AlphaFold应用新里程碑!剑桥大学团队提出AlphaFold-Metainference,精准预测无序蛋白质结构集合

深度技术解读AlphaFold3: 谷歌第三代AI工具精准预测生物大分子四级结构 就在刚刚,Google DeepMind 和 Isomorphic Labs 研究团队推出的革命性人工智能(AI)模型 AlphaFold 3,以前所未有的精确度成功预测了所有生命分子(蛋白质、DNA、RNA、配体等)的结构和相互作用。AlphaFold 3的成功将有助于改变我们对生物世界和药物发现的理解,进而开启人工智能细胞生物学的新时代。 阅读详情

自 2018 年底 AlphaFold 横空出世以来,蛋白质结构预测领域在 AI 的加持下可谓是发生了翻天覆地的变化。如今,AlphaFold 不仅在预测精度方面令人刮目相看,更是在最新的迭代中将预测范围逐步拓宽。也难怪中科院院士施一公曾在媒体面前毫不吝啬对其评价道,「依我之见,这是人工智能对科学领域最大的一次贡献,也是人类在 21 世纪取得的最重要的科学突破之一,是人类在认识自然界的科学探索征程中一个非常了不起的历史性成就」。

尽管 AlphaFold 引领的蛋白质结构预测革命如此迅速,也仍有一些悬而未决的问题拦路在前。其中,针对无序蛋白质的研究在生命科学领域中一直是个难题。这些蛋白质在细胞信号传导、调控过程以及多种疾病中发挥着关键作用,但由于它们在结构上具有特殊的异质性和动态性,无法用单一结构表示, 因此其研究并未像有序蛋白质结构预测一样进展显著。而 AlphaFold 的成功却为科学家指明新的解题思路。

近日,来自剑桥大学的研究团队近期发表了一项新研究,提出了一种名为 AlphaFold-Metainference 的方法。该方法利用了 AlphaFold 预测的对齐误差 (predicted aligned error, PAE) 图与分子动力学 (molecular dynamics, MD) 模拟中的距离变化矩阵之间的相关性,从而构建无序蛋白质和含无序区域蛋白质的结构集合 (structural ensembles), 为基于深度学习方法的无序蛋白质结构预测提供了新思路,同时也进一步拓宽了 AlphaFold 的适用范围。

目前,相关研究成果以「AlphaFold prediction of structural ensembles of disordered proteins」发表在国际学术期刊 Nature Communications 上。

研究亮点:

  • 突破预测局限,实现高精度预测。研究证实了 AlphaFold 即便未在无序蛋白数据上训练,也能准确预测其残基间距离。

  • 创新预测方法,构建结构集合。该方法利用了 AlphaFold 预测的距离作为结构约束,结合元推理框架和分子动力学模拟构建无序蛋白及含有无序区域蛋白的结构集合。

  • 深化深度学习方法,拓展应用边界。该方法在处理高度无序和部分无序蛋白时表现出色,生成的结构集合与实验数据一致性显著优于单个 AlphaFold 结构,有效解决了无序蛋白结构预测难题。

在这里插入图片描述

论文地址:

https://www.nature.com/articles/s41467-025-56572-9

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

数据集:多源数据严谨验证

在深度学习模型的训练方面,由于无序蛋白质的结构集合体在数量和准确度方面都很低,但是可以基于有序蛋白的可用信息对无序蛋白质进行预测,因此研究人员采用了蛋白质数据库 (Protein Data Bank, PDB) 中大量的高分辨率折叠蛋白质结构训练深度学习模型。

在实验数据对比方面,由于获取无序蛋白质的残基间距离的试验信息具有挑战性,同时加上数据标签本身可能会影响构象集合的性质。为此研究人员采用了小角 X 射线散射 (small-angle X-ray scattering, SAXS) 数据和核磁共振 (nuclear magnetic resonance, NMR) 扩散测量, 为研究提供了无标签的无序蛋白残基间距离分布信息,用于对比和验证预测结果。

另外,在进一步的验证中,研究人员还分析了通过全原子分子动力学 (all-atom molecular dynamics) 模拟获得的结构集合数据 Aβ 和 α-synuclein,并且使用 CALVADOS-2 (C2) 进行粗粒度模拟, 从而进一步验证了 AlphaFold 预测距离的准确性。

模型架构:创新融合元推理方法

本研究所阐述的 AlphaFold-Metainference 方法,是用于生成代表无序蛋白质和含无序区域蛋白质天然状态的结构集合。

该方法的核心基于一项观察,即 AlphaFold 预测的残基间距离即使对于无序蛋白质也是相对准确的,因此可以在元推理框架内的分子动力学模拟中用作结构约束。简单来说,为了生成结构集合,AlphaFold-Metainference 使用了预测的距离作为分子动力学模拟中的结构约束,将 AlphaFold 距离图 (distograms) 转换为结构集合。

首先是 AlphaFold 预测距离。研究人员借助 AlphaFold 的距离图预测残基间平均距离,并通过特定公式计算预测距离和标准偏差。然后,基于 MMseqs2 进行多序列对比,使用默认设置的 AlphaFold 1.1.1 模型进行预测,期间不使用结构模板。AlphaFold 输出残基间距离分布到 64 个等宽的 bin 中,范围从 2.15625 到 21.84375  Å,最后一个 bin 还包括了超过 21.84375  Å 的距离。

然后是结合元推理 (Metainference) 方法,所谓元推理就是一种贝叶斯推理方法,它能够根据最大熵原理,通过结合先验信息和实验数据来确定结构集合。在该阶段,研究人员将 AlphaFold 预测的距离图作为伪实验数据,运用贝叶斯元推理方法, 将结构异质性和系统误差分开,如力场或前向模型不准确、数据中的随机误差以及由于系综样本量有限产生的误差等,从而确定结构集合。

在分子动力学模拟中,依据元推理能量函数进行计算,通过多副本模拟和吉布斯采样确定误差参数,最后再使用 CALVADOS-2 力场实施粗粒化模拟, 实现 AlphaFold-Metainference。

最后是距离约束选择,该阶段依据距离概率和预测对齐误差筛选 AlphaFold 预测的距离,结合蛋白质亲水性和预测局部距离差测试 (predicted local distance difference test, pLDDT) 分数确定选择标准。 值得注意的是,实验利用 pLDDT 分数选取结构化区域的残基距离并非排除其作为距离约束,以优化结构集合的生成。

所有分子动力学模拟都从 AlphaFold 预测的结构开始,在 NVT 系综下进行,每个模拟设置 6 个副本,每个副本运行 100 万步,从能量最小化步骤得到的不同初始位置开始模拟。模拟采用 Langevin 积分器, 时间步长为 5 fs,摩擦系数为 0.01 ps⁻¹,使用基于 Cα 的模型及 CALVADOS-2 参数和函数形式。

其中,针对高度无序和部分无序蛋白质,使用了 PULCHRA 将粗粒化集合中的所有结构转换为全原子表示,再利用 GROMACS 进行能量最小化,以获得更精确的结构。

总而言之,研究人员所展示的结果阐明了如何使用最初为预测折叠蛋白质天然状态而开发的深度学习方法来生成代表无序蛋白质天然状态的结构集合。该方法大大扩展了基于深度学习的蛋白质结构预测范围,为无序蛋白质结构预测提供了一个新思路。

实验结果:全面验证其合理性

在 AlphaFold 预测准确性方面

研究人员对比了一组 11 种既有 SAXS 测量数据又有 NMR 扩散测量数据的蛋白质,AlphaFold 预测的距离分布与 SAXS 衍生的距离分布之间具有良好的一致性。并且研究人员还添加了一种折叠蛋白质作为对照,如下图所示。

在这里插入图片描述

SAXS 获得的残基间距离分布,与 AlphaFold 预测的高度无序蛋白质的残基间距离分布的比较

值得一提的是,由于 AlphaFold 预测的距离最远可达约 22 Å,因此 AlphaFold 预测的距离分布并未覆盖整个 SAXA 衍生的分布。结果显示,添加的对照组的 DKL 值为 0.037,与 11 种高度无序蛋白质的 DKL 值(DKL 范围为 0.008-0.096)相当,这进一步表明了 AlphaFold 对于无序和有序蛋白质的残基间距离的预测具有相当的准确性。

另外,AlphaFold 预测的距离与从 Aβ 和 α-synuclein 的 MD 集合以及从 CALVADOS-2 集合中反算出来的距离同样具有良好的一致性。

在高度无序结构集合验证方面

利用小角 X 射线散射测量可以计算出成对距离分布。研究人员比较了实验所得的距离分布与从 AlphaFold-Metainference 模拟确定的结构集合中获得距离分布,比较对象仍为上述所提到的 11 种高度无序蛋白质。

同时为了进一步比较,研究人员还展示了使用 CALVADOS-2 获得的距离分布,以及直接从单个 AlphaFold 结构中生成的 AlphaFold 派生距离分布。为了提供定量比较,研究人员发现与单个 AlphaFold 派生结构相比,AlphaFold-Metainference 与 CALVADOS-2 提供的结构集合与 SAXS 数据更为一致。

研究人员进一步使用 NMR 化学位移来比较结构集合,这些化学位移通过 CamShift 在每个时间步长进行反算获得。结果显示,部分情况下 AlphaFold-Metainference 的预测更加准确。 如下图所示。

在这里插入图片描述

来自 SAXS 数据和通过分子模拟获得的结构集合中高度无序蛋白质成对距离分布的比较

  • SAXS 获得的实验成对距离的分布表示为黑线

  • AlphaFold 单一结构预测表示为紫线

  • AlphaFold-Metainference 结构集合预测表示为绿线

  • CALVADOS-2获得的成对距离分布表示为橙线

在部分无序结构集合验证方面

研究人员准备了一组包括 6 个既有有序结构域又有无序结构域的蛋白质,这些蛋白质具有不同的序列长度,且可以获得 SAXS 数据进行验证。

首先是 TDP-43,这是一种多功能 RNA 结合蛋白,具有模块化结构,可参与多种细胞过程,包括转录、前 mRNA 剪接和 mRNA 稳定性调节,其与肌萎缩侧索硬化症及其他神经退行性疾病有关。

实验结果发现,当应用研究人员过滤标准来选择 AlphaFold 预测的距离,并随后应用带有这些距离约束的 AlphaFold-Metainference 时,所获得的结构集合与 SAXS 数据一致性显著更好, DKL 值仅为 0.018,优于直接使用 AlphaFold 预测的结构与 SAXS 数据时 0.582 的 DKL 值。 如下图所示。

在这里插入图片描述

使用 AlphaFold-Metainference 预测的 TDP-43 的结构集合

随后研究人员继续分析了 ataxin-3 和人类朊蛋白。对于前者,取得了与上述 TDP-43 相似的结果,直接从 AlphaFold 蛋白质结构数据库中使用 AlphaFold 得到的预测结构与 SAXS 数据的一致性较差,DKL 值为 0.653,而当应用过滤标准来选择 AlphaFold-Metainference 模拟的 AlphaFold 预测距离时,获得了与 SAXS 数据一致性更好的结构集合, DKL 值仅为 0.020。如下图所示。

在这里插入图片描述

使用 AlphaFold-Metainference 预测的 ataxin-3 结构集合

对于后者,直接从 AlphaFold 蛋白质结构数据库中使用 AlphaFold 得到的预测结构与 SAXS 数据的一致性较差,DKL 值为 0.1,而当应用过滤标准时,则获得了与 SAXS 数据一致性更好的结构集合, DKL 值仅为 0.053。如下图所示。

在这里插入图片描述

使用 AlphaFold-Metainference 预测的人朊病毒蛋白的结构集合

另外,研究人员还针对其他 3 种蛋白质 CbpD、H16 和 PC 进行了研究,结果表明,在所有情况下,实验和反向计算的残基间距离分布之间的一致性非常好, 并且相对于直接从 AlphaFold 蛋白质结构数据库中获取的 AlphaFold 单个结构有很大的改善,如下图 D 所示。

最后,在与 CALVADOS-2 方法的比较中,AlphaFold-Metainference 在 6 种蛋白质的其中 4 个(ataxin-3、CbpD、H16 和 PC),性能都更优秀,其余 2 种(TDP-43 和人类朊病毒蛋白)产生了相当的结构集合。如下图所示。

在这里插入图片描述

部分无序蛋白质的 SAXS 衍生和 AlphaFold 预测的成对距离分布的比较

基于深度学习的无序蛋白预测进展

在过去的几年里,AlphaFold 主要被应用于预测折叠蛋白质的静态结构,也让其多为科研界所诟病,而本次研究无疑证实了其在无序蛋白质结构预测方面中同样具有潜在应用优势,同时也为无序蛋白质结构预测提供了新的研究方向。

事实上,随着 AI 与生命科学的紧密融合,针对于无序蛋白质结构预测的探讨早已是层出不穷, 利用 AI 揭示生命之谜也成了现代生命科学领域中主流的手段。

比如此前曾发布在 Current Opinion in Structural Biology 上的一篇文章探讨了基于深度学习在内在无序蛋白 (Intrinsically disordered proteins , IDPs) 研究中的应用进展,并且阐述了其在无序蛋白预测、构象集合表征等方面的推动作用。

相关研究以「Deep learning for intrinsically disordered proteins:From improved predictions to deciphering conformational ensembles」为题发表。

论文地址:

https://www.sciencedirect.com/science/article/pii/S0959440X24001775

无独有偶,来自丹麦哥本哈根大学的研究团队以「Conformational ensembles of the human intrinsically disordered proteome」为题,在 Nature 上发布了一篇关于无序蛋白质研究的文章,其中讨论了利用多种深度学习方法预测 IDP 的无序区域、构象集合及相关属性,包括的深度学习方法如上文提到的 AlphaFold,以及蛋白质语言模型、生成对抗网络等。

论文地址:

https://www.nature.com/articles/s41586-023-07004-5

毫无疑问,AI 的快速发展正在加速我们去了解生命的真谛。曾经英国科学家约翰·肯德鲁用 X 射线晶体学探索第一个蛋白质结构,花费了整整 12 年时间,如今 AlphaFold 只需要短短几年就能破解数以亿计个蛋白质的折叠之谜,而未来,谁又能断言我们不能掌握无序蛋白质结构预测呢?

助力药物研发,低成本加速AlphaFold训练从11天到67小时,11倍推理加速——开源解决方案FastFold 开源方案FastFold将AlphaFold总体训练时间从11天减少到67小时,且总成本更低,在长序列推理中也实现9.3 ∼ 11.6倍提升。 阅读详情

相关推荐

AlphaFold:深度学习在蛋白质结构预测中的突破

AlphaFold, 蛋白质结构预测, 深度学习, 机器学习, 生物信息学, 计算机视觉, 1. 背景介绍 蛋白质是生命活动的基石,其三维结构决定了其功能。了解蛋白质结构对于药物研发、疾病诊断和生物技术应用至关重要。然而,传统实验方法预测蛋白质结构成本高、耗时长,难以满足快速发展的

AI架构师小马 1860

AlphaFold置信度评估:pLDDT与PAE指标深度解析

在蛋白质结构预测领域,AlphaFold的革命性突破不仅在于其惊人的预测精度,更在于其能够为每个预测结果提供详细的置信度评估。这种"知道何时不知道"的能力,使得研究人员能够更加可靠地使用预测结果进行后续的生物医学研究。 本文将深入解析AlphaFold中两个核心置信度指标:**pLDDT(predicted Local Distance Difference Test)**和**PAE(Pred

gitblog_00881的博客 3405

「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)

「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)

jks212454的博客 477

alphafold安装及使用(保姆级教程、conda环境)

使用conda安装本地版alphafold-mutimer并使用,预测蛋白互作模型,介绍GPU支持的软件包安装顺序。

2201_75882736的博客 9181

嵌入式开发避坑指南:用DWT做延时函数,这几个细节不注意代码会跑飞

本文深入探讨了在Cortex-M嵌入式开发中使用DWT实现精确延时函数的关键技巧与常见陷阱。针对DWT_CYCCNT计数器应用中的内核兼容性、溢出处理、编译器优化等五大核心问题,提供了工业级稳健解决方案,帮助开发者避免代码跑飞风险,实现微秒级高精度延时控制。

weixin_42653691的博客 163

数据库和BI工程师面试题

 一.数据库 1.Oracle数据库,视图与表的区别?普通视图与物化视图的区别?物化视图的作用? 2.Oracle数据库,有哪几类索引,分别有什么特点? 3.Union与Union All的区别? 4.对游标的理解?游标的分类?使用方法? 5.如何查找和删除表中的重复数据?给出方法或SQL。 6.不借助第三方工具,怎么查看SQL的执行计划? 7.创建索引有哪些需要注意的要点?

web_go_run的专栏 1万+

AIDD-人工智能药物设计-AlphaFold系列:年终回顾,AlphaFold迄今为止的实际应用案例

从抗疫前线到药物开发,从罕见病研究到工业酶催化改造,AlphaFold 正在以多元方式渗透到生物医学和产业应用的各个环节。

itwangyang520的博客 2355

ADP在线自适应动态规划之持续激励条件

在线自适应动态规划之持续激励条件 在在线自适应动态规划算法中,需要通过满足持续激励条件(Persistent Excitation Condition)保证critic网络权值的收敛性,一般的做法都是在算法初期在输入端引入探测噪声(Probing Noises)来保证数据的丰富性,但是由于在输入端引入噪声会给系统带来一些不好的影响,甚至可能破坏系统的稳定性。因此,出现了一些其他的方法来避免引入探测噪声,受阅读所限,我目前了解两种: Concurrent Learning(CL) Experience Re

qq_43435956的博客 6163

元学习与自然语言处理:实现更自然的人机交互

1.背景介绍 自然语言处理(NLP)是人工智能的一个重要分支,其主要目标是让计算机理解、生成和处理人类语言。在过去的几年里,随着深度学习技术的发展,NLP 领域取得了显著的进展。然而,深度学习模型通常需要大量的数据和计算资源来训练,这使得它们在实际应用中具有一定的门槛和成本。 元学习(Meta-Learning)是一种新兴的学习方法,它旨在解决这些问题。元学习的核心思想是通过学习如何学习,使模...

AI天才研究院 657

Halcon-AOI外观缺陷检测系列

Halcon-AOI外观缺陷检测系列

Jumy_S的博客 1668

多电平双向DC/DC直流变换器的工作原理(以三电平为例子)

多电平双向DCDC变换器的工作原理一、所用论文和参考文献1.1 主要是中文的文献二、工作原理和重要概念2.1 飞跨电容的作用2.2 三电平的工作原理1.3 多电平的优点二,一些注意点2.1 电感电流的变化2.2 多飞跨电容 多余三个电平的时候的解释(截图居多) 一、所用论文和参考文献 1.1 主要是中文的文献 用于超级电容储能系统的三电平双向直流变换器及其控制 (期刊) 多电平直流变换器及其控制...

qq_32419593的博客 2万+

AlphaFold 和 AI 蛋白质折叠革命的下一步是什么

来源:ScienceAI编辑:萝卜皮十多年来,分子生物学家 Martin Beck 团队一直在努力拼凑世界上最难的拼图游戏之一:人类细胞中最大分子机器的详细模型。这种被称为核孔复合体的庞然大物控制着分子进出细胞核的流动,也就是基因组所在的地方。每个细胞中都存在数百个这样的复合物。每个都由超过 1,000 种蛋白质组成,这些蛋白质在穿过核膜的孔周围形成环。这 1,000 块...

人工智能学家 1000

XDS110 USB Debug Probe连接错误-260:CCS Theia环境下的诊断与修复指南

本文详细解析了CCS Theia环境下XDS110 USB Debug Probe连接错误-260的诊断与修复方法。从硬件连接到驱动状态、固件更新到软件配置,提供了全面的排查指南,帮助开发者快速解决这一常见的调试器通信障碍问题,确保嵌入式开发工作流畅进行。

hope8的博客 287

Nature | 突破性进展:AlphaFold3引领结构生物学进入新时代

来源:生物探索(转载请注明来源)责编:探索君排版:探索君引言在当前的科技浪潮中,人工智能(Artificial Intelligence, AI)正以前所未有的速度和规模渗透到人类生活的方方面面。特别是在生命科学和医学领域,AI的应用正逐步揭开生命奥秘的层层面纱,为人类健康带来革命性的变革。2024年5月8日,谷歌DeepMind公司宣布了其蛋白质结构预测工具AlphaFold的又一次重大升级——...

人工智能学家 455

NXP S32k3 MCAL EMIOS PWM配置

NXP s32k 配置 EMIOS PWM

Leon_0125的博客 2704

基于imx6ull平台opencv的图像采集、ffmpeg推流和Windows端拉流(多线程)

本文档是针对imx6ull平台`opencv`的图像采集、ffmpeg推流和Windows端拉流。首先创建一个线程`opencv`通过摄像头采集视频图像,接着再创建两个线程,其中一个线程获取采集的视频图像送给ffmpeg服务,另一个线程用于获取采集的视频图像并处理,处理完并在显示屏上显示,详细的流程请参看如下。

程小二的博客 1607

一文读懂相分离(图文详解)

相分离本身是一个物理化学概念,二元或多元混合物会在一定的条件下分离为不同的相。生活中可以见到水上漂浮的油滴,就是一种相分离现象。一共两种相,即水和油,由于都是液体,也叫液液相分离()。回顾下我们幼儿园学过的知识:生物进化过程中,在细胞内会用膜分割一些执行特定生物学功能的空间,称为有膜细胞器,这其中就有我们熟悉的线粒体,高尔基体等。这样的好处是方便构建特定反应体系和反应环境,并避免膜内蛋白或反应物质影响外界环境。比如,线粒体的细胞色素 C 如果释放到胞质内,将导致细胞凋亡。

Baimoc 1万+

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

引起相变的无序结构域(IDRs)怎么预测?跟踪热点,提升文章档次!

蛋白研究过程中,一般认为氨基酸的序列决定了蛋白的结构,结构决定功能(一般指蛋白的三维结构)。然而,近50年的研究中,有一种没有特定三维结构的蛋白不断被研究人员发现,由于这类蛋白无法折叠成稳定的三维结构而称为固有无序蛋白(intrinsically disordered regions,IDRs)。这类蛋白虽然缺乏稳定结构且高度可变,但是研究却发现他们在生物体内行驶着重要的生物学功能。 图1 ...

悟道西方 1万+

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

jre9下载 jdk9

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

谷歌宣布:上帝的密码防线逐渐崩溃!人工智能有可能是人类文明史的终结!

来源:dang归网谷歌突然宣布:谷歌最新人工智能 AlphaFold,在一项极其困难的任务中击败了所有对手,成功根据基因序列预测了生命基本分子——蛋白质的三维结构。谷歌宣布:上帝的密码防线...

weixin_36896856的博客 366

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

【独家解读】Nature论文AlphaFold:AI推动科学发现

“独家解读,听听他人的声音”,聆听他人的学术成长经历,对科研问题独到的见解,了解产业界的最新进展,相互学习、相互借鉴、集思广益、共同进步。为此,我们特别开辟“独家解读”专栏,让你在科研道...

weixin_48294000的博客 6725

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 341

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 280

【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 616

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 209

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 345

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 363
上一篇: 【vLLM 学习】使用 XPU 安装
下一篇: 在线教程 | CSM 驾到,统统闪开!更鲜活的语音生成,从此告别延迟呆板机械味
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