浅谈2023-2024年中国人工智能计算力发展

万字解读《生成式人工智能服务管理办法》,立法粗糙不够智能 大家好,我是朝着星辰大海进发的科技型律师,陆员外。今天聊人工智能不是跟风,是在4月10日看了商汤科技的产品发布,当时看得还是挺爽的,在第二天4月11日,国家网信办就发布了《生成式人工智能服务管理办法》的征求意见稿,就有点一言难尽,就是头一天感觉产业蓬勃发展,第二天来一部法规觉得就我也不想批评他拉胯,但是建议立法部门还是要多贴近产业,才能立好法。所以就萌生这个想法,站着产业的度角,对这份《管理办法》进行逐条梳理,给大家捋一捋。 本次征求意见稿共有21条,除去最后一条,有实际内容的只有20条,应该说在 阅读详情

2023年是人工智能发展的重要转折年,企业正加速从业务数字化迈向业务智能化。大模型和生成式人工智能的发展将引发计算范式之变、产业动量之变,以及算力服务格局之变。从感知智能到生成式智能,人工智能算力需求快速增长。大模型和生成式人工智能的发展显著拉动了人工智能服务器市场的增长。

IDC预计,全球人工智能硬件市场(服务器)规模将从2022年的195亿美元增长到2026年的347亿美元,五年年复合增长率达17.3%;在中国,预计2023年中国人工智能服务器市场规模将达到91亿美元,同比增长82.5%,2027年将达到134亿美元,五年年复合增长率达21.8%。

生成式人工智能兴起,产业步入关键转折点

2023年,人工智能实现了破圈式的发展。人工智能聊天机器人ChatGPT、AI编程工具GitHub  CoPilot和图像生成系统Stable Diffusion等生成式人工智能(Generative AI,Gen-AI)应用和工具产品的出现,为文本创建、图像生成、代码生成以及研发流程等工作带来全新的智能体验,极大提升生产力,提高生产水平。

大模型及生成式人工智能的发展意味着人工智能正在从完成如图像识别、语音识别等特定任务,迈向拟人类智能水平,具备自主学习、判断和创造等能力。对于企业人而言,其将不再局限于思考“如何在产品/流程中增加智能化能力”,而需要更多关注“如何使用人工智能实现产品/流程的革新”。基于海量数据训练和模型调优,人工智能大模型具有更精准的执行能力和更强大的场景可迁移性,为人工智能在诸如元宇宙、 城市治理、医疗健康、科学研究等综合复杂性场景中的广泛应用,提供更好的方案。 

图片

IDC调研发现,全球企业普遍关注并探索对生成式人工智能的布局,全球超八成被访企业已经开始展开相关实践行动,探索适用的落地场景;2023年,超过四分之一的企业已经对生成式人工智能技术进行了大量资金投入。

图片

从应用场景来看,IDC认为,知识管理、对话式应用、销售和营销、代码生成等是全球企业应用生成式人工智能的主要场景。其中,知识管理有望成为最有应用价值的生成人工智能用例,通过人工智能手段,企业可实现对文本、图像和视频等知识内容的高效分析和管理,降低劳动密集型投入。

生成式人工智能有望重构算力服务模式和市场格局。鉴于基础大模型的本地训练成本不菲,企业将更多地使用人工智能就绪的数据中心设施和生成式人工智能服务器集群,从而缩短部署时间,降低设施的长期投资成本。为算力服务市场带来新机会的同时,由于企业所需的算力服务质量和模式将会在大模型时代发生改变,也将为算力服务供应商带来新的挑战。

人工智能产业加速创新,机遇与挑战并存

从企业角度而言,中国企业对生成式人工智能的接受度普遍较高。据IDC调研,67%的中国企业已经开始探索生成式人工智能在企业内的应用机会或已经开始进行相关资金投入。

图片

据调研,中国企业尤其认可生成式人工智能在加速决策、提高效率、优化用户和员工体验等维度带来的价值,并将在未来三年持续提高投入力度,超过七成企业增幅达到20%-40%;但与此同时,企业需要直面计算、存储等资源短缺、行业大模型可用性待提升以及投入成本高等问题带来的压力。

图片

生成式人工智能对中国人工智能服务器市场的发展带来了明显的拉动作用。丰富的应用场景和对技术创新迭代的热忱,让中国市场对于人工智能服务器的关注度和需求量均明显增长。IDC数据显示,2023年上半年,中国人工智能服务器市场规模达到30亿美元,同比增长55.4%。 

2022年中国智能算力规模达259.9每秒百亿亿次浮点运算(EFLOPS),2023年将达到414.1 EFLOPS,预计到2027年将达到1117.4 EFLOPS。2022年中国通用算力规模达54.5 EFLOPS,预计到2027年通用算力规模将达到117.3 EFLOPS。2022 - 2027年期间,中国智能算力规模年复合增长率达33.9%,同期通用算力规模年复合增长率为16.6%。

图片

市场对于算力服务需求的改变,将对算力服务商的商业模式和管理模式提出全新要求,生成式人工智能有望重构算力服务市场格局。在这个过程中,将会涌现更符合市场需求的算力供给方式,帮助企业应对算力需求,基于共享的基础设施,优化服务器利用率,获得更高的能效优势。

根据算力需求优化AI算力和云的服务模式

在人工智能算力和云方面,根据算力需求优化服务模式是一个关键的挑战。优化服务模式的建议如下:

  • 了解算力需求:首先,要深入了解客户或企业的算力需求。包括了解他们需要什么样的计算能力、处理速度和存储容量。这有助于确定所需的服务级别和定价策略。

  • 定制化服务:根据客户或企业的需求,提供定制化的服务。包括提供特定类型的硬件、软件或算法,以满足他们的特定需求。

  • 弹性扩展:由于人工智能应用的需求可能会随着时间和数据量的增加而变化,因此服务模式应该具备弹性扩展的能力。这意味着要能根据需求的变化,动态地增加或减少计算资源。

  • 高可用性和可靠性:人工智能应用通常需要高可用性和可靠性。因此,服务模式应该能够提供这些特性,以确保应用始终可用并能够处理大量数据。

  • 安全性:人工智能应用涉及大量的数据和模型,因此安全性至关重要。服务模式应该提供强大的安全措施,包括数据加密、访问控制和安全审计等。

  • 自动化和智能化:为了提高效率和降低成本,服务模式应该具备自动化和智能化的能力。这可能包括自动化部署、监控和管理,以及使用人工智能技术来优化资源分配和提高效率。

  • 灵活的定价策略:由于人工智能应用的需求变化很大,因此应该提供灵活的定价策略。这可以根据使用的计算资源、处理速度和存储容量来定价,以确保客户或企业能够根据自己的需求和能力来选择合适的定价方案。

  • 合作伙伴关系:与供应商、云服务提供商和其他合作伙伴建立紧密的合作关系,以提供更全面和高效的服务。这可以包括共享资源、优化成本和提高服务质量等方面。

总之,根据算力需求优化服务模式,要深入了解客户或企业的需求,能提供定制化服务,具备弹性扩展的能力、高可用性和可靠性、安全性、自动化和智能化、灵活的定价策略以及与合作伙伴建立紧密的合作关系。

中国人工智能计算力发展评估

回顾2018年到2022年的评估结果,可以看到互联网、金融、政府、电信、制造、服务、交通、医疗、能源和教育等领域一直在积极探索人工智能的应用。其中互联网、政府、金融、电信、制造行业在五年中一直保持着前五名的高渗透度。随着人工智能技术的不断发展与完善,企业决策者更深刻地体会到人工智能可以推动传统产业的升级和创新,促进产业的转型加速,同时也能催生新的产业和商业模式,为传统企业和初创企业带来更多的机会。因此,各行业对于人工智能技术的应用愈加重视,行业分布也愈加广泛。

2023年人工智能的行业渗透度排名Top5的行业依次为:互联网、电信、政府、金融和制造。此外,交通、服务、教育等行业在人工智能领域的投资力度也可圈可点。

图片

在过去五年中(2018-2022),北京、杭州、上海、深圳、广州、合肥、苏州、重庆等城市在人工智能领域具有较为突出的表现。北京在过去几年中一直稳居人工智能算力发展城市排名的前列,拥有大量的人才和成熟的企业,同时政策扶持也非常有力;上海、深圳、杭州等城市不断加速技术积累,拓展应用场景,构建具有特色的人工智能发展路线。

2023年,中国人工智能城市评估排行榜中,北京依然位居首位,杭州和深圳分别位列第二位和第三位。其中,北京在大模型领域表现突出,聚集了大批大模型企业,推出诸多具有代表性的大模型及应用产品,为中国大模型研发和应用提供强劲动力。此外,位居TOP10的城市还有上海、苏州、广州、济南、合肥、重庆和成都。 

图片

整体来说,排名靠前的城市因具有更好的政策、资金和技术支持,可以稳定吸引更多的人才和企业聚集,从而形成更强大的人工智能产业集群,而排名相对靠后的城市依然保持着对人工智能产业的热忱,不断推进人工智能产业的发展,挖掘出具有地方特色的发展路径。在这个过程中可以看到,智算中心的建设是拉动地区实现人工智能发展的重要驱动力,既可以提升基础设施建设水平,也为吸引更多企业共谋发展起到积极的推动作用。过去几年来,南京、天津、西安等城市正是通过智算中心建设的浪潮跻身前十名。

总体来说,中国的人工智能市场呈现出快速发展的态势,越来越多的城市和省份都在不断加大在人工智能算力方面的投资力度,重视政策扶持、人才储备、推进相关企业的发展。未来,随着技术不断进步和应用场景不断拓展,人工智能将成为推动社会发展的重要力量,加速世界向智能化时代迈进。

「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

相关推荐

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 527

政策解读:《生成式人工智能服务管理办法(征求意见稿)》

这个真的得热乎乎的了抢个热点,老于还有一个经济法学的学位,虽然说不是主专业,也算是略微知道一些法律常识。为了各位朋友从业者少踩坑,我把法条逐条解读一下,当然这里面会有技术的成分。希望大家一起遵守法律,尊重主管部门的良苦用心。图片由SD生成(prompt:Legal Policy, Regulatory Generative AI, Robotics, Doubt)第一条为促进生成式人工智能健康发...

人工智能学家 1117

全志DRM框架下LVDS双屏异显配置实战

本文详细介绍了在全志DRM框架下配置LVDS双屏异显的实战经验。涵盖硬件连接、内核配置、设备树修改、背光控制及U-Boot适配等关键步骤,重点解析屏参转换技巧与双屏route配置,帮助开发者解决工业控制台等多屏应用中的显示适配问题,提升开发效率。

rnn9storyteller的博客 816

破局AI人才荒:国家战略支持,500万缺口亟待填充

国家四部门放大招了!人工智能产业迎来重大利好!近日,工业和信息化部、中央网信办、国家发展改革委、国家标准委等四部门联合印发**《国家人工智能产业综合标准化体系建设指南(2024版)》**。(以下简称:《指南》)。提出到2026年,我国标准与产业科技创新的联动水平持续提升,新制定国家标准和行业标准50项以上,引领人工智能产业高质量发展的标准体系加快形成。开展标准宣贯和实施推广的企业超过1000家,标准服务企业创新发展的成效更加凸显。参与制定国际标准20项以上,促进人工智能产业全球化发展。

m0_71745484的博客 1883

UVM和System verilog笔记总结(四)

virtual sequence 即虚seq,用于管理多个实sequence的执行顺序。 下面有三个sequence,此时需要virtual sequence去管理这三个的顺序。 virtual sequence和virtual sequencer需要成对写,使用例化实的sequence和sequencer控制: 此时在virtual sequence里面启动,而不是之前在test.sv里面用default或start函数启动。具体方法如下:先例化 再启动,用 `uvm_do_on 实sequence

weixin_42655118的博客 644

abaqus运行报错 WindowsError:[Error 2]

abaqus提交job总是提示“WindowsError [Error 2”,报这个错误,可能是由于安装其他软件改变了abaqus软件的路径导致,总结了看到的教程,按照下面的方法可以解决这个问题。 步骤一:找到你的abaqus安装路径(我是按照一个安装视频安装的,安装路径为SIMULI1),然后找到SIMULIA文件夹,点击进入后找到commands文件夹,将这个路径复制下来。 步骤二:我的电脑右键属性,在左侧中找到高级系统设置并...

az101za的博客 1万+

扫盲人工智能的计算力基石--异构计算

人工智能有三要素:算法,计算力,数据。我们今天主要来讲讲计算力。 计算力归根结底由底层芯片提供。按照计算芯片的组成方式,可以分成:同构计算:使用相同类型指令集和体系架构的计算单元组成系统的计算方式。异构计算:使用不同类型指令集和体系架构的计算单元组成系统的计算方式。常见的计算单元类别包括CPU、GPU、ASIC、FPGA等。 我们从CPU开始,讲一个小...

weixin_33935505的博客 922

从建模到调参:基于Simulink的两轮差速机器人轨迹跟踪PID控制全流程解析

本文详细解析了基于Simulink的两轮差速机器人轨迹跟踪PID控制全流程,涵盖运动学建模、仿真环境搭建、PID控制器设计与实现等关键环节。通过Simulink仿真和可视化调试技巧,帮助开发者掌握移动机器人运动控制的核心技术,提升轨迹跟踪精度与性能优化能力。

weixin_28717683的博客 244

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 338

实战分享:如何用YOLOv5s+BIFPN高效检测隧道裂缝(附数据集获取)

本文详细介绍了如何利用YOLOv5s结合BIFPN(双向特征金字塔网络)构建高效的隧道裂缝智能检测系统。文章从高质量数据集构建、针对性数据增强、模型架构选型与调优,到工程化部署全链路进行了实战分享,旨在为基础设施自动化巡检提供兼顾精度与速度的解决方案。

weixin_29062823的博客 383

腾讯Octop:Windows本地AI助手一键安装实战指南

本地AI助手是面向普通用户在个人设备上运行大语言模型的轻量级解决方案,其核心原理在于封装模型加载、推理调度与Web交互等底层复杂性,通过预编译运行时、自适应硬件加速和图形化配置降低使用门槛。技术价值体现在免环境依赖、离线可用、开箱即用,显著提升非开发者在专利撰写、文案生成、技术文档处理等办公场景中的生产力。本文聚焦Windows平台下的腾讯Octop工具,结合qwen2-7b-instruct、phi-3-mini等主流GGUF量化模型,详解安装适配、API集成与专利辅助工作流,覆盖从零部署到工程落地的完整

weixin_29055137的博客 311

【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 614

SAP ABAP 四种传统的数据库视图类型介绍之二:Projection View

一是该 projection view 只暴露了底层 TADIR 表的四个字段,因此通过该 view 维护数据,在维护界面我们只能维护一条记录的四个字段,如下图所示。使用 Projection view 的优点在于其设计灵活性:如果系统中原始的数据库表字段较多,通过投影仅保留关键信息可有效降低从数据库层到应用层之间的数据传输负担,且保持数据的一致性。其二是笔者之前的文章提到,TADIR 是 ABAP 系统重要的对象注册表,如同 window 操作系统的注册表一样,一般的应用开发人员不应该去修改其内容。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1444

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 276

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")

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

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 207

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

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 340

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

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 349

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 84

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 159

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! 511

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 615

【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。

406

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 401

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 5158
上一篇: 客户案例 | 思腾合力助力某能源公司地质数据智能化计算平台建设
下一篇: 图解第五代英特尔至强可扩展处理器
STGPU
博客等级 码龄3年 846粉丝 277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