泰坦号内爆5位富豪遇难!AI复原最后恐怖瞬间,设计缺陷真相公开

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

转自:新智元

0d1e13a0e7193fd08010cfe75244f0d8.jpeg

30美元游戏手柄可操控潜水器?一系列巨大设计缺陷,注定了5位富人「泰坦尼克号」残骸之旅是一场生命的豪赌。

失踪4天,深海「泰坦号」潜水器竟灾难性内爆。

5位乘员全部遇难!

与爆炸不同,内爆是一种物体迅速向内坍缩。网友用AI模拟了原潜水器的内爆瞬间。

843519795a35a08ab823bdb338931f31.gif

据专家估计,泰坦号潜艇坍缩速度可能达到1500km/h,也就是在0.001s内就被压扁了。

要知道,大脑对痛觉的反应还需要0.25s。

也就是说,他们的死亡,没有太多痛苦,大脑还没反应过来,人就没了。

695439d04573099df498d66897de8668.png

《泰坦尼克号》的导演James Cameron,曾在1989上映了一部科幻片「深渊」(Abyss),里面也有著名的深海潜水器内爆镜头。

可以看到,潜水器无法承受深海巨大压力,外壳受损,直接内爆。

4c982d57c8999a7205369abf4046a2ec.gif

这艘来自「海洋之门」潜水器的CEO Stockton Rush在先前的访谈中曾自信满满:

测试做完后,我坚信潜艇无懈可击。

记者调侃道,《泰坦尼克号》首航时,船长Edward John Smith当初也是这么说的。

Stockton Rush微笑着说,是的。

5人全部遇难,致命设计缺陷


要说事情的前因后果,还得从18日(当地时间)泰坦号下潜说起。

25万美元(近180万元)一张门票,这场由5个人组成的富人之旅,去海底4000米参观「泰坦尼克号」残骸。

他们乘坐「泰坦号」在马萨诸塞州科德角,以东约1450公里的海域下潜。

当潜水器出发1小时45分后,突然失联。按照原计划,2个小时就到达海底了。

38603a314cc6c39642f3b1e150a802ee.png

随后,美国、加拿大等国展开在北大西洋海域展开大规模搜救行动,并投放水下声纳进行搜索。

然而,这个小型的潜艇只能提供96小时的氧气保障。

一时间,所有人纷纷担心,他们会不会因仓内氧气不足而窒息。

直到22日,美国海岸警卫队官员表示,已发现了距「泰坦尼克号」残骸不远处有5块潜水器的破碎部件。

90bdbc3834031be3fafd68321d142b1d.png

这些碎片与潜水器发生灾难性内爆的迹象相吻合。截止目前,也难以确定其发生事故的时间。

不幸地是,5人全部遇难,其中还有一位年仅19岁的男子。

392b64a86ee9e923b91e1d5a4b86624a.png

他们分别是,「海洋之门」CEO、英国商人和探险家Hamish Harding、英国富商Shahzada Dawood和他19岁的儿子,还有法国泰坦尼克号专家Paul-Henri Nargeolet。

说来,这场致命事故的主要原因,在于泰坦号的设计就存在巨大的缺陷。

设计细节

「泰坦号」采用了很多新技术,一些新技术还没有现成的行业标准,属于空白领域。

潜水器泰坦船身的材料,可能为事故的发生埋下了伏笔。

在华盛顿邮报记者曾乘坐潜水器时,「海洋之门」的CEO谈到了,泰坦号使用了「打折扣」的材料。

CEO Rush公开谈论了他是如何「违反一些规则制造」潜水器。

要知道,若想进入深海的潜水器,必须经得起超强高压。一般来讲,采用钢和钛材料,承受压力能力相对较强。

53afdd833d9f65f39687a6f4a4420181.png

最重要的,也经过多重实验的验证。

然而,「泰坦号」使用的碳纤维——一种相对较新的深海应用材料。

碳纤维复合材料比钢更坚固、更轻,使潜水器具有自然浮力,但也更容易在压力下突然崩溃。

负责为泰坦制作船身的Spencer Composites是当时唯一一家为载人潜水器制造碳纤维船体的公司。

而且海门公司似乎明确知道这种材料以及不太靠谱的舱体会存在强度不够的安全隐患。

所以公司内部开发了一个「声学监测系统」。

这个系统能使用声学传感器来侦听船体中碳纤维恶化的声音。

从而为驾驶员提供预警检测,让他们有足够的时间阻止下降并安全返回水面。

392b250aded0bd39c594301206826b61.png

总结一下他们对于安全隐患的态度是:

设计有隐患不怕,如果在4000米深海中检测到安全问题了,我们就跑(上浮)。

除了船体材料的选择,潜水器的设计中也几乎没有考虑安全系统和安全相关的预案。

这个是承担这次探索任务的潜水器「泰坦」的设计示意图。

a55055338b81a30f55c44e44da2306d8.png

泰坦长 22 英尺(6.7 米)、重 23,000 磅(10,432 公斤),其内部空间很大,但最多只能容纳 5 个人。

这意味着它会承受很大的外部压力。

里面有一个厕所,没有座位;五名乘客,必须盘腿坐在地板上。

除了乘客观看泰坦尼克号的舷窗外,没有任何窗户。

海洋工程专家表示,增长潜水器的舱室空间的设计会增加中部的压力载荷,从而增加疲劳和分层载荷(delamination loads)。

5eaa0607e0be40422ffd46fa1548727f.png

在「海洋之门」的官方设计宣传中,他们给出了泰坦的其他细节参数:

https://oceangate.com/pdf/oceangate-titan-specs-lr.pdf

泰坦重 9,525 公斤(21,000 磅),使用电动推进器可以以 3 节(3-1/2 英里/小时)的速度行驶。

03c76ab67c7a1705bb5be8726efb3fa4.jpeg

配备了强大的LED灯、声纳导航系统和高端摄像设备。

但是只字未提安全系统以及安全应急预案。

值得一提的是,泰坦号只取得了水下1300米适航地认证,但是没进行4000米的认证。

他们自家CEO此前公开表示过,认证是创新的障碍。

30美元,游戏手柄可操控?


就像泰坦尼克号在出事前已经被反复警告,航行和游轮本身存在很多安全隐患。

「海洋之门」的深海潜艇在这方面同样像素级致敬了泰坦尼克号。

「船长」的对于安全和生命的漠视最终导致了同样的悲剧,让泰坦尼克号事件的遇难人数在111年后又增加了5人。

而最荒谬的一件事竟是,整个潜艇用一个游戏手柄来操控。

d3ef9d15cc5ba099e7887a01c6e9db4d.png

早在去年夏天的CBS对「海洋之门」的CEO Stockton Rush的采访中,被记者问到操控系统时。

他自信满满地拿起了一个罗技F710游戏手柄说,

我们通过它来操控整个船只,有些操作你需要用按钮来完成。

甚至,不需要专业知识,只需一个30美元的视频游戏控制器,任何人都可以驾驶我家潜艇。

afce94e4aff30588913d1c1e4c33e6ee.png

原高管5年前警告,却被炒


而这样的设计缺陷问题,难道就没有人发现吗?

其实,早在18年,「海洋之门」的高管曾质疑潜水器不够安全,还应该多进行测试。

外媒爆出,「海洋之门」的海事运营总监,在首航前,对其首创的碳纤维船体和其他系统表示担忧后,直接被炒鱿鱼了。

a11bf896972add7a52242375c599a70d.png

这位员工曾写了一份书面文件,表达了「会造成严重安全问题的众多担忧」来警示潜水器的安全风险。

「担心供应给 「海洋之门」的碳纤维中的可见缺陷会增加在压力循环过程中小缺陷扩展成更大撕裂的风险」

他建议,必须对「泰坦」的船体进行非破坏性测试,以确保「坚固和安全的产品」。

48f6a61328a56523107356c09dfae736.png

但是后来他被告知这种测试是不可能的,「海洋之门」 用上文提到的「声学监测系统」来避免安全事故。

这项技术,使用声学传感器来侦听船体中碳纤维恶化的声音。

从而为驾驶员提供预警检测,让他们有足够的时间阻止下降并安全返回水面。

游戏手柄操控+有安全隐患的舱体+侦测舱体有问题就上浮的安全系统。

emmmm,怎么小编脑子里已经有事故的画面感了。

这名员工还警示,该系统在船只下降之前不会暴露缺陷,然后可能只会在灾难性内爆之前提供「毫秒级别」的警告。

CEO:预言家,刀了!

果然,他在提交书面文件的第二天,被CEO Rush,公司的人力资源、工程和运营主管一起开了个会。

在会上,他明确表示不会授权泰坦进行任何未经船体扫描的载人试验后,被解雇并被护送离开大楼。

然而,不仅是「海洋之门」的高管 ,就连1997年上映的《泰坦尼克号》导演James Cameron还指出了「泰坦号」的设计缺陷。

他是潜水器方面的专家,已经数十次潜入沉船现场。

0b8bc143092fb86627530d660cead428.png

2012年,Cameron设计并试驾了一艘实验性潜水器,进入了太平洋的一个名为「挑战者深渊」的区域。

他表示,当深渊的挤压压力导致一个空心物体向内剧烈坍缩时,就会发生内爆。

Cameron强烈批评,Stockton Rush从未让旅游潜水器获得安全认证。

在此,Cameron再次讲到了「泰坦号」船体材料设计——碳纤维复合材料的问题,成为它最大的弱点。

虽然,这种材料在航空航天工业中被广泛使用,而且比钢或铝还要轻得多。

但是问题在于,碳纤维复合材料「没有抗压强度」——当潜水器更深地坠入深渊,面临水压急剧上升时,就会出现内爆。

他补充到,「海洋之门」使用泰坦号船体中的传感器来评估碳纤维复合材料船体的状态。

该公司的宣传材料曾指出,传感器是「船体健康监测」的一个创新功能。

Cameron表示,潜艇船体上的传感器网络不足以解决他认为存在内在缺陷的设计。

「这不像你车里的油少时灯亮了,这是不同的。」

「海洋之门」成生死门?


「海洋之门」成立于2009年。自2010年以来,这家公司便开始提供商业深潜活动。

运送乘客在加利福尼亚州沿岸、墨西哥湾和大西洋地区深潜探险。

79ee8604121c901f3212995fbdbdf354.png

之后,首席执行官Stockton Rush发现,参观沉船遗址可以吸引媒体关注。

2016年,「海洋之门」首次利用潜水器独眼巨人1号(Cyclops 1),将乘客带到安德里亚·多利亚号遗址参观。

13669660a5db3b9a1f453c7761672d99.png

自2021年7月起,「泰坦号」已经开展了3次对泰坦尼克号残骸的考察行程。

在其中一次考察中,一位60岁的德国富豪和乘客Arthur Loibl表示,团队在行程中遇到了电气问题,导致下潜时间延迟5小时。

下水后又发现平衡潜水器的稳定管支架断裂,在1600米的深海中不得不浮起换乘。

他还指出潜水器内部状况简陋恶劣,有设计缺陷,他认为这次行程就像是一场「自杀任务」,能够安全返回算是侥幸。

另外,在2022年,泰坦尼克号残骸的一次探险中,泰坦号的一个推进器不小心以相反方向安装,它在海底试图向前移动时开始旋转。

其实,此前已经有种种迹象表明,乘坐「泰坦号」潜水无异于自杀。

但是,还是有人愿意以身赴险。

下一次,「海洋之门」开启,唯愿不要再有悲剧发生。

参考资料:

https://www.vice.com/en/article/n7e7j8/coast-guard-debris-field-found-during-search-for-missing-titanic-submarine

最后推荐下ChatGPT前沿玩法圈:

现在价格只有169元,过400人后,马上就会涨价一波,直到涨到原价999。目前加入都是最低价格。

ce5a2ee65403ab12136a5ec76982d8d2.png

所以如果你真的感兴趣,一定建议这个阶段加入,我们特别推荐,加入知识星球3天内如果不满意,可以无理由退出,然后款项原路返回,你也没损失.

哪怕你进去逛了3天,相关资料打包都拿走了,都是可以的,至少可以让你学习到一些内容。一个人格局要打开。只要你在做有价值的事情,总有人会认可你的。

不到一个月时间,我们输出了100+内容,3大专栏内容更新了58+文章:

ed82c7e395cd97de4c812bb4d54f13e1.jpeg

不到一个月时间,我们输出了100+内容,3大专栏内容更新了58+文章:

我会把我玩ChatGPT的经验和总结,除了我不会研发ChatGPT,其他诸如Midjourney,GPT Plus,ChatGPT PDF,ChatGPT XMind,ChatGPT PPT 会以专栏的形式在知识星球更新。

最后再说下这个星球能给大家提供什么:

1、ChatGPT的使用方法,最新资讯,商业价值。
2、一些副业思考、创业案例、落地案例分享。
3、探讨未来关于ChatGPT的机遇,帮助大家解决遇到的问题。
4、剖析和拆解ChatGPT不同的前沿玩法。
5、围绕ChatGPT玩法的变现方式和技巧。
6、围绕ChatGPT提高工作效率。
7、第一时间了解ChatGPT最新版本的发布特性和强超能力
8、掘挖ChatGPT玩法,助力们我的事业,工作,和日常生活
9、加入星球的小伙伴,都有两项额外福利,可以免费获得ChatGPT普通号“独享”账号一个,支持改密码。

陆续更新中…

其它福利还在筹划中… 不过,我给你大家保证,加入星球后,收获的价值会远远大于今天加入的门票费用 !“早”就是优势,建议大家尽早以便宜的价格加入!

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

别再手动连线了!用Tessent IJTAG的SIB和TDR,5分钟搞定复杂芯片的DFT网络分区

本文探讨了如何利用Tessent IJTAG的SIB(Segment Insertion Bit)和TDR(Test Data Register)技术,高效解决复杂芯片DFT网络分区问题。通过智能化的扫描链管理和声明式定义,显著降低连接复杂度,提升测试覆盖率和良率,适用于超大规模SoC设计。

weixin_29251131的博客 300

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 226

嵌入式下载故障排查:ST-LINK与GD32 Programmer典型问题解决

嵌入式固件烧录是MCU开发的关键环节,其本质依赖于调试器(如ST-LINK、GD-Link)与目标芯片间的协议通信、驱动加载及硬件接口协同。原理上,SWD/JTAG协议需在正确时序、电平与供电条件下完成设备枚举、ID读取与Flash编程;技术价值在于保障量产烧录稳定性与调试可重复性;典型应用场景涵盖STM32/GD32教学开发、工业控制板量产调试及Windows 11新系统适配。本文聚焦ST-LINK-V2在Keil MDK中的下载失败和GD32 All In One Programmer的DLL加载异常两

weixin_35006125的博客 153

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 399

GPU基准测试全攻略:从驱动验证到深度学习环境部署

GPU基准测试是评估显卡性能与稳定性的核心方法,其原理在于通过标准化负载程序,对GPU的计算单元、显存和散热系统进行压力测试。这项技术的价值在于,它能科学量化硬件性能,确保软件环境配置正确,为深度学习、科学计算等重负载任务提供稳定基础。在实际应用场景中,无论是新卡验机、排查深度学习环境问题(如“warning: no usable gpu found”报错),还是验证“PyTorch GPU版本安装”后的实际算力,系统的基准测试都是不可或缺的工程实践环节。通过结合通用计算测试与深度学习框架验证,用户可以提前

weixin_30080745的博客 343

智能网联汽车电子电气架构(下)

从资产的表现形式, 可以分为数据、 软件、 硬件、 服务等, 而从需要保护的业务过程和活动、 所关注信息的角度, 资产类型可包括基于 ECU 的控制功能、 与特定车辆相关的信息、 车辆状态信息、 用户信息、 配置信息、 特定的软件、 内容等。面向新一代 EEA 的安全需求, 基于芯片提供的 OTP, 或SHE\HSM 的安全存储能力, 实现系统关键数据(身份、 密钥等关键信息) 的安全存储, 保证系统的关键数据不被盗取、 破坏、 改写。结合攻击者的动机与识别出的系统用例, 分析对汽车电子系统可能的攻击。

m0_58838529的博客 1472

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 2万+

同花顺自动化交易避坑指南:pywinauto实战中验证码识别与界面弹窗处理

本文深入探讨同花顺自动化交易中的关键稳定性问题,重点解决验证码识别与弹窗处理两大难题。通过优化Tesseract OCR、整合打码平台API以及设计pywinauto弹窗监控体系,提供了一套完整的自动化交易解决方案,帮助交易者有效规避资金账户和持仓信息操作中的常见陷阱。

weixin_33734785的博客 487

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 246

Buck电路中自举电容串联小电阻的作用

在Buck电路中,自举电容(Cboot)驱动高边MOSFET时,因寄生电感和电容会形成LC谐振回路,导致SW节点高频振铃,引发EMI问题。串联小电阻(Rboot)可引入阻尼效应,抑制振铃、改善波形和EMI性能,但会略微增加开关损耗。设计时建议预留可调电阻位(2Ω~20Ω),根据实测结果平衡效率与系统稳定性,提升电源可靠性。这一措施是优化开关电源EMC的常见实践。

硬核科技 626

MinerU 系列教程 第六课:VLM 后端 - 视觉语言模型的力量

本篇教程将深入 VLM 后端的端到端推理架构。在上一课中我们看到 Pipeline 后端如何用 7+ 个专用模型组成流水线,本课将展示一种截然不同的设计理念 —— 用一个视觉语言模型(VLM)完成所有识别任务。你将了解 6 种推理引擎的选择与配置、MinerUClient 统一接口、二步提取策略,以及 VLM 原始输出如何转换为 MinerU 的标准 Middle JSON 格式。

weixin_43674738的博客 205

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 502

汽车UDS诊断之诊断会话控制服务(0x10)深度剖析

DiagnosticSessionControl就是诊断会话控制。 请求消息定义 A_Data类型 参数名称 Cvt 字节值 助记符 #1 诊断会话控制请求SID M 0x10 DSC #2 子功能=[诊断会话类型] M 0x00-0xFF LEV_DS_ ...

心骗小白话的博客 7419

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 201

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

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 199

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")

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 558

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

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 574

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 90

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 278

终端 AI 审计与 “龙虾” 类智能体风险治理:从可见性到闭环溯源

生成式 AI 办公普及之后,数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型,以及龙虾(OpenClaw)这类本地开源 AI 智能体的滥用,成为企业安全新挑战。传统网络边界防护存在审计盲区,本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度,分享终端侧 AI 安全治理的实践思路。

2401_86491085的博客 640

2.53 基于极稀疏指纹的室内定位注意力图元学习

该论文发表于IEEE Transactions on Mobile Computing(TMC)2026年6月,面向极稀疏指纹条件下的WiFi室内定位,针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点,提出注意力图元学习模型AGML(Attentional Graph Meta‑Learning),结合图神经网络、元学习、两种指纹数据增强与分布对齐技术,在标记指纹极少的场景实现高精度室内定位,同时公开了多套真实+仿真定位数据集用于基准测试。场景:二维室内空间,障碍物造成信号遮挡,

weixin_42963026的博客 338

语音识别与语音合成的技术原理及应用

语音识别 #语音合成 #人工智能 #大模型。语音识别与语音合成的技术原理及应用。一、语音识别的核心原理。二、语音合成的核心原理。三、工程落地的主要难点。五、需要关注的现实问题。

weixin_62919816的博客 212
上一篇: 黑客曝ChatGPT三大新功能:上传文件/切换工作区,客户端源代码已被扒光
下一篇: ChatGPT做的简历戳中HR心巴,小伙刚毕业就拿下梦想offer!
公众号:【GitHub爱好者社区】
博客等级 码龄6年 353粉丝 48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