AI一周事件 · 2026-W27(6月24日–6月30日)

医学影像分割入门:为什么U-Net至今仍是肝脏CT肿瘤分割的‘首选’? 本文探讨了U-Net在肝脏CT肿瘤分割中的持久优势,分析了其轻量化设计、对称架构和跳跃连接如何完美适配医学影像的小样本、高精度需求。通过对比实验和实战建议,揭示了U-Net在肝脏肿瘤分割任务中超越新模型的根本原因,并提供了PyTorch实现和部署技巧。 阅读详情

(本文借助 AI 大模型及工具辅助整理)

本周一句话

Anthropic 在 IPO 前夕连发 Sonnet 5 和 Claude Science 两款重磅产品,美团以国产芯片训练出 LongCat-2.0 加入大模型价格战——中端模型"准旗舰化"和开源生态加速成为本周最清晰的信号。

📊 AI模型与算法进展

• Anthropic 发布 Claude Sonnet 5,中端模型逼近旗舰性能
事件:Anthropic 于 6月30日发布 Sonnet 5,在 SWE-bench Pro、Terminal-Bench 2.1、Humanity’s Last Exam 等多项评测中接近甚至部分超越 Opus 4.8,定价仅为 Opus 的 40%-60%(输入$2/百万 token,输出$10/百万 token,促销期更低)。
引文:Anthropic launches Claude Sonnet 5 at a steep discount to its top model
观点:Sonnet 5 是 Anthropic IPO 前最关键的商业化产品——以中端价格提供准旗舰能力,目标是在上市前最大化 API 开发者覆盖。定价策略(促销期 + 价格上调预告)透露出强烈的获客导向。

• 美团开源 LongCat-2.0:1.6T 参数的国产芯片训练模型
事件:美团于 6月30日开源 1.6 万亿参数 MoE 模型 LongCat-2.0,原生支持 100 万 token 上下文窗口,MIT 许可证。该模型此前以"Owl Alpha"匿名身份在 OpenRouter 上连续两个月领先全球开发者排行榜,训练完全基于国产芯片。
引文:Meituan open sources LongCat-2.0, the 1.6T near-frontier agentic coding model
观点:三个关键词值得关注:国产芯片训练(验证国产 AI 芯片生态可行性)、MIT 许可证(最高自由度商用)、激进定价(促销期 $0.30/$1.20 每百万 token)。这是一次从模型到商业模式的全栈输出。

• DeepSeek 开源 DSpark 推理加速框架
事件:DeepSeek 发布 MIT 协议的开源推理加速系统 DSpark,通过投机解码(speculative decoding)技术将 LLM 推理速度提升最高 85%,配套发布技术论文和 DeepSpec 代码库。
引文:DeepSeek open sources DSpark, a new framework to speed up LLM inference by up to 85%
观点:在美国出口管制持续收紧的背景下,DeepSeek 选择在基础设施层(推理效率)继续开源输出,思路清晰——既然模型获取受限,就用推理优化降低全球用户的部署成本。

• Google 发布 Nano Banana 2 Lite(Gemini 3.1 Flash-Lite)
事件:Google 推出轻量级图像生成模型,4 秒生成 1K 分辨率图像,定价 $0.034/千张,面向企业高吞吐量场景。
引文:Google unveils Nano Banana 2 Lite aka Gemini 3.1 Flash-Lite
观点:当 Krea 2 Turbo 主打开放权重和小企业定制时,Google 选择用极致低价+生态捆绑(Workspace/GEAP)锁定企业客户,性价比路线明显。

• Anthropic 推出 Claude Science:面向科学家的 AI 工作台
事件:Anthropic 发布 Claude Science beta,将碎片化工具和数据整合到统一环境,支持生成 3D 蛋白质结构等科学可视化内容。Anthropic 强调"这不是一个新模型"——这是对近期争议的谨慎表态。
引文:Claude’s getting a lab coat
观点:从通用对话助手到垂直领域工作台的转型信号。科学计算是 AI 的下一个高价值战场,Claude Science 试图用"一体化环境"替代科学家多工具切换的痛点。

💻 AI芯片与算力进展

• LongCat-2.0 完全基于国产芯片训练
事件:美团 LongCat-2.0 的技术报告中明确标注该 1.6T 参数模型全程在中国国产 AI 芯片上完成训练和推理优化,未使用 Nvidia GPU。
引文:Meituan open sources LongCat-2.0
观点:这是国产 AI 芯片在超大规模模型训练中的一次重要验证。虽然具体芯片型号未披露,但达到 OpenRouter 领先水平意味着国产芯片的算力集群已具备实际竞争力。

🚀 AI应用落地与商业化

• Google Gemini Spark 登陆 Mac 桌面
事件:Google 将 AI Agent Spark 推送到 Gemini macOS 应用,支持访问和操作本地文件,并可连接 Tasks、Keep、Canva、Instacart 等集成服务。
引文:Google Gemini Spark on Mac
观点:AI Agent 从云到端的转移正在加速。Spark 的"操作你的电脑"能力是区别于纯聊天机器人的关键差异化点,类似 Anthropic 的 computer use。

• Google Gemini Omni Flash API 正式开放
事件:Google 将 I/O 2026 上展示的多模态视频生成与编辑模型 Omni Flash 通过 API 开放给开发者和企业客户,支持对话式视频编辑(修改内容、重新打光、更换镜头等)而无需从头生成。
引文:Google’s Gemini Omni Flash hits the API
观点:从演示到 API 的关键一步。核心卖点是"五合一"——替代多工具流水线(LLM + T2I + I2V + 唇同步 + 语音生成),降低企业内部视频制作的整合成本。

• 快手可灵引入泛大西洋投资,估值 1300 亿
事件:彭博社报道快手旗下视频生成大模型可灵(Kling AI)正在与美国投资机构 General Atlantic(泛大西洋投资集团)洽谈融资,投后估值约 1300 亿元人民币。
引文:美媒:快手可灵拟引入泛大西洋投资,投后估值1300亿
观点:视频生成赛道的独立融资趋势(类似 MiniMax/月之暗面),快手将可灵分拆运营以释放估值潜力。1300 亿对应约 $180 亿美金,与 Runway/Pika 等海外竞品形成对标。

• Morgan Stanley 用 AI Agent 将对账工作耗时减半
事件:摩根士丹利在风险最高的对账任务中采用 AI Agent,核心策略是减少自主性——加入更多固定规则和人类签审环节,而非追求全自动化。
引文:Morgan Stanley cut its riskiest reconciliation job in half
观点:这是本周最有启发性的企业 AI 案例。结论反直觉:“更少的自主性 = 更好的结果”。在零容错场景,Agent 充当"加速器+辅助判断"比"全自主决策"更务实。

🏛️ AI政策、标准与治理

• Apple Siri AI 与欧盟的监管博弈
事件:Tim Cook 与欧盟科技主管 Henna Virkkunen 就新版 Siri AI 在欧盟落地进行会谈,核心矛盾在于 Apple 如何在遵守数字市场法案(DMA)的同时推出 AI 版 Siri,涉及约 4.5 亿欧盟用户。
引文:Siri AI v. EU, an update
观点:Apple 在 AI 落地上始终谨慎(iOS 27 的新 Siri 尚未大规模推送),欧盟监管是又一个变量。跨大西洋 AI 治理分歧正在从论文讨论变成具体产品落地障碍。

• Anthropic 模型出口管制出现松动,Sonnet 5 恢复公开访问
事件:此前 Anthropic 的 Fable/Mythos 模型被命令停止公开访问,本周 Anthropic 宣布经谈判后,其消费者级 Mythos 级模型恢复可用。
引文:After weeks of negotiating with the Trump administration, Anthropic’s consumer-facing Mythos-class model is back
观点:这是理解 Anthropic IPO 背景的关键信息——出口/安全审查已成为头部 AI 公司上市前的标准流程。Sonnet 5 的发布部分意义在于用"合规"的轻量模型维持市场信心。

🔮 前沿探索与研究突破

• 研究表明:固定解释数据集仍可训练模型的"内省"能力
事件:MIT 等机构发布论文《Introspective Coupling》,发现即使使用固定(不更新)的"模型行为解释"数据训练语言模型,模型仍能产生忠实于自身当前行为的解释——甚至在行为发生变化后,解释仍能跟踪变化。
引文:Introspective Coupling: Self-Explanation Training Tracks Behavioral Change Despite Fixed Supervision
观点:对 AI 可解释性研究有积极意义——即使标注数据是旧的,训练仍能让模型学会"自省"。这降低了持续标注解释数据的成本,为可解释性规模化提供了可能。

• 元认知反馈的强化学习让 LLM 更诚实表达不确定性
事件:新研究提出用元认知反馈的强化学习训练 LLM 表达不确定性,使其在不确定时更可能表达"不知道",而非强行输出错误答案。
引文:Reinforcement Learning with Metacognitive Feedback Elicits Faithful Uncertainty Expression in LLMs
观点:解决 LLM "过度自信"顽症的一个有希望的方向。让模型知道自己不知道,比让它无所不知更实用——尤其在医疗、法律等高风险场景。

💡 本周关键洞察

  1. 中端模型"准旗舰化"成为新常态:Sonnet 5 和 LongCat-2.0 代表了两种路径(闭源 vs 开源)都走向同一方向——用中端价格提供接近旗舰的能力。对应用开发者来说,2026 下半年的选择空间前所未有地大。

  2. 开源生态的中国力量正在上升:美团 LongCat-2.0+DeepSeek DSpark,两款 MIT 协议的中国开源项目在同周发布,覆盖模型和推理框架层。美国出口管制反而催生了中国 AI 开源生态的加速。

  3. AI Agent 落地进入"务实阶段":摩根士丹利的"少自主性"案例和 Google Spark 的桌面化,都表明 Agent 正从"炫技"转向"在约束条件下做有用的事"。2026 年的关键词不是 autonomy(自主性),而是 reliability(可靠性)。

  4. 视频生成赛道进入资本化阶段:快手可灵的 1300 亿估值和 Google Omni Flash 的 API 化,标志着视频生成从技术竞赛进入商业化竞速。谁先建立可规模化的商业模型,谁就能活下来。

  5. 监管正在塑造产品路线图:Apple 在欧盟的 Siri AI 困局和 Anthropic 的出口管制谈判表明,2026 年 AI 产品经理的必修课已从"技术选型"变为"合规设计"。


✍️ 编辑:Fan Jun AI Tech Notes 组
📅 整理范围:2026-06-24 至 2026-06-30
数据来源:The Verge、VentureBeat、TechCrunch、Wired、MIT Tech Review、机器之心、量子位、雷锋网、ArXiv 等

Python爬虫博客:爬取碳排放交易数据——使用最新技术的完整实现 通过上述方法,我们可以构建一个高效的爬虫,爬取碳排放交易市场的数据并进行分析。这个项目不仅展示了如何处理静态和动态网页,还提供了如何存储数据、分析数据和可视化结果的技巧。随着爬虫技术的不断进步,我们可以进一步提升爬取效率和数据分析能力。如果你希望更深入了解如何进行数据挖掘和机器学习分析,可以尝试将碳排放数据与其他经济数据结合,利用机器学习模型进行趋势预测或决策支持。 阅读详情

相关推荐

SPI模式下的SD卡读写,为什么你的数据总出错?详解时序与状态机避坑指南

本文深入探讨SPI模式下SD卡读写数据出错的根本原因,提供时序优化与状态机设计的实战指南。针对时钟周期计数、状态机跳转和忙检测等核心问题,详解命令时序细节、状态机同步策略及高级避坑技巧,帮助开发者提升SD卡在SPI模式下的稳定性和性能。

weixin_30514745的博客 264

【征稿】2026年4-6月国际学术会议|IEEE、SPIE、IOP-JPCS出版,EI检索稳定

2026年多场国际学术会议征稿信息汇总,涵盖视觉技术、控制系统、计算力学、智能感知、电子自动化、能源系统、机器视觉、智能制造、电子电路及通信网络等前沿领域。会议分别由IEEE、IOP-JPCS、SPIE等权威机构出版,均被EI和Scopus收录。投稿需为英文原创论文,审稿周期3-7个工作日,将在广州、天津、福州、佛山、长春、杭州、南昌、大连、南京等地举办。投稿链接及详情请查阅各会议官网。(注:此为人工摘要,非AI生成)

研发家学术平台的博客 1186

Tessent --- PDL

当关联的ICL模块是当前ICL顶部模块时,即当它与当前设计匹配时,只能iCall一个iTopProc。但是,可以在iTopProc内调用iCall iProc或iTopProc。为指定后续iProc命令引用的ICL模块,发出这个命令之后,随后定义的iProc都会对应的ICL模块进行定义。为后续iCall调用,当使用iCall命令调用该过程时,参数列表中的变量将被替换为iCall命令中指定的值。在调用iProc时,运行iProc内的命令。PDL是面向工程师的,工程师利用PDL语言,对ICL中的单元进行控制。

qiantianyiqian的博客 2792

【IEEE会议征稿】2026年3-6月好投EI会议推荐:计算机视觉、人工智能、区块链、算法、大数据等主题火热征稿中!

【IEEE出版 | 佛山大学主办 | 国青助力】2026年智能感知与自主控制国际学术会议(IPAC 2026)IEEE出版 | 2026年计算智能与机器学习国际学术会议(CIML 2026)IEEE出版 | 2026年智能感知与自主控制国际学术会议(IPAC 2026)IEEE出版 | 2026年计算智能与机器学习国际学术会议(CIML 2026)2026年计算力学与智能系统国际学术会议(CMSS 2026)2026年计算力学与智能系统国际学术会议(CMSS 2026)

小白学视觉 160

Android Display Graphics #1 整体框架介绍一

手机屏上显示的内容,2D或3D ,如果是 3D 的,不管是 App 还是游戏,或者简单的图片界面,底层都是通过 GPU、 通过 OpenGL(ES)绘制出来的。是Java层的一个类,提供了一系列API,使用这些API可以实现各种的产品经理要求的效果。显示的不同阶段对这块内存的叫法不同,在上层可以是Window、ANnativeWindow、Surface、SurfaceView、layer、buffer,这些本质上没啥区别,可以广泛意义上理解为用于显示内容的那块内存,只不过各个阶段的操作接口不同。

oDwyane03的博客 1389

某讯天御滑块验证码逆向实战:从参数解析到环境对抗

本文详细解析了某讯天御滑块验证码的逆向工程实战技巧,从关键参数解析到浏览器环境模拟对抗。重点介绍了collect、eks等参数的逆向思路,以及如何通过puppeteer等工具补全环境检测,帮助开发者有效突破验证码防护。文章还提供了常见错误解决方案和性能优化建议,是验证码逆向领域的实用指南。

weixin_29325007的博客 441

2026年6月全球AI产品流量增速榜公布:4款教育产品各有亮点!

目前,支持80多种语言,覆盖160多个国家,年测评超700万次,结果最快约10分钟生成,测评成本约为传统的5%。在本次榜单中,Alice排名第96位,2026年6月访问量约12万次,环比增长24.84%,是访问量最低但成立时间最短的。在本次榜单中,Hallo排名第91位,2026年6月访问量约22万次,环比增长25.48%,是四款教育产品中增速最高的。目前,用户超200万,覆盖150多个国家和地区、1800多所大学,评分约4.7分,成为核心AI学习工具,推动公司拓展至AI学习服务。

IT界那些事儿 69

用CentOS 7安装cadence搭建适合IC Design的科研环境(四)——IC617、MMSIM151、calibre2015安装过程step by step

以下操作都在root权限下执行。建立安装目录建议把这种大型软件装在/opt目录下。mkdir -p /opt/cadence/installscape mkdir -p /opt/mentor/Calibre2015其中-p参数是直接建立父目录。因为IC617和MMISM151会自己建立安装目录,所以在这里没有建相关目录。而calibre则是默认安装在安装包所在的目录下,所以需要提前建立。解压安

maxwell2ic的博客 7万+

OpenCode 一周动态-2026-W26

这个版本把 session snapshots 和 revert controls 放进核心能力,用户可以把会话回滚到更早消息,并包含文件变更回滚。Desktop 侧继续推进 v2 布局,加入类似 Chrome 的。

evilstar2015的专栏 438

《通信工程施工与管理》

制作馈线接头必须使用专用的工具,专用工具包括:馈线切割刀、馈线安全刀、小金属丝毛刷、固定尺寸或大号活动扳手、小号扁锉刀、细齿小手锯、接头扩孔器、3M防水胶或防水接头盒;如图所示,详情如表所示。

2302_78710464的博客 1654

【数据集处理】基于ERA5 气温/湿度数据计算湿球温度并判别湿热浪

【数据集处理】基于ERA5 气温/湿度数据计算湿球温度并判别湿热浪

WW、forever的博客 489

2026年AI岗位薪资大揭秘!小白程序员转型必看,内含收藏指南

本文详细分析了2026年AI岗位的薪资趋势和入行门槛变化。大厂校招中,AI后端开发和算法岗位薪资再创新高,但要求也更为严格,硕士学历和实际项目经验成标配。社招市场薪资分层明显,分为顶尖技术岗、主流技术岗和入门适配岗,程序员和小白各有侧重。文章还提供了小白和程序员的转型建议,强调AI应用层和垂直领域是潜在机会。最后,文章呼吁大家抓住AI风口,通过学习和实践提升自身竞争力。

2601_95390840的博客 771

YOLOv8 智能交通违章检测 - 压线/越线行驶检测详解

本文提出了一种基于YOLOv8的智能交通违章检测方案,重点解决车辆压线/越线行驶的识别问题。系统采用多技术融合方案:YOLOv8检测车辆、ByteTrack跟踪轨迹、传统或深度学习方法识别车道线,并通过几何计算判断车辆是否违规跨越实线。文章详细介绍了技术难点(如车道线分类、透视变形处理)、判定流程、系统架构和核心代码实现,包括车道线检测、违章逻辑判断和可视化模块。同时指出了现有方案的局限性,建议通过引入逆透视变换和专用车道线分割模型来提升准确率。该纯视觉方案具有低成本、易部署的特点,适用于智能交通监控场景。

u010117029的博客 179

收藏备用!2026年AI岗位薪资全景曝光(春招必看,小白/程序员转行大模型指南)

春招热潮已至,打开招聘软件、刷遍行业社群,几乎被AI相关岗位的招聘信息刷屏——无论是校招的应届生,还是想转行切入风口的程序员、职场人,都在追问:2026年AI岗位薪资到底有多香?入行门槛又有哪些变化?

xxue345678的博客 867

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

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

【倒计时1个月】第七届机械工程、智能制造与机电一体化学术会议(MEIMM2026)

第七届机械工程、智能制造与机电一体化学术会议将于2026年06月26-28日在中国·桂林召开。为推动制造业高端化、智能化、绿色化发展,促进机械工程、智能制造及人工智能等领域的技术创新与产业升级,会议将聚焦机械工程、智能制造、机电一体化及人工智能等领域的最新发展动态与关键技术难题,邀请高校、企业及科研机构的专家学者共同探讨技术创新路径,推动产学研深度融合。我们诚挚欢迎海内外相关领域的学者、工程师及行业专家踊跃投稿及参会,分享最新研究成果,交流关键技术突破,拓展合作机遇。

研发家学术平台的博客 677

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")

2026年信息与控制系统国际学术会议(ICS2026)2026 International Conference on Information and Control Systems中国

2026年信息与控制系统国际学术会议(ICS2026)将于5月22-24日在中国本溪召开,主题为"智能融合・控制赋能・创新引领"。会议由辽宁科技学院等多家单位联合主办,聚焦人工智能与控制算法、物联网协同控制、信息物理系统安全等前沿领域。投稿需为未发表的英文论文,经2-3位专家评审后收录至EI/Scopus检索的会议论文集。重要日期:一轮截稿2026年2月28日,7个工作日内反馈结果。参会需通过在线系统注册,会议官网提供投稿及模板下载链接。

研发家学术平台的博客 717

2026年智能系统控制、优化与应用国际学术会议(ISCOA 2026)

2026年智能系统控制、优化与应用国际学术会议(ISCOA2026)将于10月16-18日在中国成都举行,由四川大学主办。会议聚焦智能系统控制与优化领域前沿,接收英文原创论文投稿(查重率≤30%,AI率≤20%),截稿日期2026年6月1日。优秀论文可优先推荐至《Intelligence & Control》期刊发表。投稿需通过官网系统提交,并附查重及AI检测报告。会议论文集将被EI Compendex和Scopus收录。

研发家学术平台的博客 459

2026年AI岗位薪资揭秘:高薪背后门槛与机遇并存,小白如何抓住风口?

本文分析了2026年AI相关岗位的薪资情况,指出大厂AI岗位薪资大幅增长,但门槛也显著提高。文章详细解析了大厂校招和社招的薪资结构及要求,并提出了几点看法:AI行业薪资天花板抬高主要利好头部选手,入行窗口期正在收窄,AI应用层面仍有大量机会,选择工作时需综合考虑。建议想入行AI的朋友积极行动,积累实际经验,抓住行业机遇。最近春招季,铺天盖地都是 AI 岗位的消息。我整理了一下 2026 年 AI 相关岗位的薪资情况,给正在求职或者考虑转行的朋友一个参考。

优快云_224022的博客 297

2026年预测:人工智能引发数据中心电力革命

业内共识已然清晰:2026年不是简单的“扩容”年份,而是数据中心电力架构被AI彻底重写的一年——从瓦特到算力,从被动负荷到主动电网节点,从“买电”到“造电、储电、售电”三位一体。这一切,只是算力与电力双向奔赴的开始。中国“东数西算”工程2026年引入“度电碳因子”实时价格,西部绿电便宜0.08元/kWh,但网络时延高15ms,调度系统需在“碳成本”与“体验”之间做秒级权衡。当AI把“电力”写进性能瓶颈的第一行代码,数据中心就不再是“耗电”的房地产,而是下一2026年预测:人工智能引发数据中心电力革命。

数据中心运维管理 1574

AI每日资讯|AI落地|最新情报|skill精选|2026年07月25日(11案例+10爆款Skill)

收集日期:2026-07-25(周六 · 晚间刷新版)。本期为当日二次刷新,案例主体与工具与早间版全部错开、无重复;继续聚焦"个人/极小团队 + 某款 AI 工具 = 具体产品/作品"的真实可复现案例,覆盖 AI 应用/SaaS、出海&线下、AI 影视三大形态;情报部分优先 7 天内(7/24–7/25 为主)前沿动态。所有链接均经检索取得、公开可访问,工具未点名处如实标注"未点名",绝不编造。

weixin_45635831的博客 291

2026 AI 从业者 / 创业者破局指南:选方向、学技术、接项目,带数据的涨粉干货

2026 AI 从业者 / 创业者破局指南:选方向、学技术、接项目,带数据的涨粉干货

2301_79885215的博客 2692

“专家:未来一周只需工作 2 天”,1分钟部署OpenClaw(Clawdbot) AI助理及skills,24小时帮你工作

1分钟部署OpenClaw(Clawdbot) AI助理及skills,24小时帮你工作。2026年,AI智能体全面普及,OpenClaw(曾用名Clawdbot、Moltbot)凭借轻量化、可扩展、私有化部署的优势,成为个人与小团队首选的AI自动化工具。很多新手想搭建专属智能助手,却卡在环境配置、命令执行、端口放行、权限设置等环节,要么部署失败,要么服务无法访问。

yunfuuwqi的博客 404

调研了下2026年AI岗位的薪资情况。。。

比如智能体开发、AI工具链、垂直领域的AI解决方案,这些方向对实际工程能力和行业理解的要求更高,反而是传统开发者转型的机会。优先录用的话,月薪27K-30K,另外有 3W 签字费和价值 6W 的股票,总包能到40W-50W。一方面,企业对AI人才的需求还在增长,另一方面,AI相关专业的毕业生也在快速增加,竞争会越来越激烈。先说结论:AI 岗位的薪资确实在涨,而且涨得很厉害,但门槛也在同步拉高,不是谁想进就能进的。如果是卓越录用,月薪30K-32K,签字费5W,股票6W,总包可以超过50W。

通俗易懂的 AI 技术 654

2026年主流消费级显卡用于人工智能ai推理训练哪个有性价比

AI领域2026年薪资趋势摘要: 大语言模型(LLM)方向薪资领跑,算法工程师年薪50万-200万,顶尖架构专家可达150万+,应届生起薪40万-80万,人才供需比仅0.5-0.71,极度紧缺。医学图像分析方向年薪30万-80万,医疗AI公司薪资比互联网低20%-30%,但稳定性高,复合型人才稀缺。若转向医疗多模态大模型,薪资可对标LLM岗位(60万-100万+)。 建议: 短期高薪选LLM,技术门槛高但爆发力强; 医学图像分析适合求稳或医疗背景者,交叉领域潜力大; 两者核心技能重叠(Python/PyTo

AI 前沿技术实战博客:LLM / Agent / AI 制药 / 生信四大栏目日更,硬核干货 + 可复现代码,看完就能上手 1409

建议收藏:网络安全高薪之路:2026从零基础到年薪50W的完整指南

网络安全真不是电影里那种炫酷的“黑客帝国”,它是个需要坐得住冷板凳的朝阳行业。它不要求你智商碾压,但必须得有死磕到底的韧性。当别人还在Java池子里卷生卷死时,聪明人早就借着网安的风口把工资翻倍了。选对赛道,真的比埋头苦干重要一万倍。

喜欢Python编程的程序员柚柚呀 418

2026 AI顶会日程泄露版(仅开放72小时):NeurIPS/ICML/CVPR/ACL/AAAI五大主会+中国AI峰会同步排期解析

抢先掌握2026年AI技术大会时间地点汇总,一站式获取NeurIPS、ICML、CVPR、ACL、AAAI及中国AI峰会官方排期与举办地。覆盖学术投稿、参会规划与差旅筹备场景,信息经多源交叉验证,时效性强、误差率低。值得收藏

CodeVibe的博客 1536

IX8024 PCIe4.0 24 通道@ACP#旗舰交换芯片(对标 ASM58024)

苹果WWDC 2026发布全新Siri AI架构,Mac工作站支持多AI加速卡扩展,PCIe交换芯片成为性能关键。海外ASM58024芯片存在带宽衰减、无AI调度等痛点,国产IX8024采用24通道独立矩阵和四级AI优先级调度,支持全通道并发、单通道热插拔,性能提升38%,功耗降低29%,完美适配macOS 27的Siri多硬件协同需求。IX8024已批量应用于AI训练、影视渲染等高端场景,国产供应链确保稳定交付,助力厂商抢占苹果AI生态先机。

ACP广源盛的博客 615
上一篇: 每日 AI 研究简报 · 2026-06-30
下一篇: 每日 AI 研究简报 · 2026-07-01
俊哥V
博客等级 码龄21年 589粉丝 452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

打赏作者

俊哥V

这是个嘛?

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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