、原理图优化 9、大信号仿真 10、版图设计 11、版图联合仿真 12、pcb设计 第二节我们设计仿真了功放的原理图。之后我们需要对版图进行设计和仿真。 10、版图设计 首先将S参数控件都打叉,还要去掉电源、源负载阻抗、地、芯片、电容。在原先电容和芯片的位置加上gap,设置好长度和间隔。之后在电源引脚、输入输出引脚和隔离的两端加上端口。

qq_40995480的博客 6029

重磅!NAT MED丨上海交通大学携手清华大学与新加坡国立大学研制国际首个糖尿病诊疗多模态大模型DeepDR-LLM

针对当前的技术空白和临床的实际需求,**本研究成功研发了全球首个面向糖尿病基层诊疗的视觉-大语言模型多模态集成智能系统DeepDR-LLM。

python1234567_的博客 1324

Cesium+Three.js融合实战:从零构建GIS与BIM一体化场景

本文详细介绍了如何将Cesium与Three.js进行技术融合,从零构建GIS与BIM一体化场景。通过环境配置、核心场景搭建、坐标转换、性能优化及交互处理等实战步骤,阐述了Cesium负责宏观地理空间渲染、Three.js处理微观精细BIM模型的协同方案,为智慧城市、数字孪生等应用提供关键技术实现路径。

weixin_29230865的博客 464

从DWS到设备树:MTK平台LK阶段GPIO初始化的隐秘路径与调试实战

本文深入探讨了MTK平台LK阶段GPIO初始化的完整流程,揭示了从DWS配置到设备树生成的隐秘转换路径。通过分析MT6768等平台的启动框架,提供了针对preloader到LK阶段GPIO初始化异常的实战调试方法与最佳实践,帮助开发者有效解决硬件与软件配置不匹配的常见问题。

h9j8k7l6m5n的博客 1003

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 418

抖音直播小风车跳转企业微信全攻略:企业号申请+落地页配置详解

本文详细解析了抖音直播小风车跳转企业微信的全流程,包括企业号申请、小风车配置和落地页优化。通过实战指南,帮助企业高效实现私域流量沉淀,提升直播转化率,特别适合电商和营销从业者参考。

weixin_29289821的博客 616

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 327

电机控制基础,小白入门篇

电机,这个藏在风扇、电动车、机器人里的“动力心脏”,如何精准控制它的转速、方向甚至力量?这篇博客专为完全零基础的小白打造,用“说人话”的方式拆解电机控制的底层逻辑,帮你从“看不懂电路图”到“能调个简单电机”。 电机控制不是“大神专属”,只要掌握“电生磁、磁生力”的底层逻辑,加上动手实践,小白也能快速入门。这篇博客会陪你从“看电机转”到“让电机听话”,把复杂的控制原理变成能上手玩的“小实验”。准备好你的面包板和电机,我们一起开启“电控之旅”吧!

汽车电子软件领域知识分享 5626

企业级大数据平台的数据网格(Data Mesh)转型之路

随着企业数字化转型的深入,传统大数据平台面临数据孤岛化、治理成本高、业务响应慢等核心痛点。数据网格作为一种新兴的分布式数据管理架构,通过领域驱动设计(DDD)、数据产品化和联邦治理模式,为企业提供了打破数据壁垒、提升数据生产力的全新路径。本文聚焦企业级数据平台从传统架构(数据湖/数据仓库)向数据网格转型的关键技术、实施步骤和组织配套,涵盖技术架构设计、核心算法实现、项目实战案例及工具链推荐。背景介绍:定义转型目标、术语体系与核心挑战核心概念与联系:解析数据网格四大支柱及技术架构图谱核心算法原理。

AI 领航者的博客 1084

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 260

Arcgis模型构建器01——写一个简单的模型

在使用模型构建器解决这个需求之前,我们要想清楚如果我们手动解决的话,应该如何去处理,因为构建模型的过程正是基于我们手动处理的过程来构建的。我有一个全国的dem影像数据和一个陕西省边界范围矢量,现在我想获取陕西省的dem影像的坡度数据。填写完之后点击确定,我们发现,两个输入数据和工具连接起来了,并且通过裁剪工具得到一个中间结果,即。我们发现工具框和中间数据框都存在阴影,说明已经运行过了这个模型,不报错就说明模型运行成功!现在我们就把数据和工具都串联起来了,成功构建好了模型。

爱吃雪糕的小布丁的博客 924

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 280

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 609

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!

AI 应用开发工程师技术实践:大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战:模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移,封装对话、工具调用与RAG组件以解耦业务逻辑,结合前缀缓存、批处理与流式背压治理等性能优化手段,形成“接通→接稳→接快”的工程路径,最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 647

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

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 198

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 333

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 336

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 80

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 154

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 502

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 605

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

384

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 397
上一篇: 学术分享丨清华大学博士后李雨哲详解 Cell/Nature 子刊论文,探索基因组学的 AI 应用
下一篇: 在线教程丨超大模型部署无压力!一键运行 Llama 3.1 405B 和 Mistral Large 2
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753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