AlphaFolding填补蛋白质动态结构预测空白!复旦大学等提出4D扩散模型,成果入选AAAI 2025

「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

蛋白质的功能很大程度上取决于其 3D 结构。19 世纪中期,科学界普遍认为蛋白质结构是固定的、刚性的,类似「锁与钥匙」模型 (lock-and-key model),即蛋白质与配体的结合是由固定的三维结构决定的。然而,当 Daniel Koshland 提出酶与底物结合时会发生构象变化的观点后,传统思维开始受到挑战。

1980 年代,分子动力学模拟 (Molecular Dynamics, MD) 兴起,首次从计算角度揭示了蛋白质的运动轨迹,自此,蛋白质动态结构的功能性作用受到越来越多的重视。对于生物技术研究人员和科学家而言,理解蛋白质「运动」的动态特征对理解生命过程、研发新型药物都具有重要的意义。

举例而言,G 蛋白偶联受体 (GPCR) 是许多药物的主要靶点,占目前 FDA 批准药物的 30% 以上。然而,GPCR 不是刚性结构,而是具有高度的动态性,不同的构象状态会影响药物结合模式。如果仅基于静态晶体结构设计药物,可能会错过关键的结合位点,导致药物亲和力和选择性不足。动态结构预测可以帮助识别 GPCR 在生理环境下的多种构象,从而优化小分子药物的设计,提高靶向治疗的成功率。

在此背景下,来自复旦大学、上海科学智能研究院的朱思语及漆远教授团队,联合南京大学姚遥教授,提出了一种创新性的 4D 扩散模型 AlphaFolding,结合分子动力学模拟数据,以学习动态蛋白质结构。这是首个基于扩散模型的方法,能够同时预测多个时间步长的蛋白质运动轨迹。

在基准数据集上的验证结果表明,该新模型在预测包含最多 256 个氨基酸、跨度达 32 个时间步长的动态 3D 结构方面表现出高精度,能够有效捕捉稳定状态下的局部柔性以及显著的构象变化。

相关成果以「4D Diffusion for Dynamic Protein Structure Prediction with Reference and Motion Guidance」为题,已入选国际顶会 AAAI 2025,预印本已发布于 arXiv。

在这里插入图片描述

论文地址:

https://arxiv.org/abs/2408.12419

开源项目「awesome-ai4s」汇集了 200 余篇 AI4S 论文解读,并提供海量数据集与工具:

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

蛋白质动态结构预测研究尚存空白

AlphaFolding 模型可以被视作结构生物学研究的重要进展。所谓结构生物学,是以蛋白质等生物大分子的结构、运动和相互作用的研究为基础来阐明生命现象的科学, 现已发展成为分子生物学的主流。

近年来,深度学习技术的进步,加上 Protein Data Bank (PDB) 实验蛋白质结构数据的指数级增长,使得蛋白质结构预测领域取得了不少重要突破。其中,最知名的莫过于 AlphaFold2,其使用最新的人工智能算法对蛋白质结构实现了接近实验精度的精准预测,相关成果被 Science 评为 2020 年十大科学突破之一。

无独有偶,2021 年 7 月,华盛顿大学生物学家 David Baker 团队研发的 RoseTTAFold 构建了一种「三轨 (three-track)」神经网络,能在十几分钟之内解析给定序列蛋白质的三维结构。

此外,大规模数据存储库的可用性促进了蛋白质构象采样研究的发展。例如,微软研究院开发出一种名为 Distributional Graphformer (DiG) 的深度学习框架,旨在预测分子结构在平衡态下的分布。传统的分子动力学模拟和增强采样方法虽然能够获得分子的平衡分布,但这些方法计算成本高且耗时,难以应用于复杂的实际应用场景。而 DiG 则是通过深度学习技术,能够快速生成真实多样的构象。

尽管蛋白质结构及其构象预测都取得了重大突破,但动态结构的研究仍然相对滞后。以 AlphaFold2 为例,其能够准确预测蛋白质的三维结构,但只能预测蛋白质在一个瞬间的静态结构,尚无法实现动态变化的预测。

2024 年 5 月,DeepMind 发布了升级后的 AlphaFold3,它能够以前所未有的「原子精度」预测出所有生物分子的结构和相互作用,包括蛋白质、核酸和更小分子的 3D 结构,并揭示它们如何组合在一起,但是其对生物分子的动态 3D 结构预测依然存在很大的局限性。

因此,本研究新提出的创新性 4D 扩散模型其实是为了弥补这一研究空白,重点关注蛋白质结构的动态特性,为更深入理解蛋白质功能提供新的思路。研究人员充分利用高质量的分子动力学模拟 (MD) 数据,生成包含完整侧链表示的动态蛋白质结构,适用于由数百个氨基酸组成的复杂蛋白质。这将扩展 MD 模拟的适用范围,使其能够预测更大、更复杂的蛋白质系统的动态行为,提升对蛋白质动态特性的理解。

在预测多个时间步长的蛋白质运动轨迹方面表现出高精度

静态蛋白质模型相对容易构建,那么动态的蛋白质模型该如何表示呢?为了解决这一问题,研究人员采用 AlphaFold2 的基于坐标框架 (frame-based) 蛋白质结构表示方法,并将其扩展至时间维度,以描述随时间变化的结构变换。

在静态蛋白质建模中,蛋白质由一系列氨基酸残基 (amino acid residues) 组成,每个残基由 backbone 框架进行参数化。而在本研究中,研究人员将动态蛋白质定义为包含 N 个氨基酸残基,且其 backbone 框架在 S 个时间步 (time steps) 内发生变换的系统。这些框架通过特殊欧几里得变换 (Special Euclidean Transformations) 进行变换,以保持局部框架到全局参考框架的方向。

蛋白质中的所有额外原子坐标根据与二面角 (torsion angles) 的依赖关系组织为刚性原子组 (rigid groups),以确保化学结构完整性。在每个刚性组内,所有原子相对位置和方向保持不变。结合变换参数 (transformation parameters),模型可以在时间维度上从理想化的实验坐标重建所有原子位置。

在此基础上,下图展示了整个研究模型构建的方法:该扩散模型以参考结构和对应的残基序列 (amino acid residues sequence) 作为输入,并生成一系列去噪后的 3D 蛋白质结构 (denoised 3D structure) 作为输出。

在这里插入图片描述

研究方法概述

研究人员使用 3D 结构嵌入器 (3D structure embedder) 和 GeoFormer 分别对 3D 蛋白质结构和残基序列进行嵌入。不变点注意力 (Invariant Point Attention, IPA) 通过结合残基的显式框架信息来更新节点特征。

参考网络 (Reference Network) 和运动对齐模块 (Motion Alignment module) 基于参考 3D 蛋白质结构捕捉 3D 蛋白质动力学序列。整个生成模型被构造为基于分数的扩散模型 (score-based diffusion model),其中节点和边的特征嵌入分别通过 EdgeUpdate 和 BackboneUpdate 模块进行更新。

构建模型后,研究人员将所提出的框架与当前短程到长程 (Short-term-to-long-term, S2L) 任务中的 DFF 和 Flow-Matching 进行了对比实验,所使用的数据集包括 ATLAS 和快速折叠蛋白 (Fast-Folding Proteins)。

结果如下表所示:在 ATLAS 数据集上的 S2L 任务,研究提出的方法 将 R32 误差从 4.60 降低至 2.12,显著提高了长期预测的准确性;在 Fast-Folding 数据集上的 S2L 任务,研究提出的方法将 R32 误差从 5.48 降低至 4.39,同样表现出良好的长期预测能力。同时,研究提出的模型在 O2O 任务上的表现与 S2L 任务相当,这表明其优秀的泛化能力。

在这里插入图片描述

DFF、FM 与本研究提出的方法在 ATLAS 蛋白质数据集上的 Cα-RMSE 比较

在这里插入图片描述

DFF、FM 与本研究提出的方法在 Fast-Folding 蛋白质数据集上的 Cα-RMSE 比较

此外,该方法能够处理包含较长模拟时间的蛋白质,这些蛋白在每个轨迹步长上的动力学变化更大。实验结果进一步验证了该方法在建模蛋白动力学方面的有效性 (efficacy in modeling protein kinetics)。

更进一步,研究人员还通过可视化模型生成前两个 TIC (时间一致性成分) 的动态蛋白质分布,并与真实数据进行比较。如下图所示,新模型有效地预测了蛋白质的动力学行为,与真实分布高度一致。

在这里插入图片描述

不同蛋白质在前两个 TIC 组件上的样本分布
  • 点的颜色越深,出现频率越高,蓝色曲线表示从 MD 数据估计的核密度分布

下图则展示了在选定时间步上的逆扩散过程,突出了蛋白质结构在去噪过程中逐渐变得更加一致的过程。可以看到,所提出的方法有效地捕捉了蛋白质的动力学,生成了合理的轨迹。

在这里插入图片描述

从初始噪声 (左) 经过逆扩散过程逐步形成蛋白质结构 (右) 的可视化展示
  • 粉色和黄色区域分别标注了 α 螺旋和 β 折叠

蛋白质结构的动态特性将受到更多关注

蛋白质在细胞环境中并非静态存在,而是处于复杂的动态变化之中。传统的静态结构预测方法虽然在揭示蛋白质折叠和相互作用方面取得了重要进展,但无法全面捕捉蛋白质的动态行为。因此,动态蛋白质结构预测成为结构生物学和计算生物学的前沿挑战之一,近年来,也有越来越多的研究人员投身于这一方向。

2022 年 12 月,西湖大学李子青团队与厦门大学、德睿智药合作,研发了能够刻画蛋白质构象变化与亲和力预测的 AI 模型 ProtMD。这是第一个尝试解析蛋白质动态构象的 AI 方法,给定药物分子和靶点蛋白,ProtMD 预测药物分子与生物体内靶点蛋白质结合后蛋白质结构的变化过程,推断药物与靶标蛋白结合的稳定性,预测药物功能,从而提升 AI 药物设计的精度和效率,加速临床前药物研发。

相关研究成果以「Pre-Training of Equivariant Graph Matching Networks with Conformation Flexibility for Drug Binding」为题,发表在 Advanced Science。

2024 年 8 月,康涅狄格大学的一项新研究揭示了一种先进的计算模型和工具,能够准确预测蛋白质的动态特征及其结晶倾向,相关研究成果以「Protein dynamics inform protein structure: An interdisciplinary investigation of protein crystallization propensity」为题发表在材料科学领域期刊 Matter 上。研究的重点在于蛋白质的自然运动和波动,即其摇摆特性,如何影响其功能属性,尤其是蛋白质形成高质量晶体的能力。

2024 年 10 月,上海交通大学郑双佳课题组联合星药科技、中山大学药学院以及美国莱斯大学,提出了为蛋白质动态对接 (dynamic docking) 设计的几何深度生成模型 DynamicBind,可以有效地将蛋白质构象从最初的 AlphaFold 预测状态调整到类似全息 (holo-like) 状态,为后 AlphaFold 时代的药物研发提供了一种基于深度学习的、考虑蛋白动态变化的新研究范式。

相关研究以「DynamicBind: predicting ligand-specific protein-ligand complex structure with a deep equivariant generative model」为题,发表在 Nature Communications 上。

*点击查看详细报道:实现蛋白质动态对接预测!上海交大/星药科技/中山大学等联合推出几何深度生成模型DynamicBind

总而言之,动态蛋白质结构预测不仅能够帮助理解生命过程,还能在药物开发、疾病机理研究和工业生物技术等领域发挥重要作用。从 GPCR 药物设计、蛋白-蛋白相互作用,到酶催化和蛋白质聚集病理学研究,动态结构预测将不断推动生命科学的前沿发展。

参考资料:
1.https://www.forwardpathway.com/119037
2.https://www.westlake.edu.cn/news_events/westlakenews/academics/202212/t20221208_24193.shtml
3.https://www.cell.com/matter/abstract/S2590-2385(24)00196-6

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

视频生成工具本地部署完全指南:Seedance能装吗?有哪些开源替代?

本文系统介绍了视频生成模型的本地部署方案,分为三个部分:1)Seedance 2.0的混合部署模式,其开源组件可本地集成但核心功能需调用API;2)完全开源替代方案对比,包括LTX-2、Wan 2.1等模型的硬件需求与特点;3)详细部署指南,以ComfyUI+Wan 2.1为例,涵盖软件准备、模型整合、参数调优等步骤,并提供了显存优化和多GPU配置技巧。文章为需要离线视频生成能力的用户提供了完整技术路径。

小明的博客 1万+

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 410

Qt界面编程(三)—— 父子关系、对象树、信号和槽(自定义信号和槽、Qt5与Qt4的写法)

Qt框架默认提供的标准信号和槽不足以完成我们日常应用开发的需求,比如说点击某个按钮让另一个按钮的文字改变,这时候标准信号和槽就没有提供这样的函数。但是Qt信号和槽机制提供了允许我们自己设计自己的信号和槽。声明在类的signals域下没有返回值,void类型的函数只有函数声明,没有定义可以有参数,可以重载通过emit关键字来触发信号,形式:emit object->sig(参数);

此心光明事上练的博客 1695

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 322

android10 部分机型(华为)无法正常更新安装app

android.content.ActivityNotFoundException: No Activity found to handle Intent { act=android.intent.action.VIEW dat=file://storage/emulated/0/文件夹名/***.apk typ=application/vnd.android.package-archive }

森森先生的博客 3929

[Stanford CS217]CUDA中矩阵乘法GEMM优化的最关键点:向量内积和向量外积分别取行和取列

对于矩阵C中的每一个tile,矩阵A与矩阵B中的tile只需要读取一次,这样就可以达到 O(N) 的计算强度。理想情况下性能应当受限于算术吞吐量,确切来说对于一个大型方阵,即 M=N=K ,矩阵乘法的数学操作复杂度为 O(N3) ,而数据量为 O(N2) ,同时计算强度为 N (这里的计算强度可以被理解为同一个数据被重复利用的次数)。GEMM就是指计算 C=A∗B+C ,其中 A 、B和C都是矩阵,A是 M×K 的矩阵,B是 K×N 的矩阵, C是 M×N 的矩阵。这就是向量内积和向量外积的最大区别。

weixin_55035144的博客 1428

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 254

从零开始学 PyTorch 7天路线图(完整可运行代码版)

本文提供了5天PyTorch入门教程的完整代码,涵盖从基础到实战的核心内容。Day1测试环境并介绍张量基础;Day2讲解常用张量操作;Day3演示自动求导机制;Day4实现完整线性回归模型;Day5构建MNIST手写数字识别全连接网络。所有代码可直接运行,包含GPU检测、梯度计算、模型训练和可视化等关键环节,帮助新手快速掌握PyTorch核心概念和典型应用场景。

IT老农民的博客 315

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 277

基于STM32设计的智能水产养殖系统(2025)_359

本设计提出并实现了一种基于STM32F103RCT6微控制器的智能水产养殖控制系统,针对传统水产养殖中人工依赖高、环境参数监测滞后、控制手段单一等问题,集成了TDS水质检测、水温检测、水位监测、自动喂食、自动充氧、换水控制与加热保温等功能。系统采用ESP8266模块实现WIFI联网,通过MQTT协议将关键数据上传至华为云物联网平台,支持Android手机APP和Windows上位机远程监测与控制。同时,系统具备本地LCD数据显示与蜂鸣器异常报警功能,支持本地按键控制操作。整套系统功能完善,响应灵敏,运行稳定

627

FPGA实现PID算法

PID 控制器表达式如下(引用某硕士论文 《基于FPGA的PID控制器研究与实现》): 其中,Kp为比例增益,Ti为积分时间常数,Td为微分时间常数,u(t)为控制量,e(t)为偏差。 在数字控制系统中,PID控制规律的实现必须用数值逼近的方法。当采样周期相当短时,用求和代替积分、用后向差分代替微分,使模拟PID离散化变为差分方程。 本文使用并行结构来实现。具有延时小,计算速度快的特点,但需要资源比较多。 利用图3.2所示并行结构实现方法 ,进一步将3.8式分解: ...

nxin168的博客 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 607

BW 技术 InfoObject 初始化,一次把 0LANGU、0CURRENCY、0IOBJNM 这些底座对象讲透

摘要:BW/4HANA和S/4HANA嵌入式分析中最容易被忽视的关键技术InfoObject(如0LANGU、0UNIT等)是系统运行的基础骨架。这些对象虽不直接涉及业务,但若未正确激活会导致多维分析、查询运行等核心功能异常。BW/4HANA中应通过任务清单SAP_BW4_SETUP_SIMPLE或SAP_BW4_SET_OPERATION_SCOPE激活,而非旧事务码RSTCO_ADMIN。S/4HANA嵌入式分析仍需依赖这些底层BW组件,配置需参考SAP Note 2636754。项目实践中需特别关注这

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1390

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 643

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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 195

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

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 332

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

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 333

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 76

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! 494

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 592

【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。

381

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 393

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 5115

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 547

影视场景怎么用AI生成3D镜头预演?从概念图、场景白模到网页审片

概念图有氛围,不代表能直接用于镜头预演。本文围绕剧本拆镜、资料与尺度假设、场景白模、机位走位、动作节拍和网页审片,介绍 AI 生成 3D 场景的预演流程。通过稳定对象与相机编号、统一镜头表、意见关联版本和三轮审核,让讨论落到具体镜头,同时明确白模与网页预演不能替代真实场地勘景及现场安全判断。

Solange__的博客 610
上一篇: 【TVM教程】为 GPU 自动调度卷积层
下一篇: 高熵合金新发现!多团队联手实现抗氧化性高精度预测,增加铝/铬/硅含量可有效改善
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