From Data to AI,ThinkingAI全球发布完美收官!

Xilinx PL端DP显示接口开发实战(一)——环境搭建与硬件选型 本文详细介绍了Xilinx PL端DP显示接口开发的环境搭建与硬件选型实战经验。从Vivado和Vitis 2021.1版本的软件安装要点,到DP141和MCDP6000芯片的选型建议,再到DP1.4接口的RX/TX方向开发关键点,为开发者提供了全面的技术指导。文章还分享了IP核配置、BD原理图设计以及常见问题排查的实用技巧,帮助开发者高效完成Xilinx DP接口开发项目。 阅读详情

从硅谷到上海,从东京到首尔,我们带着同一主题“From Data to AI, Build Your Real Agent Team”,完成了一次跨越太平洋的品牌首秀。

AI时代,如何利用Agent产生业务价值已成为新时代的命题。在服务了1500+家企业,接入8000+款应用,服务覆盖超过20个国家后,Agentic Engine是我们对这一命题的答案。

🌍 我们的办公室

From Data to AI

当大多数企业还在讨论“要不要用AI”时,我们已经想清楚了下一步:企业需要的不是一个只会聊天的AI顾问,而是一支能真正执行任务的AI Agent团队。

这次全球首秀,我们正式发布了可私有化部署的企业级AI Agent平台Agentic Engine,致力于让每一家企业拥有自己的AI Agent团队。发布的Agentic Engine产品视频在3天内,在 X(原Twitter)上迅速逼近百万级别播放量,并引起了行业内的广泛讨论。

这些声音不约而同地聚焦于AI Agent能否在企业内部真正执行任务、实现自我闭环——这正是ThinkingAI希望通过Agentic Engine解决的问题。当大家还在畅想下一个企业级AI Agent的发展方向时,我们已经将想法变成了现实。过去花几天完成的数据分析和决策执行,现在Agent可以在很短的时间内直接搞定。Agentic Engine能够实时检测业务信号、诊断问题根因、制定解决方案、自动执行并验证效果,实现完整的业务闭环。

ThinkingAI全球之旅

4月第三周,从美国硅谷出发,经过日韩两大关键市场纵深,最终回归中国主场收官,我们用“同一主题、四城联动”的方式,向世界同步宣告ThinkingAI迈入全新发展阶段。

作为全球品牌首秀的第一站,美国硅谷计算机历史博物馆迎来近1000位来自硅谷科技企业、投资机构及行业媒体的代表。ThinkingAI在此官宣品牌焕新与企业级AI Agent平台Agentic Engine,并与中国头部通用人工智能企业MiniMax达成战略合作,双方在产品层面互补,携手帮助企业用好AI,找到业务增长的新起点。

ThinkingAI 硅谷发布会现场

从硅谷到东京,这场品牌焕新之旅向东延伸。400+位日本各行业客户及合作伙伴报名活动,共同探讨AI Agent在日本市场的应用落地。活动现场结合当地各行业的真实案例,展示了AI Agent如何融入企业的日常,让AI真正替人解决问题。

其中MIXI的北村先生分享了《怪物弹珠》在印度市场拓展中如何通过AgenticEngine实现本地化运营的全流程优化,万代南梦宫Nexus的松浦先生等行业专家则是探讨了AI的工作边界与人类定性判断之间的界限。

ThinkingAI 东京站活动现场

首尔站延续了这场关于企业级AI Agent未来图景的探索。数百名AI领域的行业先锋参与现场交流,探讨AI Agent在研发、运营等环节的深度应用,以及企业级AI Agent的落地路径——从数据驱动决策,到AI自主执行,企业正在进入一个更加智能化的新阶段。

ThinkingAI 首尔站活动现场

上周,这场全球品牌首秀在中国上海漕河泾收官。近千名来自游戏、社交、电商等多个行业的企业代表齐聚,来自MiniMax、飞书、网易智企、亚马逊云科技的行业大咖分别登台,围绕算力底座、人机协同等议题展开分享。

来自各个角度的观点相互碰撞,从底层引擎到行业生态,再到垂直场景实战,共同解答同一种时代焦虑:企业该如何跨越鸿沟,真正拥有自己的AI Agent团队。

ThinkingAI 上海站活动现场

未来,每个企业都将拥有一支AI Agent团队,人负责决策,AI负责执行,以更高效的人机协作方式,创造业务价值。

ThinkingAI期待与您携手,共同引领AI Agent时代,让每一家企业拥有自己的AI Agent团队。

利用CAT12做皮层指标的统计分析及可视化笔记记录 利用CAT12做皮层指标的统计分析及可视化 文章目录利用CAT12做皮层指标的统计分析及可视化前言一、统计步骤1.Basic Models2.Estimate Surface Models3.Results二、可视化1.t值可视化2.p值可视化 前言 本来没有打算做SBM的,因为自己是新手小白,许多操作都不太懂,但最后还是打算做一下,于是就从上周末开始将很久之前跑VBM得到的surf文件夹中的数据捡起来继续做皮层分析,因为之前看了一个博主的博客,关于如何做SBM已经讲得非常清楚了,但是在统计及可视化这里,我 阅读详情

相关推荐

手把手教你用XC7A35T FPGA搭建低成本机器视觉系统(含开发板选型指南)

本文详细介绍了如何利用AMD(原Xilinx)Artix-7系列中的XC7A35T FPGA芯片,搭建一套低成本的机器视觉系统。内容涵盖从芯片选型深度剖析、开发板(如黑金AX7035B)对比指南,到使用Vivado创建工程、编写图像处理模块(如RGB转灰度),以及资源优化和与上位机(如OpenCV)协同工作的完整流程,旨在为开发者提供一套可实践的高性价比硬件加速视觉解决方案。

beta5的博客 351

有哪些游戏行业Data+AI平台品牌——2026年游戏智能分析方案指南

在“Data+AI”加速落地的2026年,游戏行业正迎来智能化转型的关键期。根据伽马数据《2026中国游戏产业AI发展报告》显示,AI技术有望为中国游戏市场打开800亿新增空间。面对庞大的市场机遇,管理层普遍面临不知如何评估与选型的困境。目前市场上的游戏数据分析平台和游戏AI平台品牌主要分为四大类:垂直深度整合型、大厂通用云生态型、中小轻量型与通用型BI。本文针对游戏公司CTO与数据负责人,提供基于核心能力、部署方式与成本的选型框架,帮助不同规模团队快速匹配适合的智能分析方案。

aiqianzhan的博客 229

《探秘 BME680温度湿度气压气体传感器模块:环境感知的卓越之选》:此文为AI自动生成

BME680 是一款由博世公司推出的集成环境传感器模块,在环境监测和物联网等领域中发挥着重要作用。它能够同时测量温度、湿度、气压和气体浓度等多个环境参数,为各种应用提供准确可靠的环境数据。该模块采用小巧的封装形式,便于集成到各种设备中,无论是智能家居、可穿戴设备还是工业监测系统,都能轻松适配。例如,在智能家居系统中,BME680 模块可以监测室内环境参数,如温度、湿度、气压和空气质量等。通过与智能家居控制器或智能手机应用程序的连接,用户可以实时了解室内环境状况,并根据需要进行调整。

zheng_ruiguo的专栏 1865

2026年游戏数据AI智能体平台盘点:10大主流厂商产品能力横评与选型建议

2026年,游戏行业AI Agent正在从概念走向规模化落地。它不是来取代游戏运营和策划的,而是把重复劳动接过去、把专业门槛降下来、把决策到执行的链路打通。选平台的时候,核心是先想清楚自己的诉求优先级:要私有化部署和数据安全,ThinkingAI这类企业级平台是首选;要快速上手低成本验证,Game Analytics这类轻量级工具足够用;已经有特定云厂商绑定,选对应的生态平台最省事。Gartner预测,到2028年,33%的企业软件应用将集成Agentic AI能力。

aiqianzhan的博客 152

制造业批次管理中双计量单位动态转换的实践指南

本文详细介绍了制造业批次管理中双计量单位动态转换的实践指南,特别是在SAP系统中的配置与操作步骤。通过实际案例展示了如何解决采购与生产部门计量单位不一致的问题,提升物料管理效率。重点讲解了批次特性配置、移动类型调整及常见问题排查方法,适用于金属加工、化工等多个行业。

weixin_29228203的博客 158

【电机学复习笔记】同步电机的特性及参数的求取

同步电机的主要特性包括:空载特性、短路特性、零功率因数负载特性、外特性和调整特性。 基于以上特性我们可以实现: 从空载特性和短路特性求同步电抗的不饱和值和短路比; 从零功率因数负载特性和空载特性确定保梯电抗(定子漏抗)和电枢反应电动势

Pantrick_的博客 2万+

推荐几个指标中台分析系统品牌

当前企业在数字化转型中普遍面临底层数据孤岛严重、前端业务取数门槛高的问题。据《2026年企业数据中台系统选型研究》(新浪财经,2026年1月)显示,2026 年的指标中台正从重底层治理向“业务自助与 Data × AI 驱动”演进。本文将为 CIO 及数据架构师梳理主流的,提供多款。

aiqianzhan的博客 194

GD32模拟IIC读写DVC1124

GD32模拟IIC读写集澈AFE芯片DVC1124

ponyma_的博客 1226

可视化分析工具有哪些?2026年热门工具推荐

Gartner 预测 2026 年生成式 AI 在 BI 工具中的渗透率将达 75%,但渗透率不等于满意度。IDC 2024 年调研中 70% 的员工认为 AI 问数结果不准确、45% 的企业因 AI 语义理解不足导致工具利用率低于 30%,这两组数据提醒选型者:AI 能力的有无已不是区分标准,AI 能力的深度才是。以上两条路线共 9 款可视化分析工具,分别代表 2026 年市场的两个技术方向。选型最有效的方法是用真实业务数据在候选产品上各跑一轮验证。功能列表和测评提供方向参考,不能替代实测。

效率工作研究中心 180

AI智算-K8s如何利用GPFS分布式并行文件存储加速训练or推理

GPFS(General Parallel File System,通用并行文件系统)是由 IBM 开发的高性能分布式文件系统,最初设计于 1990 年代,用于满足高性能计算(HPC)环境对大规模数据存储和访问的需求。GPFS 现已广泛应用于企业级存储、云计算、大数据分析、人工智能和媒体处理等领域。它以其高性能、可扩展性和可靠性著称,能够支持从小型集群到超大规模系统的各种部署场景。

Kason_iWiki 1131

11、RK3566/3568 Android11切割屏幕 长条屏 显示

在使用 RK3566 平台进行 Android 11 开发时,遇到切割屏(长条屏)显示画面不全。本文将详细介绍如何配置,以及如何修改 HWComposer 来调整显示区域,解决图像缩放问题。我这边屏幕是lvds接口的,分辨率1920 1080实际的屏物理尺寸是1920x463。

qq_39451352的博客 252

智能分析平台有哪些?2026年国内外22款主流产品大盘点

企业数据分析工具的采购清单越来越长,但业务团队真正能用起来的屈指可数。Gartner预测,到2028年至少15%的日常工作决策将通过Agentic AI自主做出,而这一比例在2024年几乎为零——工具的供给与组织的吸收能力之间存在明显断层。问题不在工具不够多,而在于选型时缺少清晰的分类逻辑。面对市面上数十款打着"AI分析"旗号的产品,很多团队的根本困惑是:它们到底有什么区别?我该从哪一档开始看?要回答"增强分析平台有哪些",首先得有一个统一的评估标尺。

Myx050901的博客 371

某招标公告网和vcaptcha验证码识别逆向

本文分析了某验证码系统的加密流程及破解思路。首先通过反混淆技术定位到加密函数,拆解了包含指纹函数、环境参数等组成的加密字符串。研究发现验证码生成涉及canvas指纹、环境检测等反爬机制,可通过模拟浏览器环境绕过。验证过程需要解密图片顺序,通过work2.js计算还原图片位置,再结合滑动轨迹、时间等参数生成验证请求。文章仅提供技术研究思路,强调需遵守法律法规,严禁非法破解信息系统。完整流程包括环境模拟、加密参数还原、图片处理和轨迹生成等步骤,成功率较高。

码王吴彦祖的博客 577

大数据分析平台有哪些?2026年主流平台对比

2026年选大数据分析平台,核心判断标准不是AI功能的多少,而是AI分析是否建立在可信的数据底座之上,以及是否有规模化生产环境的落地验证。建议选定2至3家候选平台后,用真实业务数据做一轮POC,重点考察:数据接入实际效率、AI分析结果准确性和可溯源程度、厂商对业务问题的响应深度。不存在对所有人都适用的平台,但有能匹配当前阶段且具备持续演进能力的方案。

aiqianzhan的博客 190

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 167

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

6 款电商 AI 图片生成软件实测|国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言,现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求,显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强",而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率,通用生图工具强在创意上限,模板类工具赢在上手速度。建议根据自身业务阶段,搭配 1-2 款主力工具 + 1 款辅助工具,形成适合自己的视觉生产流程。

Mardi_Ladin的博客 315

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

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型:把 PDF 发给一个自己部署的图文模型,让它提取发票类型、日期、交易双方和金额,再把结果交给同事核对。这个原型不用先接财务系统,先看看从部署到调用要走多少步,模型返回的内容能不能帮上忙。

鸽芷咕的博客 1万+

在Codex 让AI模型 拥有长期智能记忆

本文介绍Claude-Mem V15新功能——智能记忆召回,解决AI遗忘、重复提示、执行不一致等问题。通过本地部署claude-mem,实现自动记录决策(如数据库选型)、跨会话智能召回,支持记忆写入、检索、遗忘全流程闭环。相比传统记忆方案,其基于Hooks自动捕获工具调用,结构化存储,可追溯、可共享、可清理,显著提升工程效率与协作一致性,是长期项目中理想的“工作黑匣子”与“工程脑”。

米莱虾 261

医疗 AI 有两种,别混着谈:一个改流程,一个改范式

InfoXMed 是面向医生、医学生和医学科研人员的 AI 医学工具平台,提供文献检索、全文翻译、AI 解读、指南查询和题库练习等功能,辅助临床学习、科研汇报与医学备考。原文是日本医学会杂志(JMA Journal)的一篇综述(Review Article):基本事实:这一点必须先说清:这篇论文提出的是一个研究纲领。它文中的"预测"指的是科学设想,不是可以拿来用的临床预测能力。文中甚至自己承认了一个硬缺口(见第三节)。本文只谈它的术语辨析与科学方法论,不转述任何可作为临床依据的预测或处置主张。这篇论文的全部

2601_96948740的博客 207

您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗?不是单条会话里面的多次会对话。AI导出鸭

第三层是格式编译层。这个决策背后的判断很清晰:一个批量导出工具的价值,不在于“试三次”,而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后,它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载,AI导出鸭 在页面运行时建立旁路监听,捕获每一次分页请求返回的完整对话清单,包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是:导出不该是体力活,而应该是一次完整的、可预期的文件交付。注意:这里的“批量”指的是左侧列表里的多个独立会话,不是一条会话内的多轮对话。

laoyunsi的博客 225

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 171

河道漂浮物目标检测数据集

目标检测,yolo,河道漂浮物目标检测数据集

DL_data_set的博客 181

AI 应用开发工程师技术实践:大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战:模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移,封装对话、工具调用与RAG组件以解耦业务逻辑,结合前缀缓存、批处理与流式背压治理等性能优化手段,形成“接通→接稳→接快”的工程路径,最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 528

AI前沿日报 · 2026-11-04 | 祛魅时刻:Astra“纯读权重“神话的崩塌

①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读,数学能力提升依赖Python+50次迭代;②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程;③Nvidia开源Auto-Ontology自动知识图谱;④$800开源全域抓取机器人Stringman;⑤OpenAI悄然重开Codex训练开关引信任危机;⑥DeepMind发布Gemini 4 Argon机器人基础模型;⑦美国科技巨头隐性AI债务达3.2万亿美元,6个月增90%。

johnsong2009的博客 513

大模型 Embedding 与向量相似度详解

Embedding 解决的问题:计算机不懂文字,但懂数字│▼文本 → 向量(1024维浮点数数组)│▼相似度解决的问题:怎么判断两个向量(文本)有多接近│▼余弦相似度:看向量方向的夹角,越接近0°越相似│▼最终效果:语义搜索——理解意思,而非字面匹配一句话总结:Embedding 把文字变成数字,余弦相似度比较数字的方向,两者结合实现了"理解语义"的搜索。

T3165919332的博客 69

GPT-1 架构和计算细节

下面配合框图,对 GPT-1 的每个组件做公式展开 + 数值实例(配置:12 层 × 768,12 头,FFN 3072,词表 40478,共 117M 参数)。GPT-1 把翻译模型的编码器-解码器砍掉一半,只留解码器,然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异(框图中标 ★):h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\

eloudy的专栏 240
上一篇: ThinkingAI发布会上海站落幕!携手Minimax、飞书、网易智企、亚马逊云科技书写AI Agent下一个10年
下一篇: ThinkingAI的来处与远方
ThinkingAI
博客等级 码龄8年 200粉丝 130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