入选ACL 2024!实现蛋白质数据与文本信息跨模态解读,中科大王翔团队提出蛋白质-文本生成框架ProtT3

「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

探索蛋白质动态结构的奥秘,不仅是推动新药研发的关键一步,更是理解生命过程的重要基石。然而,蛋白质的复杂性让人们难以直接捕捉并解析其深层结构信息,如何将错综复杂的生物数据转化为直观易懂的表达形式,一直是科研领域的一大难题。

随着语言模型 (LM) 的飞跃式发展,一个创新的想法应运而生:既然语言模型能够从大量数据中学习和提取文本信息,那能否从蛋白质数据中学会「阅读」蛋白质信息,直接将动态的蛋白质结构信息变成人类容易理解的文本叙述?

这一极具发展潜力的想法在实际应用时却遇到了诸多挑战,例如,语言模型在蛋白质序列的文本语料库上进行预训练,虽然具备很强的文本处理能力,但在理解蛋白质结构这种非人类「语言」时,显得力不从心。相反,蛋白质语言模型 (PLMs) 在蛋白质序列语料库上进行预训练,具有优秀的蛋白质理解与生成能力,但它的局限性同样显著——缺乏文本处理能力。

如果能够融合 PLMs 与 LM 的优势,构建一种既能深入理解蛋白质结构,又能无缝对接文本信息的全新模型架构,将对药物研发、蛋白质性质预测、分子设计等领域产生深远的影响。然而,蛋白质结构与人类语言文本分属不同的数据模态,想要突破壁垒进行融合并非易事。

对此,中国科学技术大学王翔,联合新加坡国立大学刘致远团队、北海道大学研究团队提出了一个全新的蛋白质-文本建模框架 ProtT3, 该框架通过跨模态投影器,将具有模态差异的 PLM 与 LM 结合,其中,PLM 用于蛋白质理解,LM 用于文本处理。为实现高效微调,研究人员在 LM 中融入了 LoRA ,有效地调节了蛋白质到文本 (protein-to-text) 的生成过程。

此外,研究人员还为蛋白质-文本建模任务建立了定量评估任务,包括蛋白质字幕 (protein captioning)、蛋白质问答 (protein QA)、蛋白质-文本检索 (protein-text retrieval),ProtT3 在这 3 类任务中均取得了优异性能。

该研究以「ProtT3: Protein-to-Text Generation for Text-based Protein Understanding」为题,入选顶会 ACL 2024。

研究亮点:

  • ProtT3 框架可弥合文本和蛋白质之间的模态差距,提升蛋白质序列的解析准确性

  • 蛋白质字幕任务中,ProtT3 在 Swiss-Prot 和 ProteinKG25 数据集上的 BLEU-2 分数比基线高出 10 分以上

  • 蛋白质问答任务中,ProtT3 在 PDB-QA 数据集上的精确匹配性能提高了 2.5%

  • 蛋白质-文本检索任务中,ProtT3 在 Swiss-Prot 和 ProteinKG25 数据集上的检索准确性比基线高 14% 以上

在这里插入图片描述

论文地址:

https://arxiv.org/abs/2405.12564

数据集下载地址:
https://go.hyper.ai/j0wvp

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

面向蛋白质研究的 3 大数据集构建与优化

研究人员选取了 Swiss-Prot、ProteinKG25、PDB-QA 3 个数据集。

在这里插入图片描述

蛋白质文本数据集的统计数据

如上表所示,Swiss-Prot 是一个带有文本注释的蛋白质序列数据库, 研究人员对数据集进行处理,并从文本注释中排除了蛋白质名称,以防止信息泄露。生成的文本描述连接蛋白质功能、位置和家族的注释。

ProteinKG25 是 Gene Ontology 数据库派生出的知识图谱。 研究人员首先将相同蛋白质的 triples 聚合起来,然后将蛋白质信息填充到预定义的文本模板中,将其 triples 转换为自由文本。

PDB-QA 是从 RCSB PDB2 派生的蛋白质单轮问答数据集, 包含关于蛋白质结构、性质和补充信息的 30 个问题模板。如下表所示,为了进行细粒度的评估,研究人员根据答案的格式(字符串或数字)和内容焦点(结构/属性或补充信息)将问题分为 4 类。

在这里插入图片描述

PDB-QA 数据集中的 QA 对样本

ProtT3:一种创新的蛋白质到文本生成模型架构

如下图 a 所示,ProtT3 由蛋白质语言模型 (Protein Language Model, PLM)、跨模态投影器 (Cross-ModalProjector)、语言模型 (LM)、 LoRA 模块组成, 有效地调节蛋白质到文本 (protein-to-text) 的生成过程。

在这里插入图片描述

ProtT3 框架

其中,研究人员选择的蛋白质语言模型是 ESM-2150M,用于蛋白质理解;选择的跨模态投影器是 Q-Former,用来桥接 PLM 和语言模型 LM 之间的模态差异,进而将蛋白质表示映射到 LM 的文本空间中;选择的语言模型是 Galactica1.3B,用于文本处理;为保持下游适应 (downstream adaptation) 的效率,研究人员还在语言模型中融入了 LoRA ,以实现高效的微调。

如下图 b,ProtT3 采用两个训练阶段来增强蛋白质文本的有效建模, 分别是蛋白质-文本检索训练 (Protein-Text Retrieval Training)、蛋白质到文本的生成训练 (Protein-to-Text Generation Training)。

在这里插入图片描述

ProtT3 的两个训练阶段

第一阶段:蛋白质-文本检索训练

如下图 a 所示,跨模态投影器 Q-Former 由两个 transformers 组成:Protein transformers 用于蛋白质编码,Text transformers 用于文本处理。两个 transformers 共享自注意力 (self-attention),以实现蛋白质和文本之间的交互。

在这里插入图片描述

Q-Former 的架构和三个训练任务

研究人员在 Swiss-Prot 和 ProteinKG25 的组合数据集上训练 ProtT3,以进行蛋白质-文本检索,分别涉及 3 个任务:蛋白质-文本对比 (protein-text contrasting)、蛋白质-文本匹配 (protein-text matching, PTM) 和蛋白质字幕 (protein captioning, PCap)。

第二阶段:蛋白质到文本的生成训练

研究人员将跨模态投影器连接到语言模型 (LM),把蛋白质表示 Z 输入语言模型,以便通过蛋白质信息来调节文本生成过程。其中,研究人员使用线性层将 Z 投影到语言模型输入的相同维度,分别为每个生成数据集训练 ProtT3,并在蛋白质表示后添加不同的文本提示,进一步控制生成过程。

此外,研究人员引入了 LoRA ,在蛋白质到文本生成任务上对 3 个数据集进行单独的微调。

蛋白质领域的全能选手,评估 ProtT3 在 3 大任务中的性能

为了评估 ProtT3 的性能,研究人员在蛋白质字幕 (protein captioning)、蛋白质问答 (protein QA)、蛋白质-文本检索 (protein-text retrieval) 这 3 类任务中进行了测试。

更接近蛋白质的真实描述,ProtT3 准确率更高

研究人员在 Swiss-Prot 和 ProteinKG25 数据集上评估了 LoRA 微调的 Galactica1.3B、ProtT3 w/ MLP Proj.、ProtT3 w/o stage 1、ProtT3 模型在蛋白质字幕任务上的性能,并使用 BLEU、ROUGE、METEOR 作为评估指标。

  • ProtT3 w/ MLP Proj.:ProtT3 的变体,用 MLP 代替 ProtT3 的跨模态投影器

  • ProtT3 w/o stage 1:ProtT3 的变体,跳过 ProtT3 的训练阶段 1

如下图所示,与 LoRA 微调 Galactica1.3B 相比,ProtT3 在 BLEU-2 分数上提高了 10 分以上, 直观展示了引入蛋白质语言模型的重要性,以及 ProtT3 在理解蛋白质输入方面的有效性。此外,ProtT3 的不同指标均优于其两个变体,这表明使用 Q-Former 投影器和训练阶段 1 的优势。

在这里插入图片描述

蛋白质字幕性能,粗体表示最佳性能

下图展示了 Ground truth、ProtT3、Galactica 的 3 个蛋白质字幕生成示例。在 Q8CFG4 示例中,ProtT3 的标注内容更准确地识别了 DMRT 家族,而 Galactica 则没有。在 P46427 示例中,这两个模型都未能识别出蛋白质的功能,但 ProtT3 对蛋白质家族的预测更准确。在 Q9LY66 示例中,两个模型都成功地预测了亚细胞位置和蛋白质家族。ProtT3 更进一步地预测了蛋白质的功能,更接近真实描述。

在这里插入图片描述

来自 Swiss-Prot. 的 Protein captioning 示例蓝色部分与实际情况完全匹配,蛋白质结构图由 AlphaFold2 产生

准确率比基线模型高 14%,ProtT3 蛋白质-文本检索能力更优

研究人员在 Swiss-Prot 和 ProteinKG25 数据集上评估了 ProtT3 在蛋白质-文本检索的性能,使用准确率和 Recall@20 作为评估指标,并采用 ProtST 和 ProteinCLAP 作为基线模型。

如下表所示,ProtT3 的准确率比基线模型高出 14% 以上, 这表明 ProtT3 在蛋白质与其对应文本描述的对齐能力更优。此外,蛋白质-文本匹配 (PTM) 将 ProtT3 的准确率提高了 1%-2%, 这是因为 PTM 允许蛋白质和文本信息在 Q-Former 的早期层 (early layers) 进行交互,从而实现更细粒度的蛋白质-文本相似性度量。蛋白质字幕 (PCap) 将 ProtT3 的检索准确率提高了约 2%, 这是因为 PCap 鼓励 query tokens 提取与文本输入最相关的蛋白质信息,有助于蛋白质-文本的对齐。

  • ProtT3 w/o PTM:跳过 ProtT3 的 PTM 阶段

  • ProtT3 w/o PCap:跳过 ProtT3 的 PCap 阶段

在这里插入图片描述

蛋白质文本检索性能。粗体表示最佳性能,下划线表示次佳性能P2T 是蛋白质到文本检索,T2P 是文本到蛋白质检索

可预测蛋白质结构和性质,ProtT3 具备更优秀的问答能力

研究人员在 PDB-QA 数据集上评估了 ProtT3 的蛋白质问答性能,选择精确匹配 (exact match) 作为评估指标,采用 LoRA 微调的 Galactica1.3B 作为基线模型 (LoRA ft)。

如下图所示,ProtT3 的精确匹配性能比基线高出 2.5%, 在预测蛋白质结构和性质方面始终优于基线,这证明 ProtT3 具备优秀的理解蛋白质和文本问题的多模态能力。

在这里插入图片描述

蛋白质 QA 的精确匹配性能QA 分类:SP 代表结构/属性,SI 代表补充信息,ft 代表微调

如下图所示,在以下 3 个蛋白质问答示例中,ProtT3 和 Galactica 都正确地回答了关于蛋白质性质/结构的前两个问题,但在需要数字答案的第三个问题上失败了,ProteinChat 在 3 个问题上都遇到了困难,未能回答出任何一个。

在这里插入图片描述

PDBQA 数据集中的蛋白质 QA 结果示例,蓝色为正确预测

解锁蛋白质语言,LLM 在生命科学中的前沿探索

研究人员在蛋白质到文本生成领域的探索,能够让人类用可理解的方式来解锁复杂的生物现象。上述研究中的语言模型不仅展现了对蛋白质「潜在空间」的深刻理解,更是作为连接生物医学任务与自然语言处理的桥梁,为药物研发与蛋白质功能预测等研究开辟了新路径。进一步地,如果用那些具有数十亿乃至更多参数的大语言模型处理更复杂的语言结构,将有望从多个层次提升生命科学的未来探索。

比如,浙江大学张强、陈华钧团队曾提出了一种创新的大语言模型 InstructProtein, 该模型具备人类语言和蛋白质语言的双向生成能力:(i) 将蛋白质序列作为输入,预测其文本功能描述;(ii) 使用自然语言提示蛋白质序列生成。

在这里插入图片描述

具体而言,研究人员在蛋白质和自然语言语料库中对 LLM 进行预训练,然后采用有监督的指令调整来促进这两种不同语言的对齐。InstructProtein 在大量双向蛋白质文本生成任务中表现优异,它在基于文本的蛋白质功能预测和序列设计方面迈出了开创性一步,有效地缩小了蛋白质与人类语言理解之间的差距。

该论文以「InstructProtein: Aligning Human and Protein Language via Knowledge Instruction」为题,入选 ACL 2024。
论文原文: https://arxiv.org/pdf/2310.03269

此外,悉尼科技大学团队也曾与浙江大学研究团队强强联合,共同推出了大语言模型 ProtChatGPT。 该模型通过学习和理解蛋白质结构,允许用户上传蛋白质相关的问题并参与互动对话,最后产生全面的答案。

在这里插入图片描述

ProtChatGPT 框架

具体而言,蛋白质首先经过蛋白质编码器 (protein encoders) 和蛋白质语言预训练转换器 (PLP-former) 以生成蛋白质嵌入,然后这些嵌入通过投影适配器 (Projection Adapter) 投影到 LLM。最后,LLM 将用户问题与投影嵌入相结合,从而生成信息丰富的答案。实验表明,ProtChatGPT 可以对蛋白质及其相应问题产生专业的回复,为蛋白质研究的深入探索与应用拓展注入了新的活力。
论文原文: https://arxiv.org/abs/2402.09649

未来,当大语言模型能够利用海量且丰富的数据,推断出远远超过人类认知极限的蛋白质潜在规律或深层结构时,它们的潜力将会被极大释放,我们期待,随着技术的不断进步,大语言模型将引领蛋白质研究迈向一个更加璀璨的未来。

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

如何设计ADAS系统功能状态机(一)

状态机模块在自动驾驶系统中扮演着关键的角色,它负责管理和控制各个功能的状态转换和行为执行。今天我们来聊聊如何设计自动驾驶系统的状态机。

supass2018的博客 1617

InstructProtein: 基于知识指令的人类语言-蛋白质语言对齐模型

近年来,大语言模型的出现革新了自然语言处理领域。ChatGPT,Claude-2 等模型已经深入到人们的日常生活中了如语言翻译、信息获取、代码生成。但这些语言模型在自然语言和代码语言上极强的处理能力并不能迁移到生物序列(如蛋白质序列)上。当让其描述一条蛋白质序列的功能或者生成一条符合某种性质的蛋白质,它们常常不会遵从指令,或者给出错误答案。文章认为这一现象的出现是因为当前蛋白质-文本对数据集存在两...

Paper weekly 475

YOLOv11改进 | 引入SFSConv空间频率选择卷积(含SFSC3k2二次创新),空间频率特征协同作用,检测性能全面提升

本文提出在YOLOv11中引入SFSConv空间频率选择卷积模块,通过显式分离和动态融合空间域与频率域特征,解决传统卷积对多尺度目标检测的局限性。SFSConv包含空间频率分离、动态权重融合和协同特征重建三个核心机制,并进一步创新提出SFSC3k2结构,通过双路频率分支增强特征协同作用。该改进显著提升了YOLOv11在遥感、医学等多尺度复杂场景下的检测性能,实验显示在微小目标检测任务中mAP提升5%-10%。代码实现展示了SFSConv模块的核心逻辑及其在PyTorch中的高效实现。

走向CTO的路上... 770

NeuIPS | 蛋白设计新方法?基于图的蛋白生成模型

今天给大家介绍的是麻省理工大学计算机科学和人工智能实验室在NeuIPS 2019会议上发表的一篇文章。在文中,作者提出了一种基于图结构的蛋白质序列生成模型,通过聚焦三维空间上相邻的蛋白质...

DrugOne 2124

杰理SDK入门教程(二):USB升级程序

开发板升级操作指南 摘要:本文介绍了开发板程序升级的两种方式(常规升级和串口升级),重点说明了常规升级的操作步骤: 拨码设置:提供4种拨码方式(不拨/1档/2档/3档),对应不同指示灯状态和按键要求 硬件连接:强制升级工具需正确连接电脑和开发板(注意USB接口方向) 升级流程:根据拨码状态操作按键,观察指示灯变化(红灯常亮绿灯灭表示进入升级模式) 执行升级:运行SDK中的download.bat完成升级 文中还包含拨码开关说明、指示灯状态对照表以及升级原理说明,帮助用户理解升级过程。升级成功后在设备管理器可

qq_42014563的博客 1123

Vibe Writing 手把手教程:Obsidian + Claudian + Skill

本文介绍了Vibe Writing的实操教程,主要使用Obsidian+Claudian+Skill组合。教程包含工具安装配置(Obsidian、Claudian插件)、核心工作流(选题-调研-写作-发布)和效果对比。重点展示了Claude Code生成的文本更具"人味"和场景感,优于其他AI工具。作者强调工具只是辅助,内容灵魂仍需个人思考积累。附有公众号排版和全网发布工具推荐,以及自动配图生成方案。

303

入选ACL 2024!实现蛋白质数据与文本信息跨模态解读,中科大王翔团队提出蛋白质-文本生成框架ProtT3...

本文约4200字,建议阅读5分钟本文介绍了一个全新的蛋白质-文本建模框架 ProtT3,该框架通过跨模态投影器,将具有模态差异的 PLM 与 LM 结合,在蛋白质字幕、蛋白质问答、蛋白质-文本检索任务中均取得了优异性能。中国科学技术大学王翔,联合新加坡国立大学刘致远团队、北海道大学研究团队提出了一个全新的蛋白质-文本建模框架 ProtT3,该框架通过跨模态投影器,将具有模态差异的 PLM 与 LM...

数据派THU 482

【制作100个unity游戏之28】花半天时间用unity复刻童年4399经典小游戏《黄金矿工》(附带项目源码)

在游戏发展史上,有些游戏以其简单而耐玩的特性,深深地烙印在了玩家的记忆中。《黄金矿工》就是其中之一,它曾经在4399等游戏平台上掀起了一股游戏热潮。这款游戏不仅给无数玩家带来了欢乐,还让他们体验到了挖掘金矿的刺激与乐趣。在这个项目中,我们将花费半天的时间,利用Unity引擎,重新打造这款经典小游戏。通过复刻《黄金矿工》,我们不仅是在向童年的回忆致敬,更是在挖掘游戏设计的精髓。在这个过程中,我们将学习如何实现游戏的核心玩法,设计简洁而有效的游戏机制。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 2907

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 332

GEE聚类分析:基于sentinel-2 影像进行 K-Means 聚类分析

这篇博客介绍了如何使用 Google Earth Engine (GEE) 进行 K-Means 聚类分析,以识别感兴趣区域(ROI)内的不同地表覆盖类型。文章详细说明了从定义用户参数、准备参考区域、加载和预处理 Sentinel-2 图像,到训练 K-Means 聚类器并对图像进行聚类的完整流程。代码示例展示了如何设置参数、采样像素数据、训练聚类器,并将结果可视化。最后,还提供了将聚类结果导出到 Google Drive 的选项。通过该教程,用户可以掌握在 GEE 平台上进行地理数据聚类分析的基本方法。

此星光明博客 263

PCIE2.0/PCIE3.0/PCIE4.0/PCIE5.0接口的带宽、速率计算

一、PCIE接口速率: 二、PCIE相关概念: 传输速率为每秒传输量GT/s,而不是每秒位数Gbps,因为传输量包括不提供额外吞吐量的开销位; 比如 PCIe 1.x和PCIe 2.x使用8b / 10b编码方案,导致占用了20% (= 2/10)的原始信道带宽。 GT/s —— Giga transation per second (千兆传输/秒),即每一秒内传输的次数。重点在于描述物理层通信协议的速率属性,可以不和链路宽度等关联。 Gbps —— Giga Bits Per Second

技术联盟 1万+

【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 612

基于 YOLOv26 的电路焊点虚焊检测系统:AI 质检实战

本文介绍了一种基于YOLOv26的电路焊点虚焊检测系统,利用深度学习技术实现自动化质检。系统能识别虚焊、桥接、少锡等8种常见焊点缺陷,具有高精度、实时性和强鲁棒性等特点。文章详细阐述了系统架构,包括数据采集、预处理、YOLOv26检测模型和后处理模块,并提供了代码实现的关键部分,如数据预处理增强和模型训练配置。该系统可显著提高电子制造业的质检效率和准确性。

一键难忘的博客 697

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 264

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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 202

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

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 334

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

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 341

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 83

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 156

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! 508

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 609

【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。

390

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 401

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5134

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 555
上一篇: AAAI'25 今日截稿!SD 核心成员开源比 Midjourney 还强的文生图模型,现已提供一键启动...
下一篇: AAAI‘25 今日截稿!SD 核心成员开源比 Midjourney 还强的文生图模型,现已提供一键启动
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