2023百度云智大会:科技与创新的交汇点

IDC发布大模型平台及应用市场份额报告:百度、商汤、智谱位列中国大模型市场前三,2023年中国大模型市场规模达17.65亿元人民币? 根据国际数据公司(IDC)发布的《中国大模型平台市场份额,2023:大模型元年——初局》报告,2023年中国大模型平台及相关应用市场规模达到了17.65亿元人民币。在这一市场中,百度、商汤和智谱位列前三。具体来说,百度智能云以19.9%的市场份额位居第一,其市场规模达到3.5亿元人民币;商汤科技紧随其后,市场份额为16.0%,受益于其对大模型的专注投入以及上海AIDC提供的综合解决方案;而智谱则位列第三。这些公司在过去的一年中主要进行了早期投入,并且由于行业整体仍处于观望状态,因此整体市场规模并不显著。 阅读详情

​
这次的百度云智大会,可谓是亮点云集——

发布了包含42个大模型、41个数据集、10个精选应用范式的全新升级千帆大模型平台2.0,发布首个大模型生态伙伴计划,而且也预告了文心大模型4.0的发布,大模型服务的成绩单也非常秀:月活企业数已近万家,覆盖金融、制造、能源、政务、交通等行业的400多个场景。

在这里插入图片描述

而这次大会让我觉得眼前一亮的,莫过于文心大模型,以及基于大模型的重构四大行业解决方案,可以说从根本上,完成了对于行业的解构。

作为拥有最大的产业落地规模的文心大模型,现在的行业广度和覆盖的场景,以及实际应用的经验,放眼全国应该也是当之无愧的第一。而我这篇回答,干脆就接着我最感兴趣的部分,给大家详细讲讲这四大行业解决方案,从根本上探索“解构”的方式。

先说说关于城市治理的政府解决方案——九州。

九州,名字和我喜欢的一本同名小说一样,而它的格局也确实真的打开了,它相当于给城市重塑了一颗大脑。它独创的“一网统管、一网通办、一网协同”数字政府建设核心理念,对于城市管理层面,可谓是真的如虎添翼。

打个比方来说,过往的城市治理其实非常复杂,一般都需要通过高频场景和静态分析作为主要的治理方式。但是现在通过大模型的一网统管辅助,不仅可以从城市历史内容中提炼全新的思维,理解问题并且及时给出最好的建议,而且还能在某种意义上对比过去的治理方式增添更多客观和科学依据。

而“一网通办”主要体现在为老百姓办事方面,大模型可理解各类政务知识和术语,老百姓每个人都可拥有自己的办事助手,就大大减少了咨询口和代办窗口的劳动力。

一网协同则主要体现在政府内部办公提效,从公文写作到部门统筹、决策支撑,办公效率可提升几十倍。

用AI来完善事物最大益处在哪?在于客观在于科学,但是更在于效率的执行,以及最快速递的相应需求——

这对于中国这种国土面积巨大且区域分散零碎的地区治理来说,简直就是降维打击。比如基层的城乡治理,根据当地不同风土进行的地方产业应用,用AI直接推动了城乡的结合协同发展。

再说说金融层面,百度智能云金融解决方案:开元。

其实金融层面,现在几乎是目前很多企业发展大模型的初心,很多企业创建大模型意义就在于服务金融,但是能做到文心大模型这个规模的,从技术门槛到落地门槛,都非常难。

而百度的开元把问题从宏观上缩小,集中在两个层面去解决金融行业的最大痛点——

运营效率和业务质量。

而这两个方面无疑是金融行业一直想解决,但是没有特别好方式解决的问题,最终的解决办法往往只有一个:堆人力。

效率低?加人,业务质量差?增加淘汰替换机制以及服务质量评比机制,最终还是需要加人。

而通过百度的开元,在运营效率层面,可以通过海量金融专业知识的压缩、学习,开元为金融机构打造了符合监管要求的金融大模型,贯穿金融机构业务前中后台,实现规模化的降本增效。

在业务质量,百度提供数智化业务运营、生成式协同办公两套智能应用解决方案套件,一方面通过“投研分析助手”等辅助员工日常工作,另一方面生成数字员工,二者协同,支撑业务增长。

如果把员工从过去繁杂、低效的工作中解放出来,还担心服务不够好么?
这就是从行业底层的理解和解构才能得出的完美解决答案。

再说说工业层面,百度的起名真的从来不让我失望——百度智能云工业解决方案开物。

其实工业的数字化程度,我国始终都处于一个比较尴尬的位置,数字化的推进工作确实一直都在做,但是实际落地的成本始终居高不下,这让很多中小工业企业的存活成本大大增加。

而开物是怎么做的?直接运用工业大模型的泛化能力帮助工业企业用更小的数据样本和算力、更短的时间构建更多的产线智能应用,而且大模型自己特有的能力——

生成式自动化能力,可以把工厂级模型之间完成智能化调度和管理,用一个大语言模型串联起不同产线的智能应用,实现企业级甚至产业链级的全局资源分配和智能数据流转,当数据实现无缝传输,自然就把行业产业的高效带动上来了。

最后说说智能交通解决方案:ACE3.0。

对于城市交通,百度真的下了很大的功夫。

在过去的五年多时间里,百度在智能交通领域也是有很多的成果,也成为了全球唯一实现了车、路、云、图全栈核心技术闭环的公司,而在这个过程中,百度就是基于交通的基础要素进行最大程度的积累,比如动静态交通数据、交通行业知识图谱和工程化能力。

利用大模型强大的知识压缩能力,ACE 3.0可以将车、路、云、图的基本能力和交通全要素进行了聚合和泛化升级,针对地区的特殊性进行智能的交通方案。

打个比方说,对于交警部门来说,原本只有几十种的拥堵判别要素,现在可以通过大模型增加到一两百种,而且还能更快更好的完成交通组织方案基于大模型重新设计和优化,并把这个范围不断扩大。

以上,就是这次百度云智大会中对于行业解决方案的解读。这些方案牛就牛在,不仅把B 端、C 端业务的场景完成了解决方案的覆盖,而且还能有效的实现联通,可能现在来看实际的落地价值还没有完全被释放出来,但是当技术更加成熟,算力更加稳定,互联网时代的全新迁徙,或许会提前到来。

我也期待着一个大模型解决问题的时代正式到来。

​

《向量数据库指南》2023 年备受瞩目的向量数据库赛道盘点出炉 其中,“REAL 100创新家”榜单包含五大热门赛道:人工智能,企业服务,硬科技,出海,新造车,展示出这一年里多元化的创新力量。据悉,本次榜单是量子位在过去三个的时间里,以真实数据为基础,结合对数百家 AI 公司的深入调研,以及数十位行业知名专家的意见选出,覆盖了基础大模型、AI计算、具身智能、空间计算、多模态交互等最新趋势;在 AI 时代大门开启之时,该榜单能为前沿科技创新关注者提供了一个客观视角,为趋势变革中勇往直前的企业组织强化信心,也为人工智能产业新周期、新篇章的开启落下注脚。 阅读详情

相关推荐

Zemax操作40--序列模式中LD光源模拟

LD模拟

lzy750750的博客 9125

回顾2023百度云智大会:人工智能的未来之路

在2023年的百度云智大会上,各界的科技专家、学者、企业家和创新者再次齐聚一堂,共同探讨和分享最新的人工智能、大数据、云计算等前沿技术和行业趋势。会议开幕式上,百度创始人兼CEO李彦宏发表了主题演讲,分享了百度在人工智能和云计算领域的最新进展和愿景,他强调了人工智能对于社会发展和经济增长的重要性,并呼吁各界共同努力,加强合作,共同推动人工智能的创新和应用。”百度集团执行副总裁、百度智能云事业群总裁沈抖表示,“我们用了半年时间,不断沉淀经验、积累工具,对千帆平台做了大量升级,让千帆大模型平台更好用、更贴心。

Hinyeung2021的博客 521

Springboot+Vue 实现鸿蒙商城管理系统开发实践

通过使用 Springboot 和 Vue 技术栈,我们成功实现了鸿蒙商城管理系统的开发。系统具备用户管理、商品管理、订单管理、库存管理和统计分析等功能,支持 Web 端和鸿蒙端的访问和操作。在开发过程中,我们充分利用了 Springboot 的快速开发优势和 Vue 的组件化开发特点,提高了开发效率和系统的可维护性。同时,通过与鸿蒙设备的集成,实现了多设备之间的数据交互和协同工作,提升了用户体验。

ZXJ_SXT的博客 1326

2024百度云智大会召开,百度智能云宣布升级两大AI基础设施、三大AI原生应用产品

9月25日,2024百度云智大会在北京召开。为帮助企业更快、更好、更省地使用大模型,百度智能云分别针对算力、模型、AI应用,全面升级百舸AI异构计算平台4.0、千帆大模型平台3.0两大AI基础设施,并升级代码助手、智能客服、数字人三大AI原生应用产品。

优快云资讯 3375

【Unity3D渲染】Unity3d实现Photoshop的各种图层混合模式

Adobe Photoshop图层混合原理、Unity ShaderLab图层混合实现

a310989583的专栏 2440

WinClaw安全实战 02|五层纵深防护体系全解析:从原理到实操,打造零风险AI智能体

2026年AI智能体爆发式普及,OpenClaw以27.3万GitHub星标成为现象级工具,但恶意Skill投毒、提示词注入、数据外泄等安全事故频发,国家互联网应急中心、工信部等多部门接连发布风险警示。威努特基于国家关键信息基础设施安全防护经验,打造WinClaw安全版AI智能体,其核心竞争力在于**五层纵深防护体系**。本文从安全痛点切入,通过真实事故案例揭示风险本质,全景解构五层防护的架构设计与技术原理,逐层拆解身份认证、安装审查、消息拦截、执行约束、监控审计的实现逻辑,搭配20+实操演示、对比表格

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 501

多场开发实战课,百度智能云技术大咖现场教学!

大模型技术正在以前所未有的速度推动各行业的智能化跨越。对于身处这个时代的开发者来说,他们不仅需要不断学习新知识,还要探索如何将 AI 更好地融入实际应用场景。面对崭新的时代,开发者若想找到一条提升思维认知和开发效率的最短路径,百度智能云每年举办的百度云智大会·智算大会是不容错过的:智能计算大会是百度智能云面向“云计算产品与技术”的重磅活动之一,以引领智能计算技术创新为目标,传递百度智能云产品与技术...

技术领导力 269

YOLOv11改进 | Mamba-YOLOv11-L:基于SSM的高效全局建模,精度与效率的双重突破

摘要: 本文提出Mamba-YOLOv11-L,通过集成状态空间模型(SSM)改进YOLOv11的全局建模能力。针对YOLOv11在复杂场景中全局依赖缺失、精度-效率矛盾等问题,SSM以$O(N)$计算复杂度实现长程语义捕捉。改进后的模型在工业缺陷检测(Recall↑12%)、边缘设备部署(内存↓16%)、多尺度目标检测(小目标mAP↑9%)等场景表现优异,推理速度保持>40 FPS。核心创新包括轻量化SSM模块设计(稀疏状态转移+局部上下文融合)及与YOLOv11骨干的深度集成,代码实现展示了SSM

走向CTO的路上... 572

大模型烧钱战,百度云亟需突围之路

据IDC最新报告,百度智能云在2023年中国大模型平台市场份额位居第一,达到19.9%,但在2024年1月至5月期间,国内大模型项目的中标公告发布近260个,百度仅以10个项目投标位列榜首,作为与云业务深度绑定的大模型业务,显然这样的成绩并不足以支撑百度云的市场期待。一位同业大厂资深表示,百度云的市场地位,是基于其AI差异化产品布局的结果—IaaS层的AI算力、PaaS层的AI平台、MaaS层的AI模型、SaaS层的AI应用,以及文心大模型、千帆大模型平台、百舸异构计算平台,在整体产品布局有着支撑作用。

1640

分子对接时,如何批量处理小分子受体和蛋白配体,让他们快速转化为pdbqt格式,然后用vina跑?

🏆本文收录于 《全栈Bug调优(实战版)》 专栏,该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因,并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者,还是拥有多年项目经验的资深工程师,本专栏都将为你提供一条系统化、高质量的问题排查与优化路径,助力你加速成长,攻克技术壁垒,迈向技术价值最大化与职业发展的更高峰🚀!

**My Coding Family** 1222

SAC-IA算法点云粗配准

SAC-IA(Sample Consensus Initial Alignment)是PCL库中的一种初始点云配准算法,它使用特征匹配和RANSAC(随机抽样一致性)框架来估计两个点云之间的初始刚性变换。其目标是通过特征描述符找到一组可靠的匹配点对,并使用这些点对估计初始对齐的变换矩阵。

twnkie的博客 1446

2023低代码·无代码产业大会在京成功召开

中国信通院云大所政企数字化转型部主任徐恩庆详细介绍了中国信通院在低代码、无代码方面的研究体系,中国信通院从2021年起进行低代码、无代码研究,目前已形成覆盖技术平台、场景应用、互联互通和信息技术应用创新的标准体系,累积共有27个低无代码产品和解决方案通过中国信通院低代码无代码评测,未来中国信通院将联合产学研用力量,持续完善低代码无代码标准体系,不断拓展完善低代码无代码平台功能、新技术融合、互联互通等方面的标准体系,持续提升低代码无代码相关服务质量和可信度,积极引导低代码无代码产业健康发展。

xhwuli的专栏 5

PCL Trimmed ICP实现点云精配准【2025最新版】

博客长期更新,本文最新更新时间为:2025年6月25日。抄袭狗记得来抄最新代码哦,抄都抄成错的,不够丢人钱。

点云侠的博客 37万+

2023 年备受瞩目的向量数据库赛道盘点出炉

【2023 中国创新力量 50 榜单 】( InnoForce 50 )由极客公园发布,随着以人工智能技术为代表的新一轮科技革命和产业变革的到来,创新正在成为推动社会进步的重要引擎。其中,“REAL 100创新家”榜单包含五大热门赛道:人工智能,企业服务,硬科技,出海,新造车,展示出这一年里多元化的创新力量。据悉,本次榜单是量子位在过去三个的时间里,以真实数据为基础,结合对数百家 AI 公司的深入调研,以及数十位行业知名专家的意见选出,覆盖了基础大模型、AI计算、具身智能、空间计算、多模态交互等最新趋势;

ZILLIZ 282

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

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。

传字节跳动 2023 年销售额超腾讯;OpenAI 推出聊天内容存档功能;Stability AI 宣布推出订阅服务|极客头条

极客头条」—— 技术人员的新闻圈!

极客日报 1万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

22集团再度荣获“CNNIC年度最佳安全保障、五星级域名注册服务机构、数字化行动优秀支持单位”三项奖

也被喻为隔着屏幕搞定客户的增长“黑武器”,集成多种应用功能,发挥数字化营销中台扩展性和集成性的架构,在统筹业务流程、执行数据管理和数据分析等方面发挥巨大的作用,为企业提供数字化系列解决方案,整个“营、销、管、服”全流程业务闭环由一个营销技术中台管理,实现经营数字化,销售自动化。,数字化知识产权服务商,为企业机构/个人提供商标、版权、专利、品牌保护、知识产权维权、跨境知识产权、品牌出海等业务,助力打造高质量发展的创新型企业。典型客户:浙江烟草、华为、森马集团、百度云、贝因美、雪梨(网红)等。

LTD_SaaS的博客 598

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

李彦宏数千万元投资大模型创业公司 鼓励创业者坚持长期主义

“越来越多的人靠自然语言提示词,就可以做出很有用的智能体。”9月25日,在2024百度云智大会上,“文心杯”创业大赛第二季结果揭晓。百度创始人李彦宏发表颁奖致辞时指出,智能体是他最看好的AI原生应用发展方向,相当于PC时代的网站和自媒体时代的账号。李彦宏表示,智能体最明显的特点是门槛足够低,谁都能上手,但同时天花板又足够高,可以做出非常复杂,非常强大的应用。未来,将会有数以百万量级的智能体出现,形...

趣味科技v 122

百度智能云携手银河证券,率先落地大模型在证券行业机构业务应用

随着国内资本市场不断成熟,券商机构业务的客户规模及业务占比迅速提升,机构业务已成为券商布局的又一重要赛道,如何在该赛道加快金融科技的运用和发展、创新业务模式、有效提升机构投资者的“生产力”,将成为券商能否抢占先机的关键。在2023年百度云智大会上,中国银河证券创新投资总部总经理张堃分享了基于百度智能云开元解决方案领先的金融行业应用大模型在证券机构场外衍生品业务上的应用实践。场外衍生品是指不在交易所...

百度智能云 843

传字节跳动 2023 年销售额超腾讯;OpenAI 推出聊天内容存档功能;Stability AI 宣布推出订阅服务|极客头条...

「极客头条」—— 技术人员的新闻圈!优快云 的读者朋友们早上好哇,「极客头条」来啦,快来看今天都有哪些值得我们技术人关注的重要新闻吧。整理 | 梦依丹出品 | 优快云(ID:优快云news)一分钟速览新闻点!消息称字节跳动 2023 年销售额超腾讯,增长 30% 至 1100 亿美元WPS Office 宣布关闭第三方商业广告百度发布多款 AI 原生云产品2023 全球十大工程成就发布:Ch...

优快云资讯 1263

大模型的落地急需一把“梯子”!

大模型的落地急需一把“梯子”!

wangluoanquan152的博客 920

百度智能云x易联科技,签署能源电力行业深度战略合作协议

8月31日,北京易联通达科技有限公司(以下简称“易联科技”)与百度智能云签署了深度战略合作协议,共同构建“产品+技术服务”合作模式,致力于全面深化大模型在能源电力领域的合作,并共同推出产品级解决方案。百度智能云与易联科技签署战略合作协议易联科技副总裁李现琼,百度智能云渠道生态总经理陈之若代表双方签署协议。易联科技董事长孙海亮,百度集团副总裁袁佛玉等共同见证签约。易联科技是高新技术企业,是中国领先的...

百度智能云 510

美媒拆机华为:芯片是中国自己的;脉脉报告:互联网人才严重过剩;360智脑大模型、讯飞星火大模型面向全民开放丨每日大事件...

‍大数据产业创新服务媒体——聚焦数据· 改变商业企业动态大陆集团宣布将在汽车驾驶舱中整合谷歌云AI技术9月4日,德国大陆集团宣布,将在其汽车驾驶舱系统中整合谷歌云的人工智能技术,使驾驶员可在行车过程中提问,获取有关附近景点情况以及车辆信息的实时反馈。大陆集团预计该解决方案将在18个月内投产。该公司表示,到明年年底,将有约30种不同的汽车配备高性能驾驶舱计算机。百度智能云宣布千帆大模型2.0升级发...

数据猿 695

百度汽车云3.0 ,为端到端自动驾驶量产落地提速

2024年9月25日至26日,2024百度云智大会在北京中关村国际创新中心成功举办。其中,“智能汽车论坛”由百度智能云和中国电动汽车百人会联合主办,该论坛以“车云协同,智能跃迁”为主题,吸引了来自汽车行业、科技行业以及交通行业的众多专家。他们围绕大模型、端到端自动驾驶等热点技术在智能汽车中的应用进行了深入的探讨和交流。在“智能汽车论坛”的首个主题演讲中,百度智能云汽车业务部总经理高果荣发表了题为“...

weixin_55366265的博客 735

Minimax大量AI岗位急招;AI绘画网站批量关停;AI幻术的手把手教程;20+AIGC实战代码合集;脉脉最新人才流动报告 | ShowMeAI日报

首届中文 LLM 微小说大赛「获奖作品」;一套「AI幻术」终极手把手教程,3步做出百万爆款图片&视频;2023百度云智大会发布千帆大模型2.0及11款AI原生应用;腾讯混元大模型正式亮相……点击阅读全文

ShowMeAI研究中心 703

百度沈抖:文心大模型日均调用量超7亿次,旗舰模型一年降价超90%

雷递网 乐天 9月25日2024百度云智大会今日在北京召开。百度称,为帮助企业更快、更好、更省地使用大模型,百度智能云分别针对算力、模型、AI应用,全面升级百舸AI异构计算平台4.0、千帆大模型平台3.0两大AI基础设施,并升级代码助手、智能客服、数字人三大AI原生应用产品。百度集团执行副总裁、百度智能云事业群总裁沈抖表示,大模型以及配套的算力管理平台、模型和应用开发平台,正在迅速成为新一基础设施...

leijianping_ce的博客 835
上一篇: 《Effective软件测试》——图书推荐
下一篇: 索尼 toio™ 应用创意开发征文|音乐拔河比赛
热爱编程的小白白
热爱编程的小白白 新星计划导师 新星计划导师
博客等级 码龄5年 11万+粉丝 243原创
评论 62
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

打赏作者

热爱编程的小白白

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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