企业级AI厂商的护城河在哪里?详细解读顶级VC的思路

AI Newsletter如何成为技术决策的轻量级基础设施 AI Newsletter本质上是一种面向工程落地的技术治理工具,其核心价值在于解决信息过载时代的可信过滤、跨域翻译与决策对冲三大问题。它不替代基础学习,而是基于真实场景(如RAG优化、模型量化部署、API可用性验证)提供可验证、可复现、可立即行动的技术判断依据。通过人工精读+三阶漏斗筛选+双盲验证机制,将学术进展、开源演进与商业API变化转化为CTO关注的TCO影响、工程师需要的CLI命令和产品经理能理解的业务指标。这种‘反AI式’内容生产逻辑,使Newsletter从资讯载体升维为组织级技术决策的‘空气 阅读详情

一、如何定义和判断AI原生

我总结为“3+1”要素:即,技术内核(大模型GenAI/小模型DecisionAI)+ 价值(突破性优于传统生产力)+ 自主泛化(基于数据反馈的自主提升)+ 专有能力(工程/专业知识DSK)。

具体而言,四个要素原文解读如下.

  1. 建立在基础 AI 能力之上,包括从大规模数据集中学习、理解上下文或生成新颖输出的能力。

  2. .能够突破传统速度、规模和成本的限制,开创全新的可能性。

  3. .具备持续改进的能力,既可以利用底层模型的进步,也可以通过真实世界数据的反馈循环来提升性能。

  4. .拥有一定程度的专有 AI 技术,而不是完全依赖现成的解决方案(例如,针对特定功能微调开源模型、模型编排等)。

其中1是共性基础,2是目标/结果,3,4是技术护城河,4相对而言而模糊和泛指,所以我称之为3+1

特别的,作者也思辨了原生与非原生的范畴:

我们现在这一波AI技术行情的早期阶段使用AI原生一词,来区分

1)快速增强和/或扩展现有产品的公司

2)从开始就着眼于构建全新能力和假设的公司。

随着时间推移,这种界限将变得模糊,起点并不重要,重要的是 AI 优先公司在构建产品和组织方面(利用AI技术)有多深入。

(拾象翻译的可能更符合国内的商业表达:“是否 Day 1 就围绕 AI 构建产品这件事”将不如企业在产品开发和组织建设过程中对 AI 的深度融合来得重要“)

个人认为上述观点也可以解读为AI距离AGI还很远

二、AI原生评测框架

五个维度用来评估公司在构建AI原生应用方面的能力(to evaluate companies building applications with AI)。这里是评估的公司,主要是技术厂商,但鉴于数字化技术市场的甲乙方越来越模糊,这个架构对于技术用户方企业也不无意义。

1. 设计(Design)

是否具备创新的软件设计额能力,包括新交互 + 新反馈 + 系统性工程方法。

  • 新交互范式

  • 加速的反馈方式**:提出了UIL的三类方法**

    ,尤其是第三类最引人注意,个人认为这也属于广义的Observability

  1. 传统方式:输出内容的赞踩投票、星级评分系统。

  2. 人工审核机制:由专业审核人员对 AI 系统的输出进行审查和评估,帮助确保内容质量并收集改进建议。

3)创新监测:通过分享行为、停留时长、内容时效性、互动频率、复制粘贴等方式收集用户意图信号(Intent Signals)。

  • 系统性工程方法

    :个人认为这里的强调了平衡的、系统性的工程设计,

  • 通用工具组件 vs 专有场景能力建设

  • 性价比,即准确性 vs 投入成本:使用多种对齐技术(grounding techniques)(如微调、RAG、prompt engineering 等,拾象误译成"基础技术")和模型集成方法,从而在 query level 实现最佳的性价比。

许多 AI-native 应用在用户界面层的优雅设计背后,实际上掩盖了大量后端的复杂性。

  • 强调了可解释性:个人认为可解释性是体验的重要部分,也是用户接受度和落地成功的关键要素,不亚于准确性,或者至少可作为可解释性的补充。

随着 AI 从行动辅助(assistance)转向决策(answers)和代理(agents),在流程各环节融入可解释性变得尤为重要。

作者提出的四类可解释性并非完全平行或递进关系,可以视为不同场景下的可解释性要求。

  1. 清晰展示输入与输出的关联;(图谱路径可视化)

  2. 引用具体内容来源;(搜索,e.g. Perplexity )

  3. 适时提供置信区间;(依据不足、主观问题、预测)

  4. 为需深入了解系统性能的用户提供更详细的解释机制(高级用户、高水平科研)

2. 数据(Data)

是否能够基于数据形成关键竞争优势,包括数据管理 + 隐/暗数据激活 + 专有数据。

  • 端到端的数据管理能力

这里提出四类数据管理活动

1)数据采购和策划(data procurement and curation)

2)数据质量管理(data quality)

3)数据治理(data governance)

4)数据安全(data security)

其中第一项往往被人忽视或不理解,尤其是。Data Curation是个舶来词,常用在博物馆领域,含义是“策展”,在数据管理中经常和Data Steward,即“数据管理”(也不是一个完全恰当的中文对应)混用,并没有太好的中文翻译,大致涵盖了根据特定业务要求“制作”相应数据的端到端内容,因此实际包括了收集、整理、清洗、标注、管理和维护等多种动作,个人认为有点儿数据产品经理+业务方数据管理专员的意思

数据质量管理和数据治理往往容易混淆,目前包括数据安全都被纳入数据管理国标DCMM的范畴。

  • 利用(激活)沉睡数据

1)存储在各类系统中未被充分利用的数据,例如 Box、Google Drive、SharePoint 中的数据,

2)完全未被系统捕获的数据,例如客户通话、患者讨论、会议记录等。

个人认为这部分对国内政企组织挑战很大,原因有三

一是,传统业务系统中大量的结构化数据尚未完全利用、数据管理水平整体不高,在总投入有限的情况下如何安排优先级是个挑战

二是,表面上看,收集、向量化、检索这把大象装进冰箱的三步法就可以实现暗数据的利用,但实际上需要多模态、主动元数据等更复杂的技术,也涉及更全面的数据治理和安全管理考量

三是,真正有价值、“推理性”数据可能更多的仍然存在于专家的脑海中,现有沉睡数据,尤其是在数字化成熟度和数据管理成熟度不高的组织中上述两类数据的价值存疑。

总之,激活数据也要考虑成本代价。

  • 创造专有数据

1)多模态交互数据(multi-modal engagement data)

2)AI 生成内容的创建和使用元数据(metadata)

3)数据中微观和宏观模式的识别(pattern recognition)(拾象译文略有偏差,但影响到了理解,因此特别指出:指的是从数据中发现规律,例如用户行为或消费数据得出异常判断、偏好标签或中长期趋势等)

这一部分大致符合主动元数据的定义。作者说,专有数据将带来数据量之外的优势(这句话也很重要,但原文漏译了)。个人认为,这实际和上面的沉睡数据一起都是推理数据,从原理而言,对于模型能力提升的确有很大潜力,但仍然面临冷启动、成本投入以及试错的挑战。

文中没有特别提出的,其实还有一点,就是数据管理的组织成本和持续性成本。无论是沉睡数据还是专有数据,都有过时贬值的属性,在一定意义上,实时的数据才是好的数据。因此,无论甲方还是乙方,考虑构建一款企业级AI应用时,都要考虑数据管理的成熟度、成本代价,制定相应的时间表。

另外,由于“这些数据在传统系统中并不存在”,创造专有数据也可以是AI创业企业的一个创造落地切入点和竞争优势的路径,例如,在ERP、CRM等incumbents player的既有业务系统之前,通过更人性化的人机互动设计等方法,“劫持”数据采集这一环节,获得专有数据的入口,即“这为 AI-native 企业提供了捕获这些数据、以此建立一个整合入口,并构建差异化的工作流程,从而以持续让这些数据产生价值的机会。”。

3. 专业化(Domain Expertise)

是否具备将行业和团队专业经验转化为数字化知识、形成护城河的能力。

本文中把打造专业护城河这一较为笼统的共识拆分为AI加速的工作流、专业数据规模化实时整合以及通用和本地知识融合三个方面较为具体的内容。整体而言有启发,但还是偏概念性,也和数据能力多有重叠。

  • 将专业的业务活动用AI转化为(自动化的)工作流

这里谈三点我的理解。

一是知识的定义。中文的题目解读为“将Domain Knowledge转化为AI工作流”,不求精确这么说也没问题。但我还是倾向于避免过多过宽的使用**“知识”的概念:数字化的、经过一定的分类处理、质量加工、可复用和有明确业务价值的资料**。这里说的是未数字化、或以传统数字化手段较难提炼和沉淀知识的业务活动,还不是严格意义的、或显性知识。所以原文用词比较精确,是应用AI技术,将业务活动更高效、更高质量的转化为机器更友好的数据,从而能够更好的解读给人类,发掘更大的价值。

二是关键技术。我认为就是结合业务逻辑的意图理解+(主动)自动化,也就是深入理解特定行业或功能的上下文,并自动执行相关操作,帮助用户更快、更高效地达成目标。

三是落地路径。而关键中的关键还是数据,即上面提到的"专有数据",只有具备类似作者提到的“高级用户和资深领导者的使用模式”数据,才能将"模式转化为提示和结构化输出"。通俗的说,就是要把专家的工作模式用数据记录或解析出来,让大模型学习,然后实现能力普惠。

  • 规模化实时数据整合和洞察Synthesize at Scale, with Speed

这部分主要讲的是专业领域实时数据资源(一般是成熟的信息产品)直接转化为高水平生产力。原文使用了“合成”一词,个人认为,结合外部高质量数据资源进行知识的再创造应是良好AI应用的一个路径。

  • 全局(通用)与本地知识的融合

包括模型知识、行业知识(数据集)和组织专有认知(Insights from organization’s own artifacts)。这部分内容国内谈的都比较多了,而且也与之前的专有数据有重叠。但我认为这一部分还是有几个点需要解读。

一是,和数据部分不同,作者的视角是,好的AI原生应用应承担起融合各类数据的责任。

二是,原文中用Insight来描述组织内部专属的知识,而没有用Knowledge,拾象比较忠实的译为“认知”。也许原文只是简单的避免重复修辞,但如果我们继续严格用狭义的企业级知识定义,那么这里所描述的是从企业高质量数据中可能提取的洞察,具备成为知识的潜力,但还不是知识。作者指出,高质量的PPT,会议纪要、研究、培训等文档是AI应用优化的重要来源,因为用户脑海里的好就是这些资料的内容和形式。(通俗理解一下:好的应用输出的东西得照着用户“吃过见过”的标准来https://www.bilibili.com/video/BV18Z4y1T7rV/)

三是,作者认为除了前面说的专有数据获取和利用之外,更好的理解这些专有数据还能够发现背后的知识和知识间的联系(这是我的引申理解。原句比较晦涩不清:It’s the understanding of how that data reflects the relevant knowledge of an employee, team or organization, within a specific context.),

四是,作者认为通用+本地因而能够实现全局自动化,而不是仅仅在局部Task方面的优化。此处的技术实现方式和逻辑应该还不太清晰,还仅仅是愿景层面的表述。

4. 动态性(Dynamism)

是否具备更广泛、更端到端的自适应/自动化、生成和个性化能力。

  • 优化“幕后”操作/实时优化价格与性能权衡

我认为这里谈的优化可以视为利用生成式AI的能力让机器具备更高水平的底层自动化。根据应用场景、用户问题类型等以自动化的方式进行底层技术组件编排,**免除硬编码、手动规则或配置设定等偏技术性的工作。**例如,在Chatbot种选择模型、语气等偏好配置,其目标是总体上提升性价比。

  • 打造生成式客户旅程

聚焦在定制化营销和销售领域,在B端表现为完全自动化的生成面对单一客户的全过程营销内容和形态,包括邮件、宣传册、促销文案、PPT,甚至还有产品初始页面和最终的合同,在C端表现为根据客户的显性和潜在偏好,以及实时互动,**完全自动化的动态广告生成、效果测试和优化直至购买和售后的体验优化。**设想未来无论是消费级还是企业级数字化产品,用户看到的界面和各种功能都是基于个性以及交互实时动态生成的,这不但会改变人们使用数字化应用的习惯,更会颠覆应用开发的内容和模式。

个人认为这部分在很大程度上还是愿景,主要还是被营销对象数据的可获得性问题,另外这种自动化在一定程度上也侵入了当前共识的隐私域,用户会产生冒犯感。

  • 实现多层次的超级个性化

上面两条其实都可以成为“超级个性化”(因为利用数据进行千人千面个性化早已经被过度承诺了,这里不得不“超级”一下)。不但个体应用中的技术配置、内容体验可以个性化,可以在群体、团队以及组织层面实现个性化。这部分内容的落地就更加远期了,但作者提出了一个有趣的点,就是智能体未来具备共享记忆是未来组织级完全性化一种终极特征。

这部分有些烧脑(前同事首席数据架构师刘老师总是形象的说“二阶导数”)。

5. 商业分发(Distribution)

是否能够基于AI能力灵活的包装产品和定价方式,从而提升业务价值、实现模式创新

  • 提高定价和包装灵活性以实现价值最大化

1)现有服务中免费嵌入GenAI功能(如 Workday)

2)现有产品中开发具备 GenAI 能力的高级功能(原文是可获取GenAI能力的功能)

3)提供全新的独立 GenAI 应用

4)在平台基础功能/服务不变的前提下测试根据用量或结果付费的产品

这里说的包装指的是对产品形态的设计或通常我们说的产品组合,如应用嵌入、Copilot还是Agent等。这些形态的边界可能有时非常模糊,也作为营销词汇被彻底的混用,所以暂时不用太纠结辨析各家厂商的提法。在定价方面,存在按坐席(seat-based)、按用量(consumption-based)以及更特定案例中的(more selectively)按结果(outcome-based)收费三种方式。

大部分情况下,包装和定价是配合着来的、是一种平衡的策略。作者认为,目前还不存在一种绝对优势的产品组合或定价模式,而最后胜出的企业要做到:一是产品组合能覆盖大块市场(breath of customer coverage),而且定价逻辑清晰透明、价格和客户价值获得感受匹配的(transparently aligning pricing with value delivered )。

简而言之,在目前市场和技术发展状态下,相比押宝任何一种产品形态,获取更广泛(类型)的市场客群更重要,那么根据客户需求决定产品形态和选择多形态的产品组合就是自然而然的事儿了。

  • 跑通新的商业模式

例如基于智能体系统的按业务成果定价,或Software-Enabled Services。

这篇文章以前见到过但还没细读,不过“软件赋能的服务”这概念似乎也不新。好几年前埃森哲和印度外包企业就都在说"服务软件"(ServWare),而以此方式提供的服务称为“基于资产的服务”(Asset-based Service), 感觉和Service as a Software也有点儿翻来覆去说类似的AI故事。

但本质上,这一部分的能力已经超越了用定价来获得产品竞争优势,而是实际上从卖软件转变为卖服务,要跨界打劫了。

三、总结

最后对企业软件应用的演变路径做了预测,可以参考,不过基本上面都提到过,这张图单看还是比较宏观,要理解还是要返回去对照文章内容体会。

作者的总结陈词中的一些关键词看上去宏观,但其实是对AI应用以及AI创业差异化很本质的思考和和自然的结论,摘出来分享给大家,括号里是以我自己理解添加的话外音

  • 真正的突破(需要)…从根本上重新构想工作…需要进行再创造

  • 用更先进的功能改造现有产品仍然是必要的(和有商业价值的过渡)

  • (要充分理解面临的挑战甚至是风险,例如) Scaling Law需要持续有效,前沿模型能力仍需不断提升,对技术堆栈的每一层进行重大改进,以各种方式**(都是艰苦的工程工作)调整现有模型,以提高性能、减少幻觉、确保一致性、保持合规性、提高安全性和管理成本(并达到生产可用)**

  • (更多风险) 实现广泛部署所需的时间可能比预期的要长,许多重塑工作流程的实验都将失败,而且人工智能不但不会颠覆,反而可能会加强许多现有软件巨头的地位

  • (尽管有上述众多的不确定性和风险,但这也是一个蕴含最大机会的时代)具备闭环业务能力的智能体(Model taking actions)、推理技术、以及多模态能力将在上述框架的每一部分都创生新的差异化机会,AI应用已经来到了一个"实验创新的新时代" (new age of experimentation)

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

Grok 4全球免费开放:内容生产者的AI新基建 大模型推理引擎是AI时代的关键基础设施,其核心价值在于稳定、低延迟、多模态与实时网络检索能力的工业级集成。随着Grok 4宣布全球免费开放,开发者首次获得128K上下文、原生图文理解、可信信源可控搜索及TTS语音合成等完整能力,无需配额或地域限制。这一转变标志着AI服务从‘应用层工具’向‘底层基建’跃迁,尤其适配内容生产中‘搜索→分析→生成→校验’的闭环需求。对于新媒体团队、独立开发者与中小企业而言,它让高精度批量选题分析、竞品话术拆解、短视频口播稿生成等场景真正具备落地经济性。本文聚焦Grok 4的技术定 阅读详情

相关推荐

开源大模型的真正优势:垂直场景、隐私合规与低成本试错

大模型技术栈中,'开源模型'常被误读为通用能力的廉价替代,实则其核心价值在于支撑可审计、可定制、可落地的AI工程实践。从原理看,开源模型通过代码透明性、权重可控性与架构可修改性,天然适配强监管、高定制、低规模的业务场景;技术价值体现在数据主权保障、长尾需求响应和组织级AI能力沉淀;典型应用场景包括金融风控中的本地化推理、医疗影像的私有知识库构建、制造业边缘质检等对隐私、确定性与快速迭代有刚性要求的领域;而Qwen2、Phi-3、llama.cpp、GGUF量化等已成为支撑此类落地的关键技术基座。

weixin_33795093的博客 498

Google AI的异数OS 元宇宙基建估值调效过程

异数OS宣称的10万人同服同屏元宇宙技术自估值40亿美元,但市场实际估值接近零。技术层面看,该方案挑战了当前行业极限——主流平台(如Roblox)单个同屏区域仅支持几十至几百人,需通过分线分流。梅特卡夫定律计算显示,10万人全交互需51.2Tbps带宽,远超现有物理网络承载能力(当前商业带宽成本极高)。资本市场不认可其估值的原因包括:闭源无法验证、缺乏生态支撑、无规模化交付能力。该项目更像独立开发者的技术Demo,其40亿估值属于营销式定价,不符合商业逻辑。实际解决方案需依赖AOI算法等裁剪技术来降低数据量

AthlonxpX86的专栏 1031

DeepSeek-R1技术解析:MoE架构与私有化部署实战指南

大语言模型(LLM)正从通用能力竞争转向垂直场景交付能力比拼。MoE(Mixture of Experts)作为新一代稀疏激活架构,通过动态路由机制显著降低推理成本并提升领域精度,已成为政务、金融、法律等高合规要求场景的首选技术路径。其核心价值在于平衡性能、可控性与部署成本——既支持长文本理解与专家级推理,又满足数据本地化、可审计、低延迟等工程刚需。DeepSeek-R1正是该范式的典型落地,依托48B参数实现对GPT-4 Turbo的局部超越,并通过‘三明治架构’‘专家级微调’‘动态路由API’等创新设计

375

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

【信息科学与工程学】【管理科学】第七十二篇 管理层相对基层员工的信息差/资源差/权力差/认知差03 总裁/副总裁

定义系统状态(如:全正常、1个单元故障、降级运行、完全故障),状态间转移率 λ(故障率)和 μ(修复率)构成转移强度矩阵 Q。其中 γ_k = (2π/λ) n_k d_k cosθ_k 为相位厚度,η_k = n_k / cosθ_k (TE波) 或 η_k = n_k cosθ_k (TM波) 为光学导纳,θ_k为层内入射角。用于在光刻机设计阶段评估各子系统(光源、光学、工件台、真空等)的可靠性,识别薄弱环节,计算系统整体可用性(Availability),指导冗余设计和维护策略制定。

weixin_49199313的博客 990

【审计专栏】【法律领域】【社会科学】 第五十六篇 企业管理层互动形态分析01 AI分析

战略官试图塑造公司“战略现实”S_s(如“未来在于AI”),业务总裁固守“运营现实”S_o(如“现金为王”)。

weixin_49199313的博客 508

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 279

「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 472

【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

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。

专注于计算机研发知识和资讯分享 536

用C++手把手教你连接SimNow期货模拟盘:从CTP API封装到第一个订单(附完整代码)

本文详细介绍了如何使用C++连接SimNow期货模拟盘,从CTP API的基础架构解析到实现第一个订单的完整流程。内容涵盖CTP API的封装、SimNow环境配置、交易通道实现、行情接收与处理等核心环节,并提供完整代码示例,帮助开发者快速掌握量化交易中的期货模拟盘连接技术。

weixin_27215337的博客 333

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 208

坐标偏移不一致或瓦块重名的多个OSGB工程的融合

介绍如何使用实景三维小助手OSGBLab对坐标偏移不一致或瓦块重名的多个OSGB工程的融合

OSGBLab的博客 3234

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

SD - WAN:企业出海的网络加速器

例如,一家中国的跨境电商企业,在欧美市场的促销活动期间,借助 SD - WAN 技术,即使面对海量订单数据的交互,也能确保欧美客户在浏览商品、下单支付时感受到近乎本地网络的流畅体验,大大提升了客户满意度,稳住了销售增速。企业无需在海外本地部署大量冗余服务器,只需依托云台,借助 SD - WAN 快速稳定的网络连接,即可轻松实现业务拓展,进一步精简运营架构,提升整体效能。在未来,随着技术的不断演进和企业出海需求的持续增长,SD - WAN 将持续赋能,助力更多企业在全球市场扬帆远航,书写辉煌篇章。

idcicp_com的博客 448

哨兵1号(Sentinel-1)雷达SAR数据预处理全流程:从下载到精确配准

本文详细介绍了哨兵1号(Sentinel-1)雷达SAR数据从下载到精确配准的全流程预处理方法。内容涵盖SLC与GRD数据选择、ASF平台下载技巧,并重点解析了使用SNAP软件进行几何校正、辐射定标及高精度配准的核心步骤,为InSAR形变监测等应用提供可靠的数据基础。

weixin_29208327的博客 480

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 350

rsyslog交叉编译(armv7、armv8、aarch64、arm32平台通用)

该文档描述了如何交叉编译rsyslog到arm64嵌入式平台。

sinat_33909696的博客 1563

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

Win7没有usb驱动怎么办?Win7没有usb驱动的解决方法

之后发现USB驱动不能够使用,那么碰到这种问题应该怎么办呢?下面就和小编一起来看看有什么解决方法吧。1、我们先使用驱动管理软件进行扫描安装驱动,如果安装后,还不行的话,我们就要进入到控制面板。我们经常会因为各种原因来更新电脑的系统,不过有一些小伙伴在重装完。4、点击usb选项后,找到显示感叹号和问号的usb驱动。2、在控制面板中,点击硬件声音,选择设备管理器。3、进入到设备管理器的页面,找到USB控制选项。6、如果计算机已经联网,我们可以在线更新驱动。5、然后鼠标右键点击更新驱动。

2401_88800025的博客 965

基于语义分割的实时建图:HDMap动态更新

基于语义分割的实时建图:HDMap动态更新​ ,人工智能,计算机视觉,大模型,AI,本文围绕基于语义分割的实时建图技术在HDMap动态更新中的应用展开,介绍了语义分割基础、HDMap概述、相关实时建图技术、动态更新关键技术、系统性能评估指标、实际应用案例、面临的挑战与解决方案及未来发展趋势。阐述了该技术如何利用传感器数据和语义分割算法,解决传统HDMap构建与更新的弊端,分析了其在精度、实时性、鲁棒性等方面的表现,以及在自动驾驶和智能交通中的应用,还探讨了现存问题及未来优化方向。

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 22万+

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

MIC:最大信息系数

目录 1. 概念 1.1 MIC 1.2 互信息 2.MIC的优点 3. 算法原理 3.1 MIC公式原理 3.2MIC计算步骤 (1)计算最大互信息值 (2)对最大的互信息值进行归一化 (3)选择不同尺度下互信息的最大值作为MIC值 4. 代码实现 6. 其他方法 1. 概念 1.1 MIC MIC,即(Maximal Information...

满腹的小不甘 5万+

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

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

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。

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 618

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

【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
上一篇: 医图顶会 MICCAI‘23 | H-DenseFormer:多模态融合分割的高效混合密集连接Transformer
下一篇: RAG 数据集准备篇:用三大 Agents 优化评估流程
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841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