重塑无序蛋白集合预测能力,英伟达/MIT/牛津大学/哥本哈根大学/Peptone等发布生成式模型及新评测基准

「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

在结构生物学的发展历史中,「结构决定功能」一度被视为近乎不可动摇的基本法则。无论是胰岛素的经典螺旋构象,还是血红蛋白的四聚体架构,都强化了一个共识:蛋白质要发挥生物学作用,必须拥有稳定的三维结构。

然而,内在无序蛋白(IDPs)及其内在无序区域(IDRs)的发现, 正不断重塑这一传统认知。它们在生理条件下并不形成固定结构,却深度参与信号转导、基因转录调控等核心过程,并与癌症、神经退行性疾病等重大人类疾病密切相关。

计算生物学研究进一步揭示,真核生物蛋白质组中约 30% 的氨基酸残基处于无序状态。这意味着,无序并非「异常」,而是生命体系的常态组成部分。然而,无序蛋白的高度动态性使其难以用传统实验技术稳定捕捉,也难以通过常规计算方法准确模拟其构象分布, 这也成为了该领域长期存在的技术瓶颈。

围绕这一挑战,英国蛋白质分析技术研发商 Peptone 公司、哥本哈根大学、英伟达、牛津大学、麻省理工学院、杜克大学等组成的联合团队,提出了两项关键突破。其一是 PeptoneBench 系统评估框架, 该框架整合 SAXS、NMR、RDC、PRE 等多源实验数据,并结合最大熵重加权等统计方法,实现了实验观测与理论预测的严格定量对照。其二是生成式模型 PepTron, 基于扩展后的合成 IDR 数据集训练,专门强化了对无序区域的建模能力,使其能够更好地捕捉无序蛋白的构象多样性。

研究团队利用 PeptoneBench 将 PepTron 与 AlphaFold2、Boltz2、BioEmu 等主流预测工具进行了系统对比,结果显示,PepTron 在有序与无序区域的预测上均展现出与实验结果高度一致的表现,达到了 SOTA 水平。基于这些进展,一个更准确、更贴近生物现实的「构象集合」结构预测框架正在形成,显著提升了人们对蛋白质在有序—无序全谱状态下的整体理解能力。

相关研究成果以「Advancing Protein Ensemble Predictions Across the Order–Disorder Continuum」为题,已发表预印本于 bioRxiv。

在这里插入图片描述

论文地址:
https://www.biorxiv.org/content/10.1101/2025.10.18.680935v1
关注公众号,后台回复「PepTron」获取完整 PDF

更多 AI 前沿论文:
https://hyper.ai/papers

PeptoneBench 与多源实验数据集的系统化构建

蛋白质数据库(PDB)是结构生物学最基础、最重要的公共资源,但在内在无序蛋白(IDPs)及其无序区域(IDRs)的覆盖上却存在明显结构缺口——仅约 3% 的条目被标注为无序, 而在人类蛋白质组中,此类无序区域的比例却高达 20–30%。

如下图所示,这种系统性偏斜使得大多数结构预测模型天然「偏爱」稳定构象,对动态无序状态的学习能力长期受限。为弥补这一不足,研究人员引入了如 IDRome 等补充性数据库,其无序占比高达约 77%, 可从统计分布上与 PDB 形成互补。然而,该数据库缺乏真实实验解析的结构数据,因而难以用作建模与评估的直接基准,其应用价值仍受到明显限制。

在这里插入图片描述

PDB、人类蛋白质组和 IDRome 数据集中预测的蛋白质无序分布

要突破上述数据瓶颈,第一步是建立可量化、可比较的无序程度指标。 该研究以蛋白质平均 G 评分为核心度量,其取值范围介于 0(完全有序)到 1(完全无序),基于 NMR 二级化学位移(CS)数据计算,可准确反映局部二级结构形成的倾向。对于缺乏实验 CS 数据的蛋白质,研究团队采用基于 TriZOD 训练的机器学习模型 ADOPT2 进行 G 评分预测,从而实现对整个有序–无序谱的统一量化。
在此基础上,团队进一步指出,仅依赖 PDB 的结构数据无法客观评估构象集合的质量,因此必须构建覆盖完整有序–无序范围的实验数据集。

为此,如下表所示,研究人员建立了 3 个互补的数据资源:PeptoneDB-CS(源于 BMRB 的 NMR 化学位移)、PeptoneDB-SAXS(来自 SASBDB 的 SAXS 图谱)以及 PeptoneDB-Integrative(整合多种正交实验数据的 IDP 专用集)。三类数据结构不同、信息互补,CS 揭示局部结构,SAXS 反映整体构象,Integrative 支持交叉验证。

在这里插入图片描述

研究构建的蛋白质数据集

基于这些数据,如下图所示,研究人员构建了 PeptoneBench 评估框架,用于量化预测构象集合与实验数据的一致性。 整个流程包括:构象集合标准化与预处理;通过正向模型将预测结构映射为可与实验对比的观测量;基于归一化 RMSE 进行一致性评分,并在全程纳入模型与实验的不确定性。最终结果以 RMSE–G 评分关系图展示,并通过 LOWESS 平滑与自举法估计误差,进一步综合为 PeptoneBench 汇总评分,形成可直接比较不同工具性能的量化标准。

在这里插入图片描述

PeptoneBench 工作流程

值得特别强调的是,某些初始 RMSE 较高的构象集合,通过最大熵重加权后反而可能更接近实验分布。为避免将「错误的权重」误判为「缺失的构象」,PeptoneBench 同时报告重加权前后的 RMSE,以区分可修正的采样偏差与不可恢复的构象缺失。 这一策略对高度动态、对实验条件极其敏感的 IDP 尤为关键:只要生成模型能够覆盖足够丰富的构象空间,即便实验环境不同,也能通过重加权过程快速适配,从而显著提升预测结果的实用性与可靠性。

PepTron:兼顾有序与无序蛋白的构象生成模型

该研究提出的 PepTron 模型,是一款基于流匹配 ESMFlow 架构构建的蛋白质构象生成器,目标是覆盖从完全有序到高度无序的完整构象谱,生成既具物理合理性又具有结构多样性的构象集合。

在模型架构上,PepTron 以 ESMFlow 为基础,并在 NVIDIA BioNeMo 框架中实现以提升训练与推理效率。 模型集成了 cuEquivariance 三角注意力机制,并通过 BioNeMo 的 Modular Co-Design 子包支持流匹配功能。训练流程遵循 BioNeMo 的分布式最佳实践,结合多种并行策略和混合精度计算,因而能够在多 GPU 环境中稳定、高效地扩展。

值得强调的是,PepTron 在推理阶段不依赖多序列比对(MSA)或外部 ESM 权重,仅凭单一检查点即可生成完整构象集合,大幅简化了使用门槛。

针对无序区域实验结构数据稀缺的难题,研究团队基于 IDRome 构建了合成结构数据集 IDRome-o。为此,他们开发了基于片段组装的蛋白质结构生成工具 IDP-o,能够以极低成本大规模生成物理合理的 IDP 构象集合。 IDP-o 结合片段组装与分层链增长策略,从包含 2.14 亿结构的 AlphaFold 大型数据库中提取六残基片段,从而更准确地捕捉无序蛋白中短暂出现的螺旋结构。

需要说明的是,IDR-o 的目标并非模拟某一平衡分布,而是覆盖序列可能采样到的所有合理构象,因此其输出特别适用于后续的最大熵重加权,也可作为分子动力学模拟的高质量初始构象库。

为克服传统模型倾向预测稳定结构的偏差,如下图所示,PepTron 采用了「实验数据+合成数据」的混合训练策略: 先使用 PDB 中的实验解析结构进行预训练,再引入合成生成的无序蛋白集合进行混合微调,从而让模型充分学习有序与无序构象的连续分布。即使在计算资源受限条件下,这种策略仍显著提升了模型在各类蛋白上的预测性能。

在具体训练流程上,研究分为两个阶段: 在基础阶段以 ESMFold 权重为起点,利用 PDB 数据对流匹配模块进行再训练,并将序列长度裁剪范围扩展至 512 个残基;在混合微调阶段使用由 PDB 实验结构与 IDRome-o 合成数据构成的混合集合作为训练数据,对模型进行最终优化。这样的设计使 PepTron 能够打通有序—无序全谱,实现对蛋白质动态构象空间更全面、更真实的建模。

在这里插入图片描述

PepTron 模型示意图

面向全谱构象的模型验证:PepTron 与主流方法的系统比较

研究团队随后使用 PeptoneBench 框架,在完全独立于训练集的实验数据上系统评估 PepTron 的性能,并与 ESMFold、ESMFlow、AlphaFold2、Boltz2、BioEmu 等主流模型进行基准对比。同时,团队在专注于内在无序蛋白(IDP)的 PeptoneDB-Integrative 数据集上开展专项测试,以全面检验各模型在无序构象建模上的能力。结果显示出清晰的模型分化特征。

如下图所示,在 PeptoneDB-CS 数据集上,各模型的表现随蛋白质无序程度(G 评分)呈现显著差异:ESMFold 与 ESMFlow 在有序区域预测精确,但在无序区域性能明显降低;IDP-o 则呈现典型的互补模式——无序度越高性能越好;而 PepTron 在整个有序—无序构象谱上都保持稳定的高一致性。 这种均衡能力在 PeptoneDB-SAXS 数据集以及随后的重加权分析中再次被验证,说明 PepTron 在不牺牲有序结构精度的前提下,能够有效捕捉无序蛋白的构象多样性。

在这里插入图片描述

不同模型的 PeptoneDB-CS/SAXS 对比结果

进一步的跨模型对比结果如下图所示,AlphaFold2 与 Boltz2 虽然在有序蛋白的预测中依旧占优,但随着无序程度上升,其性能出现系统性衰减;相比之下,PepTron 与 BioEmu 在整个构象谱上都保持更强的稳健性,更适合处理 IDP 高度异质的结构特征。

在这里插入图片描述

不同模型的 PeptoneDB-CS/SAXS 对比结果

为了确保无序区域训练不会损害其对有序蛋白的预测能力,研究团队还在 CAMEO22 和 CASP14 的有序结构数据上进行了额外测试。结果表明,PepTron 在 RMSD、LDDT、TM 等关键指标上与 ESMFlow 表现一致,证明其在扩展 IDR 建模能力的同时并未削弱对有序结构的准确性。

在集成多实验指标的 PeptoneDB-Integrative 数据集中,如下图所示,模型表现进一步呈现差异。IDP-o 在最大熵重加权后表现尤为突出,无论是 RMSE 还是 RDC Q 因子均显著优于其他模型;PepTron 与 BioEmu 在 RDC 指标上接近,但 BioEmu 在局部化学位移预测中更具优势。值得注意的是,即便在未重加权条件下,IDP-o 仍在多数局部与全局指标中领先,体现其在无序蛋白构象覆盖上的天然优势。

在这里插入图片描述

不同模型在 PeptoneDB-Integrative 数据集的预测结果

研究也指出了当前模型的几类共性瓶颈: 多数模型在长程接触偏好上捕捉不足,存在不同程度的二级结构偏置;此外,对于「条件性折叠序列」的未折叠状态,主流模型普遍难以准确描述,而 IDP-o 在这一方面表现出独特的优越性。

从无序到有序:IDP 研究的全球突破与产业新篇

内在无序蛋白(IDPs)因其高度动态的构象特征及与多类重大疾病的紧密相关性,正迅速成为全球生命科学与医药产业的研究前沿。

在学术界,AI 结构预测技术正在成为破解 IDP「动态密码」的关键力量。剑桥大学提出的 AlphaFold-Metainference 方法, 将 AlphaFold 的对齐误差图与分子动力学模拟相结合,突破了传统 AlphaFold 主要预测稳定结构的局限,成功构建了 IDP 及含无序区域蛋白的结构集合,为理解其多态性提供了新路径。
论文题目:

AlphaFold prediction of structural ensembles of disordered proteins
论文链接: https://www.nature.com/articles/s41467-025-56572-9

哥本哈根大学团队进一步整合 AlphaFold 与蛋白质语言模型,实现了人类无序蛋白质组构象的大规模预测, 验证了 AI 技术在 IDP 研究中的普适性与可扩展性。
论文题目:

Conformational ensembles of the human intrinsically disordered proteome
论文链接: https://www.nature.com/articles/s41586-023-07004-5

而学术成果能否真正改变疾病治疗,还取决于产业界的技术转化能力。英国生物技术公司 Peptone 与德国制药企业 Evotec 的合作,便展示了 IDP 研究向药物研发延伸的可行路径。 依托 Peptone 的超快速氢氘交换质谱(HDX-MS)平台,研究人员可实时追踪无序蛋白的动态变化,捕捉传统结构测定手段难以识别的结合位点;再结合 Evotec 在靶点验证、药物筛选及临床推进方面的优势,使得难成药的 IDP 靶点有望转化为具备成药潜力的候选分子。

这一系列进展不仅与 PepTron 模型「覆盖有序—无序结构全谱」的趋势相互呼应,也标志着曾被视为难以捉摸的无序蛋白,正逐步成为精准医学与生物制药中的关键靶点。随着技术突破与产业协作的不断加深,IDPs 或将为未来疾病治疗提供全新的理解框架与干预路径。

参考链接:
1.https://www.vbdata.cn/intelDetail/717834
2.https://c.m.163.com/news/a/JDIR2LQJ0552ZPM2.html
3.https://www.vbdata.cn/intelDetail/580634

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

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1325

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

VSCode配置C/C++开发环境:从零安装MinGW-w64并运行第一个C程序

在Windows系统上搭建C语言开发环境时,很多初学者混淆编辑器、编译器与调试器的分工,导致配置过程屡屡受挫。理解VSCode作为轻量级编辑器的定位,以及MinGW-w64提供的gcc编译器在源码编译中的核心作用,是顺利完成环境配置的关键。环境变量的正确设置直接影响gcc命令能否全局调用,而C/C++插件则赋予编辑器语法高亮与智能提示能力。通过安装VSCode、配置MinGW-w64、安装插件、汉化界面并运行一个最简单的hello.c程序,就能系统掌握这套开源工具链的完整工作流。无论是用于课程学习、算法练习

weixin_42531923的博客 535

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

ESP8266+ITR8307实战:如何用反射式光电管实现5cm远距离检测(附避坑指南)

本文详细介绍了如何利用ESP8266的ADC功能与ITR8307反射式光电管,通过调制解调、硬件电路优化及软件同步采样策略,实现5cm稳定远距离检测。文章提供了完整的硬件设计、代码实现与调优避坑指南,有效解决了环境光干扰与信号衰减难题,适用于智能车、自动化等需要可靠非接触检测的项目。

rgv234567的博客 266

qt5.14.2+vs2019配置msvc2017编译器

qt5.14.2+vs2019配置msvc2017编译器 在使用qt编译程序时此前一直使用的是自带的MinGW 32-bit和64-bit,现在想使用msvc编译器。本次使用的是qt5.14.2,vs2019,需要配置msvc2017的32-bit和64-bit编译器。 1、首先安装好qt5.14.2和vs2019,其次在visual studio installer选择修改,然后选择msvc2017对应的组件,本次安装的是这两个 2、打开qt creator的工具–选项–kits–编译器,选择Manu

bangtanhui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 616

多目标优化权衡分析:从 Pareto 前沿到 3 种量化指标(相关系数/膝点/理想点)

本文深入探讨多目标优化中的权衡分析,介绍从Pareto前沿到三种量化指标(相关系数、膝点、理想点)的实用方法。通过Python代码示例和对比分析,帮助读者在工程设计、投资组合等场景中有效评估目标间的Trade-off关系,实现科学决策。

weixin_29032337的博客 396

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

黑猫带你学Nand第8篇:NandFlash的供电情况详解

是指在任何工作条件下,设备允许的最大电压、电流、功率以及温度等参数的界限值。

黑猫奥利奥的博客 1150

基于Simulink的智能车辆电子稳定控制(ESC)仿真

本文完成了基于 Simulink 的智能车辆电子稳定控制(ESC),实现了:✅ 构建含轮胎非线性的车辆动力学模型✅ 设计滑模横摆稳定性控制器✅ 实现四轮制动力分配逻辑✅ 验证在双移线低附着场景下的卓越稳定性✅ 为主动安全控制系统开发提供完整范式。

xiaoheshang_123的博客 82

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

[dprecated]第五章:TTM分析: 5.1 TTM设计目标和核心概念

TTM是Linux DRM框架下的通用显存管理模块,其复杂性源于需要满足多样化的显存管理需求。该文解析了TTM的核心结构体及其关系:ttm_device作为顶层管理者,包含多个ttm_resource_manager处理不同类型内存;ttm_buffer_object为核心对象,通过ttm_resource关联物理资源;其他组件如ttm_tt管理页表、ttm_pool优化分配效率。文章强调理解这些结构体关系是掌握TTM机制的基础,并建议国产芯片开发者参考这些功能需求。

图形/计算GPU的驱动与虚拟化技术分享园地 2133

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

ESP32-C3入门教程 环境篇③——VS Code IDE快速入门

文章目录一、安装Visual Studio Code二、安装扩展三、配置ESP-IDF 插件四、创建工程五、配置工程5.1 选择目标芯片5.2 项目配置六、编译工程七、固件分析七、固件下载八、串口日志九、单步调试 一、安装Visual Studio Code 下载并安装Visual Studio Code 二、安装扩展 左侧扩展 搜索espressif 点击安装 三、配置ESP-IDF 插件 按下F1按键 输入configure esp-idf extension EXPRESS,如果你

8306

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

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 87

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

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 163

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

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!

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! 514

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 619

【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。

408

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 402

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 5168

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 573

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 182

面向工业对讲的双通道声学 DSP 模组 A-59(NR2050-A)方案解析与工程落地案例

A-59模组以NR2050-A DSP为核心,37.5×16mm邮票孔封装,支持-40℃~85℃工业温域,兼容A-06/A-09/A-29系列,可低成本替换存量设备。通过固件切换实现三种模式:模式一(低改版成本,适配矿井、电梯);模式二(最优AEC,用于医院呼叫);模式三(双波束独立输出,支持双人会议语音分离)。集成AEC、ENC、BF与AGC算法,有效抑制回声、噪声与串扰,解决对讲系统核心声学难题。选型需注意参考信号路径、麦间距与温度匹配,建议先做声学测试再量产。

R190_6589的博客 374

SAP商业AI正式通过网信备案:企业落地AI五问

中数通“CDC商业AI”通过广东网信部门备案,标志着SAP商业AI在华本地化迈出关键一步。然而,合规仅是起点,企业真正需关注的是:AI能否融入核心流程、数据治理是否健全、责任归属是否清晰、价值衡量机制是否建立。从“可用”到“用好”,关键在于工作流重构、跨团队协同与业务结果导向的评估体系。国产模型成本优势与本地部署能力为ERP深度集成提供可能,但真正的竞争力仍在于对数据、流程与业务上下文的理解力。

Acloudear的博客 215
上一篇: NeurIPS 2025 最佳论文奖公布!Qwen团队/清华大学/斯坦福等联合研究成果入选
下一篇: 抽奖赠票| 北大/清华/Zilliz/MoonBit开源论道,解锁产研协同新范式
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