墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
335平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
我发现看空的人开始多了，看多的人开始开始动摇了。
今天我就说一句话：没事，大盘没事，牛市的基础依然存在，改变趋势的情况没出现，这是正常的振荡。
持有鞍钢的人我估计越来越少了，应该说这是好事情，虽然鞍钢在下跌，但鞍钢还是那个鞍钢，他的基本面没改变，买进的理由没改变，而且是越来越好，所以我们就没必要担心的。5元的价格我们都坚持过来了，难道现在就不能坚持了吗？
现在的我有一个想法，就是准备在下一个星期把冲高以后的马权调换成为鞍钢，准备高比例持有鞍钢，以迎接鞍钢的年报行情。
春天到了，准备出去旅游了，持有鞍钢能放心的玩。
Apollo学习笔记（4）坐标系
百度Apollo项目用到了多种坐标系，其中帮助文档提及的坐标系包括： 全球地理坐标系（The Global Geographic coordinate system ） 局部坐标系—东-北-天坐标（The Local Frame – East-North-Up，ENU） 车身坐标系—右-前-天坐标（The Vehicle Frame —Right-Forward-Up，RFU） 车身坐标系—前-左-天坐标（The Vehicle Frame —Front-Left-Up，FLU） 还有一种Frenet坐标
投资的目的是什么？
01写在前面在前面一篇文章中，简单的分享了“如何构建自己的投资框架”这个主题。今天来继续聊聊相关的话题。02投资的目的投资的目的是什么，我觉得这个问题很重要。最近跟一些小伙伴在交流关于股票或基金投资的过程中，觉得上面的这个问题，处于一个模糊的境地，或者说没有仔细的去思考过。不同的初衷，会对自己的行为和执行过程产生不同的影响，因此有必要来聊聊这个话题。这里说的投资，也不一定...
无人机蜂群作战设计技术详解
构建防御网络，拦截敌方无人机或导弹；无人机蜂群作战设计技术是一种创新的军事应用概念，它基于生物仿生学原理，通过先进的通信技术、自主导航与决策算法，将大量小型、低成本、功能各异的无人机组织成一个高度协同的群体，以执行复杂多样的军事任务。无人机蜂群作战的概念源于自然界中蜜蜂、蚂蚁等生物群体的行为模式，这些生物群体通过简单的个体间的信息交互和分工协作，能够完成远远超出单一个体能力的复杂任务。其中，无人机群体是执行任务的主体，指挥控制系统负责任务分配和决策，通信数据链则保障无人机群体与指挥控制系统之间的信息交换。
springboot毕设 基于Java的发明创造交流网站的设计和实现 程序+论文
在当今这个创新驱动发展的时代，发明创造已成为推动社会进步和经济增长的关键力量。然而，尽管创意无限，但许多有价值的发明往往因为缺乏有效的展示和交流平台而难以被世人所知，更难以获得必要的资金支持以实现其商业化潜力。鉴于此，构建一个专为发明创造者和潜在投资人打造的交流网站显得尤为重要。这样的平台不仅能够汇聚来自全球的创意火花，还能为发明者提供展示其成果的舞台，同时为投资人开辟一条发掘潜力项目的捷径，从而有效促进创新资源的优化配置。
MATLAB Appdesigner开发独立桌面App全流程（一）：以打开串口功能为例介绍Appdesigner的基本使用
本文详细介绍了Appdesigner的基本使用，以串口功能为例介绍按钮回调函数的实现以及控件之间通信的问题
海康VM加密狗无法识别常见问题排查
海康VM加密狗无法识别常见问题排查
高瓴张磊：从学渣到投资大佬，也曾多次犯错
当年差点考不上初中的他，如今管理着超过5000亿元的资金。 来 源 | 财经新知（ID：caijingxinzhi） 作 者 | 端木清树 编 辑 | 伊页 1972年，河南省驻马店市的一对夫妻诞下一个男孩，并给他取了一个在当年绝对烂大街的名字——张磊。 上学之后，大家发现这小子是个典型的学渣，对于学校里的正课毫不感兴趣，满脑子幻想着“仗剑走天涯”。 当年爆火的一部电影《少林寺》，更是让他萌生了学习盖世神功的想法，一度离家去了嵩山。 倒是在经营生意上，张磊显露...
第133章 PCL OrientedBoundingBox 有向包围盒
中文叫有向包围盒，是一种旋转过的包围盒。特点：不像AABB那样固定朝向坐标轴能更紧密地包裹物体适用于复杂姿态的物体，比如倾斜、旋转的物体通常通过PCA、惯性矩等算法确定方向。
做投资，有些事儿比挣钱有趣
来源投行大师兄（touhangdashixiong）在一些人眼里，做投资的个个衣着光鲜，富得流油。投资的世界里，仿佛堆满了金山银山，到处是一夜暴富的故事。所以，每当问起那些抛家舍业、义无反顾转行到投资的人为何这么做时，在TA一通冠冕堂皇的长篇大论里面，我听到的真实意思只有一个，那就是：“做投资，来钱快！”其实，投资行业就像大部分其他行业一样，风光的只是少数人，“金融民工”才是大多数。然而，这并不影
ACS运动控制器编程 怎么学习
本文介绍了ACS运动控制器编程的完整学习路线，从零基础到实战应用。ACS是以色列高端多轴运动控制平台，适用于自动化设备、精密平台等项目。学习路径包括：1)安装官方软件SPiiPlusControlSuite；2)掌握轴、运动模式和指令三个核心概念；3)学习10个基础指令；4)编写首个运动程序；5)结合C#进行联合编程。进阶内容包括多轴同步、电子凸轮等工业应用，并推荐官方手册作为主要学习资源。通过7天的系统学习，即可掌握单轴运动控制，结合C#实现工业级设备开发。
python抓取美团外卖的数据（商家、评分、评论）
本文详细介绍了如何使用Selenium和抓取美团外卖的商家、评分和评论数据。我们从基础的爬虫原理入手，分析了美团外卖的网页结构，提出了应对反爬虫机制的策略，并给出了详细的代码实现。通过使用Selenium，我们能够绕过动态加载内容的限制，直接抓取网页中的商家信息和评论。结合多线程和代理池等技术，我们可以进一步提高爬虫效率，并避免IP被封禁。未来，随着爬虫技术的发展，我们可以进一步探索深度抓取、数据清洗和数据分析等高级应用，以实现更智能的网页数据抓取。
『ZJU Weekly Feed 03』Merlin Chain | Ton | meme币经济学
「一文详解 Merlin Chain 技术架构」01????TL;DRMerlin Chain 作为当下热度最高的 BTC L2，其技术架构一直备受关注，而如何保障资金安全又是大家对于公链赛道关心的问题之一。目前 Merlin Chain 通过高度扩展的 ZK-Rollup、去中心化 Oracle 网络以及作为DA层的 Celestia 等基础设施，赋予了 Merlin Chain 强大的性能，同时为比...
C#使用OpenCvSharp+微信模型识别多个二维码
本文介绍了一个基于OpenCvSharp和微信开源二维码检测器的多二维码识别项目。该项目通过C# WinForm实现，主要功能包括：加载图片、识别图片中的多个二维码并显示识别结果。核心代码使用了OpenCvSharp.WeChatQRCode类，通过预训练的caffe模型(detect.prototxt/detect.caffemodel和sr.prototxt/sr.caffemodel)进行二维码检测和解码。识别结果包括每个二维码的编号、内容及位置信息。项目适用于批量二维码识别场景，部署简单，识别效果良
《价值流动》从项目到产品: 软件时代需要价值流架构师 | IDCF
译者：无敌哥原文地址: https://thenewstack.io/the-age-of-software-needs-value-stream-architects/ 本文翻译仅供学习交流之用。原文作者 Mik Kersten 出版了《Project to Product》本系列共四篇文章，分别是（点击查看）（点击查看）（点击查看）04 《价值流动》从项目到产品：软件时代需要价值流架构师 | IDCF“每个系统都经过了完美的设计，以得到它所得到的结果。
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
java+vue计算机毕设餐饮行业投资系统【源码+程序+论文+开题】
随着社会经济的快速发展与居民生活水平的不断提升，餐饮行业作为服务业的重要组成部分，正经历着前所未有的变革与繁荣。然而，餐饮行业的投资决策过程复杂多变，涉及市场调研、项目评估、资金筹措、运营管理等多个环节，对投资者的专业知识、市场洞察力和风险管理能力提出了高要求。传统的手工或零散的信息处理方式已难以满足现代餐饮投资的高效、精准需求。因此，开发一套集用户管理、项目类型分类、餐饮投资分析、投资申请流程管理等功能于一体的餐饮行业投资系统，成为提升投资效率、降低投资风险、促进餐饮行业健康发展的重要途径。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
小孩子学python有什么用途和价值_小码精灵:为什么让孩子学编程是最有价值投资...
原标题：小码精灵:为什么让孩子学编程是最有价值投资(小码精灵编程课) 时光永远不会逆行，把握属于自己的每一天。现在的孩子，除了白天基础课程的学习外，还要奔走在各大培训班之间。家长们认为，让孩子在课余时间参加额外的课程培训是对孩子未来的投资，毕竟现代社会竞争如此激烈，谁都不想让自己的孩子落后在起跑线，这种心态很真实，也很务实。因此，家长们会选择让孩子除了课外教辅，还会培养孩子一些兴趣爱好，乐器、运动...
创投圈饭局指南，如何撩到投资人？
本文来源青山资本（ID：cyanhillvc） 在圈内，创业、融资，都绕不开饭局。一个创业者多多少少要混迹饭局，来谋求一次与资本的亲切交流。 此番场景见得多了，投资人往往能透过饭局见微知著，边吃边看人。所谓饭局之妙，不在饭而尽在“局”———融资千古事，得失寸唇知。 2006年，“金山三杰”之一的王峰离职创业时，第一顿饭约了IDG的张震。当时王峰刚刚创立
常见量化投资误区合集，量化交易新手脱坑指南 | 邢不行
引言: 邢不行的系列帖子“量化小讲堂”，通过实际案例教初学者使用python进行量化投资，了解行业研究方向，希望能对大家有帮助。 又到高考志愿填报期，有同学问我某量化私募的实习生薪资都50w了，想做量化应该选什么专业？ 和大家这样的日常交流有很多，从中发现很多人对量化存在不少误解。 所以这次干脆写篇文章，逐一解答新人对量化投资的常见问题。 01 什么是量化投资? 先开宗明义的对量化投资下一个完整定义：用量化模型而不是人脑，来决定交易的品种、方向、时机和数量。 很多人自己做交易，无论.
NFTScan | 03.18~03.24 NFT 市场热点汇总
目前 NFTScan 显示， Lil Pudgys 目前地板价回升稳定在 1.12 ETH，最高成交价 69 ETH，7d 交易额为 2.3k ETH 左右，目前以太坊上总交易额已超 70.8k ETH，过去 7 天交易分布主要为 Blur: 2.2k（92.43%），Opensea: 171.08（7.19%），X2Y2: 9.12（0.38%）单位 ETH，7d 交易笔数达 2.37k 次。3 月 18 日，据数据显示，Runestone 地板价升至 0.042 BTC，总交易额超 574 BTC。
智能网联时代，数据风暴将至！读懂行业新趋势，11月28日来上海交通数据价值挖掘研讨会和先行者们一起交流
11月28日，51Sim将举办【智能网联时代交通数据价值挖掘研讨会】，聚焦智能网联交通数据价值挖掘，探讨数据要素产业化时代下的新模式、新生态。
从项目到产品: 软件时代需要价值流架构师 | IDCF
译者：无敌哥原文地址: https://thenewstack.io/the-age-of-software-needs-value-stream-architects/ 本文翻译仅供学...
基于ssm+vue餐饮行业投资系统(1)(开题报告+程序+论文+java)
再次，开发餐饮投资分析模块，该模块将集成大数据分析、市场趋势预测、风险评估等先进技术手段，为投资者提供全面、深入的投资分析报告，辅助其做出更加明智的投资决策。最后，完善投资申请流程管理模块，通过线上化、自动化的流程设计，简化投资流程，提高投资效率，同时确保投资过程的合法合规性。本研究旨在通过构建餐饮行业投资系统，实现投资信息的数字化、智能化管理，对于投资者而言，能够有效整合市场资源，提供科学、全面的投资分析工具，帮助投资者快速识别市场机会，精准评估项目潜力，从而优化投资结构，提升投资回报率。
数据对业务价值帮助的一些思考
0x00 前言 最近在工作中和同行交流中都聊到了一个问题：数据对于业务价值的帮助在哪里？ 如果被老板或者面试官问到了这个问题，该怎样去回答。下面就简单聊一下居士的想法。 0x01 思路 关于数据的价值，居士认为可以参考BI（商业智能）的定义。这里不简单地指做几张报表的工作，而是数据辅助决策。下面引用一下百度百科关于商业智能的定义。 商业智能的概念最早在1996年提出。当时将商业智能定义...
springboot+vue基于Java的发明创造交流网站的设计和实现【开题+程序+论文】
因此，构建一个基于Java的发明创造交流网站，旨在搭建一个高效、便捷的信息交流平台，以促进发明者与投资者之间的有效沟通与合作。本项目的主要目的是设计并实现一个功能完善的发明创造交流网站，以Java为开发语言，通过构建用户、投资人、发明创造、投资信息、发明排行榜和发明类型等系统功能，实现发明者与投资者之间的无缝对接。通过该网站，用户能够方便地浏览和搜索发明作品，投资人能够快速找到感兴趣的项目进行投资，同时，网站还能通过排行榜和类型分类等功能，提升用户体验和互动效果，为发明创造领域的发展提供有力支持。
【观察】殷善武：从产品分销到行业价值共创，构筑可持续发展长效竞争力
最后，在公司管理上，宜昌奥特还将持续巩固长效的经营管理机制，“一如既往”的坚守产品的品质底线，以口碑积累形成客户信任的壁垒，并建立常态化的学习机制，强化团队对市场和产品趋势的敏锐度，力求打造技术型+服务性的团队，以专业能力构建出公司长期的差异化竞争力，借助华为强大的品牌势能和过硬的产品品质，最终实现公司整体能力的再升级、再跨越。特别是面向分销市场的华为坤灵品牌，更以“产品为王+场景销售”的品牌特性吸引了殷善武的高度关注，因此宜昌奥特也决定迅速签约华为，希望能够发挥各自的价值，共同开拓宜昌本地ICT市场。
CIO的角色进化论：从技术管理者到价值创造者
《CIO的角色转型：从技术管理者到商业价值创造者》摘要 当前超过40%的CIO面临"战略相关性危机"，陷入三重困境：战略会议失语、业务部门路障、团队引领缺失。数字化转型要求CIO完成根本性角色重构，从技术执行者转变为价值整合者。文章提出四大确定性支柱能力：商业敏锐度（读懂业务语言）、价值证明能力（量化技术回报）、战略连接能力（同步业务技术）、影响力领导力（建立跨部门同盟）。成功的CIO需要跨越技术舒适区，将影响力扩展到企业价值创造的核心领域，成为组织中最懂用技术解决商业难题的人。这场转型
免费送书 | 从AIGC到AGI：AGI是新一轮的投资机遇吗？
ChatGPT 的“横空出世”让普罗大众对人工智能的突破有了新的认识，人们第一次看到人工智能系统能够完成各种各样的事情，不论是需要常识的闲聊，还是需要专业知识的论文写作，甚至写代码都在话下。ChatGPT 出现后，人们开始期待，它就是工业革命中的那台蒸汽机，轰鸣着开启 AGI 的时代。AGI是什么？有什么用处？将向哪些方向发展？有哪些投资机遇？人工智能商业化的落地先行者丁磊博士，在他的新书《生成式...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5798
扫一扫
