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
800+累计阅读
832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
你现在在从事什么工作？你觉得自己的工作在未来是否会被 AI 替代？哪些行业会率先被人工智能取代？
近段时间，“萝卜快跑”无人驾驶出租车再次把“人工智能时代，哪些工作岗位会被替代”这一话题再次推向了高潮。如果在五年前，或许会有多数以上的人，信誓旦旦地认为 AI 无论如何也取代不了人类，但随着科技借助 AI 大模型的强大能力融入进我们的日常生活，甚至重塑我们的认知世界和现实世界，相信现在谁也不能给出明确的回答。
开车曾经被认为是人类特有的一项技能。我们以前说国际象棋也属于此类技能。但是后来计算机多次了打败国际象棋的世界冠军。后来战略棋类游戏围棋取代了国际象棋，成为人类思维的决定性测试方法。不过这只维持到 2016 年，计算机打败了一名世界一流的职业围棋选手。
“边缘”是个与中心相对应的改变，有中心说明一定有边缘存在。随着计算机在人类擅长的任务，比如那些需要知识、策略甚至创造力的任务中取得节节胜利，人类正在被 AI 推向边缘？未来人类存在的意义是什么？
高分系列卫星轨道、传感器参数等信息
遥感卫星数据简介-高分系列
吴恩达：「放弃编程」将是史上最糟糕的职业忠告！
我之前写过，我看到精通技术的人协调AI工具，正在向10倍专业人士迈进——这些人在他们领域的影响力是普通人的10倍。在过去的几十年里，随着编程从汇编语言转向像C这样的更高级语言，从桌面转向云端，从原始文本编辑器转向IDE再到AI辅助编程（有时甚至几乎不需要查看生成的代码，一些程序员最近开始称之为"气氛编程"），每一步都让编程变得更加容易。同样，科学家、分析师、市场营销人员、招聘人员和各种各样的专业人士，如果通过编程知识理解软件语言，就能更精确地告诉LLM或AI赋能的IDE他们想要什么，并获得更好的结果。
矩阵LED和矩阵按键
先说矩阵LED，如图： 下面以行几、列几的表达方法说明 三极管可以当做开关使用 由图可知，如果想让一个LED亮，那么它对应的行和列的三极管都要导通。如果这个矩阵每次只亮一个LED，那么正常写程序没问题。 如果我们想让LED1和LED6亮，其他灯不亮，则需要开启行1、行2、列1、列2，随之带来的问题就是LED2和LED5也会跟着亮起来。 解决方法类似于扫描，因为单片机运行速度很快，可以在很短的时间内开关数次而肉眼看不到。所以我们可以每次只亮一列（排）灯，亮单位时间后关掉同时开启另外一列（排），如此四次一循环
2025 年就业竞争激烈！当1222 万毕业生遭遇 “35 岁门槛” 与 AI 革命的双重冲击
人工智能
vue3 web项目引入高拍仪
高拍仪的引入步骤就两步，安装SDK，然后根据官网的api进行开发。根据自己需要的功能，请求对应的接口。
宝塔面板一键部署Z-Blog博客 - 内网穿透实现公网访问
Ubuntu系统作为Linux系统的一个重要分支，既有Linux系统的轻量化、高扩展性和长时间稳定运行，也拥有Windows一样的友好图形界面，因此可以作为熟悉服务器系统的良好选择。对于笔者来说，ubuntu系统最大的用处，就是可以让家里老旧的电脑重焕生机，让本已退居二线的电脑与cpolar内网穿透软件搭配，成为私人服务器，搭建自己喜欢的各种网站。今天，笔者就为大家介绍，如何使用cpolar内网穿透+Z-blog搭建私人博客网站。
2026 年就业竞争激烈！当1222 万毕业生遭遇 “35 岁门槛” 与 AI 革命的双重冲击
本文将剖析当前就业市场的核心矛盾，揭示隐藏其后的制度性障碍，并为不同群体提供切实可行的破局之道，同时展望未来就业市场的发展趋势。
基于 Simulink 的**单相全桥 LLC 谐振双向 DC-DC 变换器（带软开关特性）**实战教程
原边（Primary）：全桥逆变电路（4个 MOSFET/IGBT），将直流斩波为高频方波。变压器：提供电气隔离和电压变比。副边（Secondary）：全波或全桥整流电路（同步整流或二极管）。
Anthropic CEO发出警告：“未来五年，半数入门级白领工作或被AI吞噬，失业率恐飙升至20%！”
2025 全球产品经理大会将汇聚互联网大厂、AI 创业公司、ToB/ToC 实战一线的产品人，围绕产品设计、用户体验、增长运营、智能落地等核心议题，展开 12 大专题分享，洞察趋势、拆解路径、对话未来。很多时候，一些挂着“初级”标签的岗位，最终也会被更资深的求职者拿下。但这一次，他带来了比以往更具体、更直接的说法——数百万新毕业生、实习生、初级岗位从业者，将成为下一波被 AI “吞噬”的对象。值得注意的是，业内也有人提出，AI 并不是直接“抢了人类的工作”，而是悄无声息地“吞噬了最低层级的工作技能”！
STM32 W5500 Freemodbus Modbus TCP协议功能实现
STM32F103VCT6 W5500(SPI1)，实现Modbus-TCP协议的功能
18｜AI 辅助精准测试：让平台会解释、会总结、会推荐
本文介绍 AI 在精准测试平台中的落地方式，包括变更摘要、风险解释、补测建议和报告总结。测试开发工程师。Java 后端开发工程师。质量平台 / DevOps 平台建设者。想了解精准测试落地方法的技术负责人。从报告中提取变更文件、未覆盖行、推荐用例。拼成结构化 JSON。让 AI 生成 200 字质量摘要。把摘要展示在报告顶部。读完本文后，可以复制下面的 Prompt，让 AI 生成一个报告总结练习。你是一名 AI 应用开发专家和测试架构师。
AI的“饭碗“焦虑：当“白领打工人“站在了被替代的悬崖边
"未来五年，一半的初级白领岗位，可能会被AI吞噬，失业率恐怕要飙到20%！这话不是危言耸听的科幻小说台词，而是出自AI技术风暴核心的人物——Anthropic公司（开发出知名AI模型Claude的公司）的CEO，达里奥·阿莫代伊（Dario Amodei）。当一位顶级的AI开发者，如此直白地发出对自家技术的"就业警告"，这事儿就透着一股非同寻常的严肃和紧迫感了。阿莫代伊的这番话，像一块巨石投入平静的湖面，激起了千层浪。
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")
AI行业就业与伦理挑战：技术进步下的社会变革
【摘要】本文系统梳理了AI技术进步对就业结构、人才需求、伦理治理、数据安全与算法透明性等多维度的深刻影响，结合最新行业数据与案例，探讨了AI驱动下社会变革的机遇与挑战，并提出多方协同应对策略，旨在为技术从业者、管理者和政策制定者提供全面参考。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
2025年产品经理生存指南：从被优化到升值的5大核心能力
2025年产品经理职业迎来深度变革，AI重构工作流程导致纯执行型PM面临淘汰。新时代PM需具备五大核心能力：AI原生思维（掌握工具应用、流程重构和产品创新）、商业化能力（平衡用户体验与盈利模式）、全栈技能（复合型产品运营能力）、数据驱动决策（替代经验判断）以及长期主义（构建专业护城河）。调研显示，AI工具可将工作效率提升5-30倍，商业化能力决定产品存亡。未来产品经理将分化为"功能执行者"和"价值创造者"，只有主动拥抱技术变革、持续升级能力体系的PM才能在新周期中获得
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
2025 年程序员必看：如何应对职场不确定性？
只要我们积极应对，不断学习和创新，就一定能够在充满不确定性的职场环境中，找到属于自己的职业发展道路，实现自身的价值。行业发展的饱和、技术的快速迭代以及 AI 带来的冲击，都让程序员的职业发展充满变数。同时，从技能升级、思维转变、心态调整等多个维度，详细阐述了程序员应对职场不确定性的有效方法，旨在为广大程序员提供清晰的职业发展指引，助力他们在复杂多变的职场环境中找到破局之道，实现职业的持续发展。2025 年，行业的动态变化、技术的飞速革新以及市场需求的不断转变，都给程序员的职业发展带来了诸多挑战。
Nature科学报告：对AI的焦虑，理科偏接受学习，文科偏批判回避
青海大学、厦门大学等联合团队对四川省的三所高校进行问卷调查，深入研究了高校面对AI时的焦虑和采用意愿。该研究发表在了Nature的科学报告上。高校师生是如何面对生成式人工智能（GAI）浪潮的？生成式人工智能正在重塑高等教育的教学形态和知识生产模式。从智能辅导系统设计个性化学习路径，到自然语言处理技术辅助学术写作，AI展现了惊人的潜力。德勤2024年的报告显示，全球92%的大学已将GAI纳入战略发展计划。高校中GAI工具的采用率在2023至2024年间同比增长了215%。
当代码与年龄赛跑：程序员的职业困境与破局之光
这种将人才物化为消耗品的思维，折射出资本对效率的极致追求——据统计，35岁程序员平均薪资是25岁程序员的2.3倍，但企业认为其“产出差异不足50%”。华为鸿蒙团队的经验值得借鉴：其核心开发组平均年龄38岁，通过“分布式协作”模式，让资深工程师专注架构设计，年轻人负责模块实现，既保障系统稳定性又加速创新迭代。这场关于年龄的战争，或许终将推动行业走向更理性的价值评估体系：当银发程序员的经验与年轻一代的活力相互激荡，当企业学会将“人”视为资产而非耗材，技术的进化才能真正服务于人性的尊严。
程序员们看过来！！总结程序员常见的各大苦恼及解决方案！！
程序员们看过来！！总结程序员常见的各大苦恼及解决方案！！
2026年最残酷的真相：AI抢白领的碗，机器人端蓝领的饭
如果说AI Agent对白领的替代是一场温水煮青蛙，那么人形机器人对蓝领的进攻就是一场正面强攻。而且来得比所有人预想的都要快。三个技术临界点在这一年同时到达：1.电机和减速器成本骤降——核心零部件价格降到2023年的1/5，一台人形机器人的BOM成本首次跌破10万元2.具身智能（Embodied AI）突破——大模型让机器人"看懂"了物理世界，不再是按预设程序执行，而是能理解"把这个箱子搬到那个架子上"这种自然语言指令3.数据飞轮启动。
2025年产品经理生存指南：掌握五大法则，引领未来市场潮流！
2025年产品经理面临AI驱动的职业变革，传统执行型PM被淘汰，具备AI原生思维、商业化能力、全栈技能、数据驱动思维和长期主义的PM更值钱。文章详细拆解了五大生存法则：AI工具应用与工作流重构提升效率5倍；商业化设计确保产品盈利；全栈能力实现一人顶三人；数据驱动取代拍脑袋决策；长期主义构建个人护城河。拥抱AI和商业化的PM将迎来职业黄金期。
机器人替代不是失业预告，而是岗位能力重构指南
在人工智能加速落地的当下，‘机器人替代’已从宏观预测演变为可测量、可干预的职业现实。其本质并非简单取代人力，而是对任务颗粒度、时间分配与价值权重的三维重构；技术底层逻辑是压缩价值创造路径，推动工作重心从标准化执行转向人机协同决策、可解释性输出与模糊问题定义。当前渗透速度取决于责任归属清晰度与反馈闭环效率，而非单纯技术成熟度。本文聚焦制造业、金融、医疗、法律等一线场景，结合任务原子化、能力映射、价值重估与路径规划四步法，帮助知识工作者识别自身‘不可替代溢价点’，将AI转化为增强洞察力的杠杆——尤其适用于中层管
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3310
扫一扫
