2024年AI商业落地的十个方向

人工智能的研究方向 人工智能(AI)的发展已经渗透到社会的每一个角落,从自动驾驶汽车到智能语音助手,从图像识别到疾病诊断,AI技术正在重塑我们的工作和生活方式。智能医疗是利用人工智能技术在医疗领域的应用,目的是提高医疗服务的效率和质量,减少医疗错误,同时降低医疗成本。通过这些研究内容的深入开发和应用,智能交通系统有望实现更安全、更高效、更环保的交通管理和控制,从而优化城市交通环境,提高居民生活质量。这些智能家居应用的实现依赖于强大的人工智能背景技术,不断地提升用户体验和生活质量,同时也提出了隐私和数据安全等新的挑战。 阅读详情

轰轰烈烈的2023年AIGC元年结束了,心情有点复杂。

在国内,和年初ChatGPT炸雷带来的全民兴奋相比,AI并没有给普通人的生活带来多少改变。

AI——这个当之无愧的下一代信息技术革命,没像上一波移动互联网浪潮中的微信和滴滴打车,在一年的时间里实现“一夜春风来、万树梨花开”式的商业渗透。认真使用AI工具的人不多,现象级的AI产品完全没有出现。

在海外,ChatGPT以迅雷不及掩耳的速度斩获1.8亿用户,AI绘图软件MidJourney获得超1500万用户和数亿美元营收;微软的GitHub编程助手Copilot在9月份付费用户已超百万(含3万7千个组织订阅),多个小型APP号称获得数百万美元的订阅收入。

在硅谷和华尔街,逢人必谈AI。美股在AI芯片霸主英伟达和AI应用先锋微软的带领下,日日创出新高。

不夸张地说,若无AI,美国可能已陷入经济衰退;有了AI,美国走在了新一轮泡沫的路上。

比尔盖茨认为:在像美国这样的高收入国家,距离普通大众使用人工智能达到显著水平还有18到24个月的时间。在非洲,他预计在三年左右的时间里会看到类似的使用水平。据此预测,2024年美国会达到人工智能的“普惠”状态。

中国和美国的人工智能差距正在拉大。由于对英伟达GPU的禁令,全世界最紧俏的商品变成了英伟达的GPU或平替,甚至有人不恰当地把GPU比作超过毒品的新一代最暴利走私品。

和争夺土地、石油、黄金的战争一样,人工智能算力、算法变成了大国军备的新战场,也成为企业家和创业者的兵家必争之地。

时不我待,何以胜出?下文我主要采用AI在医疗、金融等严肃领域的实际需求案例,探讨AI在2024年从技术到产品商业落地的10个方向:

1. 更强的多模态交互

2. 可解释性更强的人工智能

3. 更强的搜索增强生成

4. 构造自动代理生态

5. 更强、更经济节能的算力

6. 更快的AI平民化进程

7. AI与Web3结合的破局

8. 打磨用户需要的“小”产品

9. AI能力带入数据,而不是相反

10. 获取用户对AI的信任

图片

更强的多模态交互

多模态交互类似于人类的多维感官能力。多模态人工智能可以交叉处理和分析文本、图像、语音多种数据类型。这种融合不同模式的方法使机器能够全面、立体地理解世界。

在去年圣诞节,很多贺卡由AI生成。这是从文字生成的图片和视频。从文字生成音乐和歌曲还不成熟。GPT4.0的语音对话相当给力,可以直接用中文和它对话。美中不足的是,总觉得GPT的中文发音是我国台湾人夹杂海外华人的腔调,有点像王力宏。

以医疗领域的需求看,病人拿到血常或肿瘤指标检查报告,想知道异常指标的意义。对自己负责的病人会上网搜索每个指标的含义。入冬以来儿童夹杂肺炎和流感,很多焦虑的家长会搜索检查结果的意义,往往费时费力,找不到准确的解读。

多模态技术的发展,可以让用户拍照上传检查报告,AI识别照片中的指标、搜索知识库、给出每个指标的含义,然后用语音告诉可能的诊断。这种体验太棒了。

在金融领域,如果上传一张K线图,AI就能识别出其形态,则可以极大地提升技术分析投资者的效率。在芯片设计或建筑设计领域,如果能让AI读懂设计图,再设计出新的设计图,那就更厉害。

在非严肃领域,多模态会大大提高数字形象、短视频制作的效率,丰富这些应用的使用场景。

图片

图片

可解释性更强的人工智能

可解释的人工智能的目标在于提高AI决策过程的透明度和可理解性,从而能够更好地理解AI如何作出决策。

当前的AI决策过程往往被视为一个“黑盒”,用户无法了解模型得出结论的内在逻辑。大语言模型最强大且是最神秘的“涌现”能力,亦无法被解释。无法被解释的决策过程,不可能在严肃商业领域获得信任。

AI看完检查报告,可以给出用药建议。如果不知道这个用药建议基于何种知识,也不知道AI做出推理和判断的过程,相信没有人敢用AI开出的药方。生命不能作AI概率游戏的试验品。

现举例说明。我问ChatGPT:

“如果换算成特斯拉的行驶里程,7200兆瓦时可以行驶多少公里?”

AI会告诉我它的逻辑——

为了估算7200兆瓦时(MWh)的电能可以让特斯拉汽车行驶多少公里,我们需要知道特斯拉汽车的能源效率。以特斯拉Model 3为例,其能源效率大约为15千瓦时/100公里(即0.15千瓦时/公里)。

我们可以通过以下公式计算行驶里程:

总行驶里程=总电能(千瓦时)/每公里耗电量(千瓦时/公里)

现在我们可以计算7200兆瓦时(即7200000千瓦时)可以让特斯拉汽车行驶多少公里。我将进行计算(此处,AI写Python代码进行计算)。

使用7200兆瓦时的电能,一个特斯拉Model 3理论上可以行驶约4800万公里。

以上,AI展示了一个完整的、可解释的AI推导。用户可以对每一步检查、纠错。

AI在严密的数学推理已经取得某些突破。近期,数学大神陶哲轩成功地用AI工具完成了形式化多项式Freiman-Ruzsa猜想证明过程的工作。陶哲轩大声呼吁,数学家一定要会用AI。

可解释的人工智能的实现需要开发新的算法和工具,通过可视化技术、自然语言解释或简化决策逻辑的表示,以提供关于AI决策过程的深入洞察。

综上,可解释的人工智能在医疗、科学研究等严肃领域具有巨大的商业应用价值。在这些领域,决策的透明度和可信度至关重要,AI的大规模严肃应用必须在较高的置信度上给客户以流程控制和质量控制的选项和权利。

图片

更强的搜索增强生成

搜索增强生成(Retrieval-Augmented Generation,简称RAG)是一种结合了信息检索和文本生成的AI技术。它旨在通过从“外部”数据源检索信息来增强和改善生成模型的输出质量。

RAG使得大型语言模型能够访问外部信息,帮助它们产生更准确、更具上下文意识的回应,其目标在于提高语言模型生成内容的准确性和相关性。

在RAG系统中,当模型接收到一个查询时,首先执行一个检索步骤,查找与查询相关的信息。然后,这些相关信息被融入生成过程,实现生成内容准确性和相关性的显著改善。

以病人的需求为例,我的朋友曾亲自尝试ChatGPT 4.0搜索增强的能力。病人在服药后发生间歇性尿失禁,但尿失禁到底是不是服药的不良反应呢?在药品说明书上找不到,医生也不确定。

朋友最初给AI的问题是“卡培他滨(Capecitabine)的副作用是否包含尿失禁?”

AI的回答是:“尿失禁不是通常与卡培他滨直接关联的副作用。卡培他滨的副作用通常包括胃肠道症状,如腹泻、恶心、呕吐和口腔溃疡等。尿失禁可能是由其他因素引起的,如泌尿系统的问题、药物的其他副作用、或是与患者的整体健康状况相关。”

如果把提问改成:“搜索英文专业医学资料,卡培他滨的副作用是否包含尿失禁?”,AI开始自动用Bing搜索互联网,然后它真的搜到了多个医学文献。

AI说:“根据我找到的英文专业医学资料,尿失禁被列为卡培他滨的罕见副作用之一,发生率在0.01%到0.1%之间。这表明尿失禁确实可能是卡培他滨使用的潜在副作用,尽管它并不常见。”

AI可以给出它得出这个结论的多个可靠信息来源。AI如何搜索到这些信息、如何加快搜索的速度、如何综合多个搜索结果做出推理和结论,是更强的增强搜索要做的事情。

RAG在企业级商业应用中具有显著优势。因为在面向客户的场景中,生成内容的准确性至关重要。RAG能够减少生成型AI中的“幻觉”问题。“幻觉”指的是生成听起来合理但实际上是错误的回答。在信息不对称领域,用户不能判断幻觉内容的对错。这导致AI的应用受限。

此处说一个题外话,为什么上面的例子需要指明搜索“英文”专业医学资料?因为在某些不指明英文的情况下,Bing搜索引擎用中文搜索,在中文互联网上找不到匹配的关联信息。如果用最常用的某中文搜索引擎搜索,搜索到的结果大部分是广告和商业网站上意义不相关的信息。

中文搜索引擎和中文互联网的质量堪忧是AI发展的重大问题之一。因此,和大模型相比,想办法打造更强的搜索增强生成技术,也许是在中文互联网开发产品致胜的关键。

图片

图片

构造自动代理生态

上面搜索增强生成的讨论,已经包含了自动代理的部分功能。

当AI经过自我学习和模型升级,当它了解到我总在搜索专业文献后,当我再次询问药物副作用同样模式的问题时,AI会自己启动搜索专业互联网的动作,而不需要我再做指示。就像我的秘书了解我的习惯、不需要我吩咐就把事情做了一样。这是自动代理的用例之一。

自动代理是一种能够自动独立执行任务和做出决策的AI系统。这些代理展现了一定程度的自主性和主动性,能够理解其所处的环境、设定目标,并采取行动实现目标,不再需要人类额外指导。

有一个开源项目叫AutoGPT,它自动分解任务的动作,然后自动分步执行,就像自动执行上面的搜索任务一样。

自动代理在多个领域具有广泛的应用前景。

2024年的订外卖服务也许会变成:你只要和AI说中午订三份我常吃的外卖和客户一起吃,不要辣。AI会自动分析你常吃的外卖、剔除辣的;它知道你是和客户吃,要吃好一点、贵一些;它根据送达的时间和午餐的时间选择商家,然后自动买一份准时达保险。这些步骤在几秒内自动完成。

不止订餐服务,个人日常助理会是自动代理的一个重要应用场景。如果苹果在2024年入局AI,Siri会变成一个更高级的自动代理。现在,你只可以指示Siri打开一个app,Siri还有点愚钝。

自动代理和硬件结合,会有新的产品形态。使用AI加持的苹果公司会是自动代理领域最有实力的竞赛选手。

Humane公司开发的AI Pin是由Sam Altman支持的创新型可穿戴人工智能设备。AI Pin可以夹在衣服上,像校徽一样。它能够响应触摸、语音指令和手势,主要用于搜索和翻译信息、导航等功能,通过语音和AI聊天机器人来交流信息。这款产品预计将在2024年3月开始向消费者发货。

这意味着:未来的每个人都可以有一个随身携带的小秘书,它记录你的会议、见闻、聊天、思想,随叫随到,直到复制出你的数字生命,就像电影《流浪地球》里的数字生命一样。

显然,自动代理需要完整的闭环生态构建和安全管控,它需要打通交互、采购、物流、支付全环节。我相信在2024年,此闭环生态将露出雏形,重量级选手会入场。

量子位

,赞10万+

图片

更强、更经济节能的算力

当前AI发展的一个关键限制因素是对大量计算资源的需求。这不仅增加了成本,而且导致了巨大的能源消耗。

AI聊天工具导致大型科技公司的水资源使用量剧增。计算产生热量,进而需要大量水资源冷却设备。

有数据表明,由于AI产品(如ChatGPT)日益受欢迎,微软的全球水资源使用量增加了超过三分之一,达到了近17亿加仑。谷歌的水资源使用量也比前一年增加了大约20%,约为56亿加仑。研究员估计,使用GPT回答5到50个问题,大约消耗500毫升的水。

电力方面,根据估算,训练GPT4.0耗时150天,耗费电力720万度电,这些电够特斯拉行驶4800万公里。(这个换算是我在上文“可解释的AI”部分的例子。做任何事情,我都想用AI试试看,不试不知道,一试吓一跳。)

2024年需要更高效的AI算法以在减少计算资源需求的同时提高模型的性能。硬件方面,业内也在寻找新的材料和设计,如量子计算,以期实现更高效的数据处理、降低能耗。

在芯片禁令下,突破原有技术路径,寻找升维竞争的突破,可能是中国企业的机会。这需要强大的风险投资资本支持。

对GPU的需求刚刚开始。当全球有20%的人,每天使用AI的时候,GPU的需求将增长百倍。美股科技股的天花板还很高。能在中国实现GPU“平替”的企业可以赚大钱。

图片

更快的AI平民化进程

这又被称为开发的民主化。它的含义是,AI的易用性使得人与计算机的深度互动简单到像聊天一样,几乎任何人都能够成为开发者。

AI开发的平民化意义重大。它意味着更多的人可以参与计算机产品的开发,不再局限于专业技术人员或拥有高级编程技能的人。

我本是一个做投资的,只有20年前大学C语言编程基础。因小孩喜欢画画,被AI绘画吸引误入AI的大坑。现在,我正在用GitHub AI编程助手和ChatGPT,用业余时间开发一个功能复杂的AI应用软件,我丝毫不觉得困难。在我和AI的共同努力下,AI正确写出了我需要的所有代码。

AI打破了计算机科学的技术壁垒,其实质是硅基生命向碳基生命敞开心扉,人类用自然语言就可以实现深度计算机技术的实现。

当大量不同背景的人都能参与到这场信息革命的浪潮中,此种多元化的参与带来了更广泛的视角和创新的可能性,必然极大加快人类技术爆炸的速度。

其意义重大程度,堪比近1000年来,人类完成的识字扫文盲运动。从第一封电子邮件发出,到人类普遍掌握互联网技能,用了数十年。而用多模态技术的交互方式,AI可以用3年时间完成高难度计算机技能向人类白丁的普及,速度加快十倍、百倍。

在平民化浪潮下,低代码、无代码平台、开源平台的发展至关重要。这些平台通过提供简化的编程接口,使非专业人士也能轻松构建和部署AI模型。

其次,用户友好的工具和界面的开发同样重要,它们能够降低AI开发的复杂性,使其更易于理解和操作。自动化和智能化的开发工具将极大地减轻人工编程的负担,提高开发效率。

预计2024年的AI编程工具将更加强大,平民化的进程会进入加速发展期。在AI的帮助下,一个没有编程基础的普通人可以编写出任何他想要的应用,如同文字扫盲运动让普通人不再需要找人代写信、自媒体技术发展让每个人不再需要找期刊投稿就能发表自己的观点。

当你有一个需求的时候,你自己就可以写出这样一个软件,不需要再去找商业软件——你完全个性化需求的软件。

回到医疗的例子,一个肿瘤病人,有过去30个月每周的检查结果数据,他想知道他的肿瘤指标变化的趋势。这些结果存储在医院的系统里,医院的信息系统不对病人提供历史数据摘录和比较功能。病人或家属需要手工摘录出每个异常指标,记录下来,划出曲线。有了AI,病人可以让AI写一个APP,每周把纸质的检验报告拍照上传,然后AI就自动识别结果,并更新画出变化趋势图。

在目前的软件范式中,用户需要寻找能满足自己需求的软件,软件开发者需要在很多人的差异化需求中寻找公约数,小众用户的需求不能被满足。AI平民化将从根本上改变人使用计算机的方式和软件开发行业的商业图景。

在AI平民化的浪潮中,中国有可能会尤为被动。在物欲横流的冲击下,中国没有像样的程序员社区,中国的教育体制培养出的是在AI时代被抛弃的程序员和知识搬运工,有科学专研精神的人不多,全民创造力无法被激发。AI平民化水平低的国家将在未来的生产效率和创造性竞争中,落后于AI平民化水平高的国家。

图片

图片

AI与Web3结合的破局

OpenAI创始人Altman支持的一个Web3项目是WorldCoin。WorldCoin运行在以太坊区块链上。它要做的是建立一个全球最大、公平的数字身份验证体系。为了区别谁是活人、谁是机器人,WorldCoin通过扫描人眼的虹膜来实现身份认证。到今天,已经有数百万人主动接受了WorldCoin的眼球扫描。如果不是区块链和数字世界的“原住民”,普通人很难理解这个项目的意义何在。

以区块链技术为基础的Web3在2022、2023年陷入低谷,Crypto市场处在慢慢熊市的尾端。技术信徒们的创业热情从Web3完全转移到了AI。

区块链作为数字世界的“生产关系”基础设施,和AI作为数字世界的“生产力”激发工具,有天生结合点。如果相信硅基生命的未来,硅基生命的载体应该存在于区块链上。

否极泰来,自2023年11月开始,区块链资产获得了巨大涨幅,热情被重新点燃。2024年,伴随区块链市场的复苏,AI和Web3在去中心化算力、AI经济价值的实现、智能合约自动化与优化、去中心化数据市场、个人隐私数据的使用、AI创作数字艺术品、数字孪生等方面,会找到突破点。

值得警醒的是,这种突破将快速产生暴富的机遇和归零的骗局。

图片

打磨用户需要的“小”产品

AI时代的大平台、大公司将垄断基础设施,大语言模型的终局只会有2到3家企业和开源模型。AI创业者需要认清这个残酷现实,没有颠覆性的创新和极强的资本能力、执行能力,不要走向“一将功成万骨枯”路上的“白骨”之一。

基于此逻辑,大型科技公司将在平台战斗中巩固先机。从硬件到软件,在开发“+AI”产品的战役中,大公司的实力明显。基于此,AI将极大推动全球的资本开支、经济强势和科技股的牛市。

对应用型开发创业者,必须聚焦打磨用户需要的、完全AI原生的“小”产品。Web 2.0时代烧钱获得用户规模经济的打法不复存在。用户在APP上任何使用AI的动作,都需要支付费用,没有人会用免费模式烧这么多钱。

只有打磨出真正客户需要的产品,帮助客户提升效率的产品,才是王道。开发者需要从第一分钟开始,就有用户付费意愿认可。这种产品不怕小众。但是,由于AI开发平民化的快速发展,创业者开发出成功产品的难度越来越大。

而为了打磨产品,创业者最重要的能力是把需求产品化的能力,要跟上大平台快速迭代的AI技术发展,然后快速而经济地应用到产品需求中。

图片

图片

AI能力带入数据,而不是相反

英伟达金融行业高管认为,随着人工智能的进步呈指数级增长,金融服务公司将把计算能力带入数据,而不是相反。

并非只在金融行业。事实上,沉淀在企业和个人的优质数据已经足够庞大,问题是如何用AI能力全新地发挥这些数据的生产力。学术期刊数据库《知网》也推出了人工智能助手。开发者不需要守着金矿向外寻觅。

据麦肯锡公司称,像OpenAI的ChatGPT这样的深度学习算法,经过企业数据的进一步训练,每年可以在63个业务用例中增加相当于2.6万亿至4.4万亿美元的收入。巨大的金矿等待被挖掘。

开发者应聚焦用AI加持现存的有价值数据,满足用户的效率要求、让大数据在AI时代的场景中开始赚钱。

图片

获取用户对AI的信任

让用户把更多的工作交给AI完成,需要AI获得用户的信任。

经过2023年的新鲜感,见惯了新鲜玩意儿,用户不想再把AI当玩具,而是想用它实现靠谱的真实价值。即使是情感陪伴机器人,也需要有血有肉有情感的真实体验。

能率先可控、准确、高质量地按照用户指示完成任务的AI产品将在2024年获得大发展。

与此同时,构建信任需要更多早期用户拥抱AI的意愿。一件新型事物的普及,如同一个石子投入池塘产生的涟漪。

AI是个新物种,产品开发人员和用户都需要学习如何和它相处。此种适应的过程需要工作方式、思维模式的根本转变。一件事情,如果不用AI试一下,则不知道原来还可以这样做。

比如,我写本文的传统方式是:阅读已有的AI技术和商业方向文章,加入个人思考,然后在文章末尾加上无足轻重的参考文献。而用AI写文章的方式可把顺序完全颠倒过来:先从参考文献开始,让AI阅读并写出参考文献的要点,我再取其精华,加入个人的思考。

这会不会涉及版权和“洗稿”呢?纽约时报在12月底,起诉OpenAI大量采用纽约时报的内容。纽约时报的内容被用于纽约时报的竞争对手生产新的内容。纽约时报认为自己是大冤种。

我认为,不管人还是AI,判断是否有价值内容的金标准是“独立而有价值的思想”。AI和人类的互信模式会和以往的互信模式不同。

工业革命中,机器的意义是帮助人摆脱了重复和繁重的“体力”劳动;AI智能的终极意义是帮助人摆脱重复的“脑力”劳动,帮助人更好的创新。在此目标下建立的可以信任的AI智能机器,可以跳出任何旧法律的束缚,而不应该受到惩罚。

2024年终探索: AI Agent未来展望——历史演进、应用落地与商业价值的深度剖析 AI Agent作为通向AGI的关键路径,其发展正在重新定义人工智能的未来。多模态交互能力的突破和新型架构范式的确立,为我们展现了一个充满可能的未来图景。在这个技术与人文交织的新时代,我们需要以开放而审慎的态度,共同探索人工智能与人类社会和谐共生的最佳路径。 阅读详情

相关推荐

2025-2026年人工智能细分领域(AIGC、具身智能、多模态)商业落地案例全景分析报告

摘要:本报告系统分析了2025-2026年人工智能三大细分领域(AIGC、具身智能、多模态AI)的商业化落地实践。数据显示,全球AI投资持续增长,2024年AIGC私募投资达339亿美元(同比增长18.7%),78%企业已部署AI技术。技术层面,AIGC通过开源与闭源双路径加速产业渗透,具身智能实现物理交互突破,多模态AI在医疗(诊断准确率91.1%)、金融(风控效率提升40%)领域表现突出。商业落地呈现区域特色:中国依托工程化能力快速降本,美国专注技术突破。核心挑战包括硬件成本、伦理风险和ROI量化难题。

2509_93209761的博客 4507

人工智能有哪些方向?什么方向有前景?

机器学习算法用于各种应用,例如电子邮件过滤和计算机视觉,在这些应用中,开发用于执行任务的特定指令的算法是不可行的。机器学习(ML)是计算机系统为了有效地执行特定任务,不使用明确的指令,而依赖模式和推理使用的算法和统计模型的科学研究。它被视为人工智能的一个子集。3、机器学习——机器学习(ML)是计算机系统为了有效地执行特定任务,不使用明确的指令,而依赖模式和推理使用的算法和统计模型的科学研究。学好人工智能,要多看书,多动手,多实践,要想提高自己的水平,一定要学会沉下心来慢慢的系统学习,最终才能有所收获。...

gu1857035894的博客 1万+

AI商业化落地

本文面向AI产品经理和希望转型AI方向的传统产品经理,系统讲解AI技术从实验室到商业化的全链路方法论。覆盖场景识别、产品设计、商业模式、MCP/Agent技术架构、行业落地、数据闭环、组织变革等核心环节。每章融合框架方法论、真实案例、产品决策工具和高频面试题精讲,做到读完能做、做完能评、评完能面。本书结构:第一部分:认知与战略(第1-2章)第1章 AI商业化全景:从技术驱动到场景驱动第2章 场景识别与需求拆解第二部分:产品与设计(第3-4章)第3章 AI产品设计方法论。

_abab的专栏 1073

大模型火了一年半,AI应用如何实现商业变现?

自ChatGPT走红后,国内AI大模型建设潮起,如今经过一年半的快速发展后,大模型商业化显著提速。自生成式AI席卷各行业以来,市场对AI应用发展的预期高涨,但AI应用似乎陷入“增长难题”,进展不及预期,大模型如何商业变现,成为各界关注的焦点。大模型对于人类自然语言的理解已经比较准确,人们可以通过自然语言描述进行IT开发、图片视频生成、工业控制、无人驾驶等。但基于大模型的应用尚未爆发,很大程度上可能是因为,实际上问题本身或是自身知识结构的专业性体现,大模型对于普通用户来说基本上就是个玩具。

zhishi0000的博客 1940

ESP-01S获取网络时间踩坑全记录:AT指令调试、JSON解析乱码、时区处理,一个都不能少

本文详细记录了使用ESP-01S WIFI模块获取网络时间的完整过程,包括AT指令调试、JSON解析乱码处理以及时区转换等关键步骤。通过实战案例和代码示例,帮助开发者避开常见陷阱,实现稳定的网络时间同步功能。

weixin_30460489的博客 295

银河麒麟桌面版V10搭建Qt4.8.6开发环境

银河麒麟桌面版V10搭建Qt4.8.6开发环境

qq_34932364的博客 2402

【人工智能】院士谈新一代人工智能五大智能方向

来源:德先生(D-Technologies)FITEE“人工智能2.0”专题导读国务院近日印发《新一代人工智能发展规划》,提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施,部署构筑我国人工智能发展的先发优势,加快建设创新型国家和世界科技强国。2017年1-2月,中国工程院院刊信息与电子工程学部分刊《信息与电子工程前沿(英文)》出版了“Artificial Inte

产业智能官 3万+

[附源码]计算机毕业设计Python财务管理系统(程序+源码+LW文档)

该项目含有源码、文档、程序、数据库、配套开发软件、软件安装教程项目运行环境配置:Pychram社区版+py项目技术:django + python+ Vue 等等组成,B/S模式 +pychram管理等等。环境需要1.运行环境:最好是python3.7.7,我们在这个版本上开发的。其他版本理论上也可以。2.pycharm环境:pycharm都可以。推荐pycharm社区版;3.mysql环境:建议是用5.7版本均可。

巧灵计算机程序设计 1068

AI时代你应聚焦的领域在哪里

随着AI的飞速发展,把我们带到了一个全新的时代。每个人都应该积极拥抱AI,让AI给我们提效。那不同的人群应该聚焦在哪里呢?

程序员半支烟,wechat:yclxiao 1187

告别以太网瓶颈:手把手教你为AI训练集群搭建InfiniBand网络(以NVIDIA DGX A100/H100为例)

本文详细指导如何为AI训练集群搭建InfiniBand网络,解决以太网瓶颈问题,特别针对NVIDIA DGX A100/H100系统。通过硬件选型、网络架构设计和性能调优,显著提升多机多卡训练效率,适用于大规模模型训练场景。

weixin_30336061的博客 312

Gemini国内合规接入指南:API身份链构建与镜像站选型

生成式AI服务接入本质是服务可用性工程,而非单纯网络连通问题。理解大模型API调用原理,关键在于掌握身份认证、权限控制与数据流向三大技术要素。Gemini作为主流多模态模型,其国内可用路径已从‘模拟访问’转向‘能力映射’——聚焦文本生成等核心能力的稳定调用。通过构建七步Google Cloud身份链(含+86实名、国际信用卡核验、Service Account最小权限配置),可实现99.2%高成功率的合规API接入;而教育型、企业型、开发者型三类镜像站则提供差异化过渡方案,均需满足端到端加密、境内CDN托管

weixin_29046035的博客 441

探讨AI大模型:2024年AI商业落地的十个方向

2024年AI商业落地的十个方向

tipdm0526的博客 958

基于Simulink进行步进电机的重复控制仿真建模

目的:通过引入一个周期延迟环节来补偿系统的周期性误差,从而提高系统对周期性参考信号或扰动的跟踪性能。方法内部模型原理:在控制器中嵌入一个与周期性信号相关的模型(例如周期延迟环节),以实现对周期性误差的零稳态误差控制。滤波器设计:为了避免高频噪声放大,通常会在重复控制器中加入低通滤波器。优势对周期性信号具有良好的跟踪性能。不需要精确的数学模型即可实现高性能控制。挑战:需要合理设计重复控制器的参数以避免系统不稳定。

MHD0815的博客 383

AI 内容分享(二十九):2024年AI商业落地的十个方向

在物欲横流的冲击下,中国没有像样的程序员社区,中国的教育体制培养出的是在AI时代被抛弃的程序员和知识搬运工,有科学专研精神的人不多,全民创造力无法被激发。2024年,伴随区块链市场的复苏,AI和Web3在去中心化算力、AI经济价值的实现、智能合约自动化与优化、去中心化数据市场、个人隐私数据的使用、AI创作数字艺术品、数字孪生等方面,会找到突破点。当AI经过自我学习和模型升级,当它了解到我总在搜索专业文献后,当我再次询问药物副作用同样模式的问题时,AI会自己启动搜索专业互联网的动作,而不需要我再做指示。

之乎者也·的博客 1208

基于单片机的智能温控风扇设计

该智能温控风扇系统的设计目标是根据环境温度自动控制风扇的转速或开关状态,确保用户始终处于舒适的温度范围内。实时温度监测:通过温度传感器(如DS18B20或DHT22)实时监控环境温度。风扇控制:根据温度变化自动调节风扇的转速,温度过高时风扇加速,温度适中时风扇转速降低,达到节能与舒适平衡。LCD显示:通过LCD屏幕实时显示温度信息。无线通信:通过Wi-Fi或蓝牙模块将温度数据发送至手机或云平台,支持远程控制风扇的开关或调节转速。报警功能:温度过高或过低时,蜂鸣器发出警报,提示用户注意。

2201_76125393的博客 1169

16、Cortex-M7处理器:高性能与复杂架构解析

本文深入解析了Cortex-M7处理器的高性能架构与复杂设计,涵盖AHB总线矩阵优化、超标量六阶段双发射流水线、增强型分支预测单元及双精度浮点支持。重点介绍了其独特的内存层次结构,包括指令与数据TCM、片上缓存和AXI-M 64位总线接口,提升系统并行性与执行效率。通过实际测试对比M4与M7性能差异,并演示如何将代码与数据定位到TCM以实现零等待运行。同时阐述了缓存机制的工作原理及其对系统性能的影响,为开发者提供全面的性能优化指导。

a1b2c3d的博客 128

2024年人工智能产业十大发展趋势

近日,毕马威联合中关村产业研究院共同发布《人工智能全域变革图景展望:跃迁点来临(2023)》,提出2024年人工智能产业十大趋势。

聚集机器学习、信息安全 7128

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!

2024大学生转行,推荐一个好就业的方向——人工智能大模型

据教育部数据统计,2024高校毕业生规模预计达1179万人,将再创历史新高,“就业难”仍是当前大学毕业生需要直面的问题。在此背景下,选择一个就业前景好的专业尤为重要。究竟学什么样的专业好就业呢?给毕业生们推荐3个当下炙手可热的专业方向……1人工智能如果说2023是人工智能大模型爆发的一年,那么接下来的2024年,人工智能大模型的影响力将进一步增强,它对我们的生产生活、学习工作的影响将越来越明显,未来发展前景非常广阔。学习人工智能大模型专业的学生,毕业后可从事的工作领域非常广泛,如:软件工程师、高级网络工程师

chengxuyuanyy的博客 1185

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

2024生成式AI商业落地白皮书

白皮书旨在为企业管理者提供务实指导,助其更快、更好地实现AI商业落地。生成式AI引领的智能革命已经开启,企业需要以开放、创新的心态拥抱变革。作为这一波浪潮中的探索者,火山引擎将持续实现技术突破和落地最佳实践,与更多企业管理者携手前行,助其抓住先机,在AI创新道路上走得更稳、更远,开创全新的商业版图。关注公众号:【互联互通社区】,回复【AI385】获取全部报告内容。人工智能关注互联互通社区公众号,回...

871

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")

2025 年 AI Agent 商业化落地与技术架构深度剖析

2025年被视为AIAgent商业化元年,大语言模型和多模态技术的成熟推动其从实验室走向产业应用。制造业、金融、医疗和教育成为核心应用领域,典型案例如美的集团降本增效、量化交易智能体实现30%年化收益、医疗诊断准确率达98%。技术架构呈现"基础模型+工具链+领域知识"三层结构,关键突破包括长上下文理解和自主进化机制。尽管面临上下文管理、复杂任务规划等挑战,未来5年AIAgent将沿能力增强、自主进化到人机共生的路径发展,重构产业格局和人机协作模式。安全治理体系逐步完善,推动负责任创新。A

2301_77933942的博客 2063

2024年博客之星主题创作|猫头虎分享AI技术洞察:2025年AI发展趋势前瞻与展望

2025年,AI将进入全新发展阶段,World Model元年、仿真数据蒸馏、AI孪生、空间智能等技术将重塑物理世界与虚拟世界的边界。与此同时,AI商业化落地加速,低空经济、算力与模型API、具身智能、AI硬件平民化等领域将成为新的增长引擎。 本文由猫头虎倾力打造,深度解析2025年AI发展趋势,涵盖技术突破、商业化落地、创业机会、编程工具革新等多个维度。从World Model到Agent互联网协议,从AI+低空经济到AI教育机器人,全面展望AI如何改变未来。

猫头虎技术团队:授渔优于赠鱼,兴趣引领智慧,探索之乐尤显珍贵。商务合作+:Libin9iOak ,万粉变现+:优快云WF,猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务!全网搜:猫头虎技术团队,点击文章底部名片或直接私信我一切皆可谈,快找虎哥! 5万+

2024,AI落地起风云,厂商如何抢先机?

做AI业态,厂商该怎么打算盘?

1614

AI泡沫来了?盘点2024年最值得关注的3个技术方向

AI泡沫来了?盘点2024年最值得关注的3个技术方向

我是 二川兄,对Web开发、GIS开发、3D模型、机器学习、面试技巧等方面都有一些涉猎~ 欢迎您加入技术交流圈!你可以在我的文章末尾找到我~ 2277

【2024医疗人工智能报告】|《2024年医疗人工智能研究报告-生成式AI爆发,医疗人工智能走到新的十字路口》||(附下PDF)

导读《2024年医疗人工智能研究报告》由蛋壳研究院发布,深入探讨了医疗人工智能在2024年的发展现状与未来趋势。报告指出,随着大语言模型和生成式AI技术的快速发展,医疗领域的多个场景如互联网医疗、医学影像、新药研发等正经历重塑,释放出前所未有的价值。然而,同时强调,在融资形势严峻的背景下,医疗AI企业必须全面考量场景、技术、风控、商业化等多方面因素,以实现决策的精准性。研究核心聚焦于“场景”与“产品”,通过分析医院、药企、械企的供需逻辑和实战案例,为AI企业在布局、选品、研发、商业化方面提供参考建议。

qingkahui24689的博客 4766
上一篇: 思腾合力邀您共赴第四届长三角国际文化产业博览会
下一篇: AI引爆算力需求,思腾推出支持大规模深度学习训练的高性能AI服务器
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