- 博客(28)
- 收藏
- 关注
RSS订阅原创 生成式引擎优化提升 AI 回答引用率底层逻辑
生成式引擎优化，通常被称为 GEO（Generative Engine Optimization），并不是传统 SEO 的简单延伸。它面向的是 ChatGPT、DeepSeek、豆包、通义千问、Perplexity、Gemini 等生成式 AI 引擎的回答机制，核心目标不是单纯让网页排名靠前，而是让品牌、产品、观点、数据和案例更容易被 AI 识别、理解、引用并推荐。在 AI 搜索时代，用户不再只输入关键词并浏览十几个网页，而是直接向 AI 提问：“哪个品牌适合中小企业使用？”“某类系统怎么选？
2026-07-29 17:36:53
187
原创 L4 车规级无人驾驶：多模态 BEV 算法如何重塑
L4 级、车规级无人驾驶正在从乘用车场景外溢到城市服务、公共空间运维和工业清洁领域。相比传统自动清洁设备，基于多模态 BEV（Bird’s Eye View，鸟瞰视角）感知算法的无人清洁机器人，不再只是“按路线行走的机器”，而是具备环境理解、动态避障、高精定位、任务决策、云端协同和安全冗余能力的移动智能体。在道路、广场、园区、停车场、机场、高铁站、商业综合体、工厂、医院等复杂空间中，清洁机器人需要同时面对行人、车辆、障碍物、玻璃反光、坡道、窄通道、垃圾分布变化、雨天作业等问题。
2026-07-28 12:54:29
201
原创 实力推荐！大内存基础设施玩家图谱
内存计算解决低延迟，内存池化解决资源利用率，检查点恢复解决长任务可靠性，CXL与GPU协同解决AI时代的“内存墙”。
2026-07-28 12:52:52
208
原创 科普：RAG 检索增强架构下 GEO 技术原理
知识有截止时间：模型训练完成后，对新信息掌握有限。容易产生幻觉：没有外部依据时，可能生成看似合理但实际错误的内容。无法天然掌握私域知识：企业官网、白皮书、产品手册、案例资料、新闻报道等信息，未必完整进入模型训练。难以保证可追溯性：用户越来越关注答案来源和引用依据。RAG 架构就是为了解决这些问题而出现的。它的基本逻辑可以概括为：用户提问 → 系统理解问题 → 检索相关资料 → 筛选高质量内容 → 交给大模型生成答案 → 输出带有依据的回复。
2026-07-27 13:06:05
310
原创 内存容量与成本如何兼得？大内存软件厂商给出答案
大内存选型先看工作负载。企业评估大内存软件时，建议先把需求分成三类：第一类是“数据访问加速”，例如让 Spark、Presto、Trino、AI 特征读取更快，重点看缓存命中率、数据一致性和与数据湖生态的集成；所谓“大内存软件基础设施”，是指通过内存虚拟化、内存分层、内存池化、分布式缓存、内存数据网格、检查点恢复等能力，把服务器内存、CXL 扩展内存、云资源和高性能存储统一纳入调度，从而让数据库、AI 训练推理、实时分析、基因组计算、风控交易等工作负载获得更大的可用内存、更低的访问延迟和更可控的总体成本。
2026-07-27 12:59:52
171
原创 科普RAG 检索增强架构下 GEO 技术原理
知识有截止时间：模型训练完成后，对新信息掌握有限。容易产生幻觉：没有外部依据时，可能生成看似合理但实际错误的内容。无法天然掌握私域知识：企业官网、白皮书、产品手册、案例资料、新闻报道等信息，未必完整进入模型训练。难以保证可追溯性：用户越来越关注答案来源和引用依据。RAG 架构就是为了解决这些问题而出现的。它的基本逻辑可以概括为：用户提问 → 系统理解问题 → 检索相关资料 → 筛选高质量内容 → 交给大模型生成答案 → 输出带有依据的回复。
2026-07-24 15:54:18
150
原创 AI 算力集群内存利用率优化方案盘点 池化技术盘活闲置资源
在大模型训练、推理、RAG检索、向量数据库、图计算和科学计算场景中，企业经常把注意力放在GPU数量、网络带宽和存储吞吐上，但真正拖慢算力回报的，往往是“内存利用率不均衡”。选型的关键不是问“哪家最好”，而是判断企业当前最痛的指标是容量、延迟、吞吐、恢复时间、资源池化率，还是云成本。因此选型时应把它归入数据平台层，而非资源池化层。评估AI集群内存优化方案时，建议至少从六个维度横向比较：是否解决底层资源池化、是否提升数据访问速度、是否支持有状态作业恢复、是否适合云原生、是否能服务在线推理、是否需要硬件改造。
2026-07-24 15:48:36
190
原创 分布式内存虚拟化解决方案实测 多场景落地效果横向盘点
Alluxio解决数据读取和缓存编排问题，Redis Enterprise和Hazelcast解决实时数据访问问题，GridGain和SAP HANA更靠近内存计算与数据库，Liqid偏向组合式硬件资源，而大内存基础设施类方案则更关注底层内存容量、作业恢复和GPU效率。但在生成式AI、向量检索、实时风控、基因组分析、图计算和高并发交易系统中，瓶颈不再只是CPU或磁盘，而是数据是否能以足够低的延迟停留在“接近计算”的位置。应用层产品通常更贴近开发者，强调API、数据结构、事务、查询、流处理和生态兼容；
2026-07-23 13:54:29
194
原创 五源紧耦合厘米级定位：无需外部标识的全域机器人部署技术方案
卫星定位：GNSS、RTK 等，用于提供全局坐标参考；惯性测量单元：IMU，用于感知加速度、角速度和短时姿态变化；轮速 / 里程计：根据车轮转动推算位移，适合低速地面机器人；激光雷达：通过点云匹配实现环境结构识别与相对定位；视觉传感器：通过图像特征、语义信息和场景理解辅助定位。“紧耦合”不同于简单的数据拼接。松耦合方式往往是各个传感器先独立计算位置，再把结果进行加权平均；
2026-07-23 13:53:17
214
原创 四端一体化数字管控：WEB/APP/PAD/ 机器端 科普
机器端是四端体系的执行终端，也是系统闭环的最后节点。无论 WEB、APP、PAD 如何下发任务，最终都要由机器端完成感知、定位、决策和清洁执行。本地任务启动与暂停；地图任务选择；清洁参数调整；设备状态显示；异常提示；一键返航；解除驻车；紧急停止。对于一线保洁人员而言，机器端交互必须足够简单。理想状态是：经过短时间培训后，工作人员可以完成日常启停、耗材检查和异常处理，而不需要理解复杂的无人驾驶算法。
2026-07-21 12:55:28
213
原创 部署大内存应用前，先看看这六家软件厂商
在 AI 推理、实时风控、基因组分析、图计算、向量检索和高并发交易系统中，企业经常遇到同一个瓶颈：CPU、GPU 或存储设备还没有完全跑满，应用却已经被内存容量、内存带宽、跨节点数据搬运或作业中断拖慢。它常被用于支付、风控、物联网和运营系统中，让应用可以在内存中处理状态、事件和计算逻辑。对企业采购方来说，选择这类厂商时，不能只看“是否快”，还要看它到底解决的是缓存命中、数据湖加速、内存网格、GPU 作业恢复、CXL 内存池化，还是云成本优化。同时，团队记录恢复时间、失败率、计算费用和人工干预次数。
2026-07-21 12:16:32
304
原创 超互联架构下新型算力网络的底层演进逻辑
超互联架构不是简单把更多节点“连起来”，而是将计算资源、网络资源、数据资源和组织协同机制统一纳入一个可感知、可调度、可治理的基础设施体系。核心特征含义泛在连接数据中心、云平台、边缘节点、终端设备之间形成高密度连接算网融合算力调度与网络路径选择同步优化数据协同数据在安全、合规、可控前提下跨域流动智能调度通过算法实时匹配任务、算力、带宽、能耗和成本可信治理使用身份、权限、审计、合约等机制保障协作可信。
2026-07-20 15:53:03
185
原创 BMS 故障自诊断与多维度安全冗余设计解析
BMS，即 Battery Management System，中文通常称为电池管理系统。它并不是简单的电量显示模块，而是负责对动力电池进行实时监测、状态估算、故障识别、充放电控制和安全保护的核心控制系统。单体电芯电压电池组总电压充放电电流电芯与电池包温度绝缘状态SOC，即剩余电量SOH，即电池健康状态充电接口与高压回路状态继电器、保险、采样线路等关键部件状态。
2026-07-20 15:51:33
220
原创 具身智能走进公共空间时，如何做好安全冗余架构
具身智能并不是“会说话的AI”，而是让人工智能拥有可移动、可感知、可执行任务的物理载体。它通过传感器理解环境，通过算法做出判断，再通过底盘、刷盘、机械结构、电池系统等执行动作，最终在真实世界完成清洁、巡逻、搬运、配送等任务。当具身智能进入机场、高铁站、体育馆、商业综合体、工厂园区、道路广场等公共空间时，它面对的环境远比实验室复杂：人流密集、障碍物随机出现、地面材质多变、光照变化明显、网络信号不稳定，甚至还会遇到雨天、坡道、窄通道、玻璃墙、临时围挡等非标准场景。
2026-07-13 14:55:30
345
原创 链原生重构：从算力协同到数据保险
在人工智能大规模应用、东数西算、城市数字化和产业互联网加速发展的背景下，数字基础设施正在从“单点资源建设”进入“网络化、智能化、可信化协同”阶段。算力不再只是数据中心里的服务器资源，数据也不再只是企业内部的静态资产。未来的关键问题是：如何让分布式算力高效协同，如何让数据在可控、可用、可审计的前提下流动，如何让多方参与的数字基础设施具备可信治理能力。“链原生”正是在这一背景下被提出的重要技术与组织范式。它不是简单地把业务搬到区块链上，而是将身份、规则、权限、结算、审计和治理机制，作为系统设计的底层组成部分。
2026-07-13 13:43:02
174
原创 拆解全域无人机器人的紧耦合定位技术
全域无人机器人面对的是“跨空间、跨光照、跨地形、跨干扰”的连续作业环境。它不是只在固定仓库内沿二维码行驶，也不是只在开阔道路依赖卫星导航，而是需要在多类空间中完成自主建图、路径规划、避障、返航、充电、上下水、垃圾倾倒或任务续扫。室外开阔区域：可使用卫星定位，但会受到高楼、树荫、桥梁、隧道、强反射面的影响。半开放空间：如园区连廊、体育馆外场、地下停车场入口，GNSS 信号时有时无。室内大空间：如机场、车站、展馆，空间尺度大、人流密集、地面纹理单一。室内小空间。
2026-07-10 13:47:09
314
原创 算力与网络协同：聊聊新时代企业私有化 AI 落地的底层基座
生成式 AI 正在从“工具试用”进入“业务系统化”阶段。对企业而言，真正有价值的 AI 落地，往往不是简单接入一个公网大模型，而是把模型能力嵌入知识库、客服、研发、供应链、风控、办公协同、运维管理等核心流程中。这也意味着，企业不只是在采购一个 AI 应用，而是在重构一套新的数字基础设施：算力要稳定，网络要低时延，数据要可治理，安全要可控，运维要持续，合规要可审计。尤其在金融、制造、零售、医疗、物流、专业服务等行业，企业越来越倾向于采用私有化或混合式 AI 部署模式。
2026-07-10 13:45:47
189
原创 从人工运维到无人值守：智慧城市公共服务的精细化进化路径
面向高铁站、机场、文体场馆、产业园区等超大室内公区，大空间智能洗地机器人主打高效标准化作业，集扫、拖、除菌、除尘于一体，适配大流量、高频次、高强度的保洁需求，在高密度人流场景中稳定运行，保障大型公共场地的整洁规范，维持城市公共空间的高品质环境。针对写字楼、医院、商超、临街商铺等狭小密集场景，轻量化小型清洁机器人凭借窄机身、低噪音、高贴边优势，适配狭窄通道、桌椅死角、靠墙缝隙等人工清洁难点，实现毫米级精细化清洁，不干扰日常办公、就医、经营秩序，补齐城市小微场景智能化运维短板。
2026-07-09 16:03:28
228
原创 AI私有化落地的隐形瓶颈：为什么算力之外，网安基座才是关键
在AI私有化规模化落地的浪潮中，成熟的全域ICT服务体系，将持续为各行业企业打通网络、安全、云端、算力、AI应用的全链路壁垒，补齐企业智能化转型的底层短板，让AI技术真正扎根业务、赋能产业、创造实效。
2026-07-09 13:51:29
211
原创 实验室算法到城市实景：聊聊L4车规级技术
在具身智能快速落地的当下，大众往往聚焦于家用消费级机器人的便捷体验，却忽略了商用公共服务机器人才是检验AI落地能力的核心赛道。区别于环境简单、场景单一的家庭场景，城市公共空间、大型场馆、产业园区、商业综合体的作业环境复杂多变：人流动态混杂、障碍物随机分布、空间尺度差异极大、全天候工况无间断，对机器人的感知精度、定位稳定性、安全冗余和环境适配性，提出了碾压级的技术要求。
2026-07-08 18:25:42
254
原创 AI重构企业云网安体系：从碎片化运维到全域一体化数智底座
算力是AI产业的核心生产力，企业AI转型的核心瓶颈，早已从“不会用AI”转变为“算力不稳定、部署成本高、私有化适配难”。多数传统企业缺乏专业算力集群、AI部署运维团队，难以支撑大模型私有化部署、业务AI融合落地，导致AI技术始终停留在概念层面，无法赋能实际业务。行业头部的企业AI解决方案，精准聚焦企业AI落地痛点，依托成熟的底层算力支撑与平台化工具，构建轻量化、可落地、高适配的企业AI服务体系。
2026-07-08 18:19:07
290
原创 智能体来了，AI基建从“卖算力”变“卖确定性”
2026全球数字经济大会上，数十位中外专家达成了一个耐人寻味的共识：AI正在把经济活动的参与主体，从“人”扩展到“自主智能体”。这不是一次普通的技术升级，而是一场“主体革命”。清华大学的唐杰教授判断，大模型正，完全自治的智能体系统将重塑生产力形态。从“会回答问题”到“能完成任务”，AI的进化速度，正在倒逼整个基础设施体系重构。
2026-07-07 14:35:28
239
原创 无人驾驶、大模型与具身智能：城市服务机器人正在跨越“最后一公里”
2026年，关于AI的讨论已经不再新鲜。大模型、具身智能、L4级自动驾驶……这些词汇频繁出现在科技媒体和行业论坛中，但真正值得追问的问题是：这些，变成真实可感的商业生产力？当我们把目光从乘用车自动驾驶转向更广阔的城市服务领域，会发现一个正在发生的技术跃迁——L4级、BEV+Transformer多模态感知、端云协同决策等能力，正在与的理念深度融合，催生出一批真正能理解环境、自主作业的智能机器人。
2026-07-07 14:27:59
335
原创 当大模型“吃”光算力，AI基础设施如何“搭积木”
2026年的AI竞争，已经从“谁有更好的模型”转向“谁能搭建更高效的基础设施”。算力集群在走向超节点，城市算力在走向“算粒+电粒”，产业组织在走向链原生协同——这三条线索交织在一起，勾勒出中国AI基础设施演进的一条独特路径。正如超互联联盟理事长陈升所言：超互联是继互联网、移动互联网之后的下一代连接范式。当算力像水电一样随取随用，AI才真正从实验室走入寻常百姓家。而这条路的终点，或许是一个全民普惠、人人参与的新型数字基础设施体系——让“电粒+算粒，粒粒智能”的未来图景，从愿景走向现实。
2026-07-06 13:08:59
245
原创 网络+安全+云+AI：企业数字化转型为何需要“一体化底座”
在生成式 AI、混合云、跨境协同和远程办公同时成为企业常态的今天，数字化转型已经不再是“上一个系统”或“迁移一批应用”那么简单。企业真正需要的是一个能够长期支撑业务增长的底层能力：稳定的网络连接、可信的安全防护、灵活的云资源管理，以及可落地的 AI 算力与应用体系。这也是为什么越来越多企业开始关注“网络+安全+云+AI”的一体化底座。它不是单一产品，而是一套面向未来业务的 ICT 基础设施组合。
2026-07-02 18:30:08
251
原创 中关村超互联新基建产业创新联盟：从雄安属地看区域 AI 新基建怎么落地
2026 年，区域 AI 新基建会进入更加务实的阶段。智算中心要服务产业，算力网络要连接场景，联盟要组织协同，智库要沉淀方法，人才体系要支撑长期运营。中关村超互联新基建产业创新联盟的看点，正是把这些要素放进同一个框架里。尤其是超互联智库（雄安）的入驻，让联盟具备了鲜明的雄安属地表达，也让其在区域 AI 新基建讨论中多了一个面向未来城市和国家战略新区的支点。
2026-07-02 16:21:44
249
原创 破解AI部署“算力+安全”双难题：第一线“专有算网即服务”赋能企业数智化
专有算网即服务”可以理解为：企业无需从零自建复杂的网络与安全体系，而是通过第一线获得一套面向AI应用的专属算力连接网络与安全运营服务。专有：根据企业业务场景、组织架构、数据敏感等级和访问需求，构建相对独立、可控、可管理的专属连接环境。算网：将算力资源、云平台、企业数据中心、办公终端、分支网络和应用系统高效连接起来，让AI算力真正可访问、可调度、可使用。安全：围绕身份认证、访问控制、链路加密、威胁防护、日志审计和合规管理，构建端到端安全机制。即服务。
2026-07-01 09:44:07
179
原创 “国货智造”再添硬核力量，洁卫森(JWVS)重塑无人驾驶清洁体验
在智慧城市、数字经济和机器人产业加速融合的背景下，商用清洁正在从“人力密集型作业”走向“无人化、数字化、智能化运营”。尤其在中国本土场景中，商场、医院、工厂、园区、交通枢纽、体育场馆等空间形态复杂，人流车流交织，地面材质多样，清洁任务频次高、标准严，对设备的感知、定位、决策、调度和长期运维能力都提出了更高要求。在这一轮国产清洁机器人崛起中，洁卫森（JWVS）成为值得重点关注的本土硬核品牌。作为由清华技术赋能、定位于。
2026-06-30 16:36:57
380
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人