阿里前端第一人,瞄准中国版AI原生在线办公,2个月估值过亿

Logisim实战:手把手教你设计硬布线版MIPS CPU(多周期/8指令/附电路图) 本文是一份详细的Logisim实战指南,手把手教你设计一个采用硬布线控制的多周期MIPS CPU。文章深入剖析了硬布线控制与微程序控制的核心理念差异,并逐步讲解了从定义执行状态、构建状态跳转逻辑到生成控制信号、集成测试的完整流程,最终实现一个支持8条指令、可运行简单程序的处理器模型。 阅读详情
衡宇 发自 凹非寺
量子位 | 公众号 QbitAI

被誉为阿里前端第一人的前端大佬玉伯,被曝出入局大模型应用创业的具体方向:

AI原生在线办公,能读写文档、能资料整理的那种。

听起来有点类似Notion,但更AI-Native,且整合多模态。

简单来说,玉伯想掀翻的饭碗,甚至可能包括其本人在阿里一手打造的语雀,以及他刚刚告别的飞书(doge)。

cc84de82d3b3fcb4f22c5363eb63e90a.gif

虽然玉伯官宣创业至今仅2个月,但其过往的经历和实绩都是过硬的背书。

市场传来消息,玉伯的创业公司思维天空颇受资本市场的看好,投资机构迅速出手押注,公司首轮估值过亿。

而且思维天空背后,除了玉伯本人外,还有其他几位阿里人加盟,共战大模型应用创业。

俗话说,好的开始是成功的一半。

现在,市场定位有了,技术背景有了,融资速度有了。看来玉伯动作十分敏捷地给自己的创业之路搞了个不错的开端。


91034c6aa2e35cadf27046469256f1a8.png△玉伯知乎账号截图

剑指AI应用创业

据玉伯本人表示,在阿里和飞书都感到巨大的齿轮感,因此选择出来创业,探索AI应用。

上个月底,玉伯在离职飞书后首次露面,参与了一个播客对谈,主题是《重新思考语雀》。

语雀是蚂蚁集团推出的一款在线文档编辑与协作工具,由玉伯参与创建。

对谈详细内容这里按下不表,重点其实是这段播客上线的第二天,也就是5月29日,玉伯的公司思维天空悄然在杭州成立了。

企查查公开资料显示,杭州思维天空科技有限公司成立于2024年5月29日,公司所属行业为软件和信息技术服务业,法定代表人王保平(玉伯的真名)。

7b6a4fab986f01e7bbfbef8e6c9e2ae2.png

量子位进一步打探到,思维天空的初步探索聚焦在内容创作领域。

其初步的启动功能,可能是在应用内提供帮助找资料和写文稿的AI功能,以串联内容创作的两个环节,即内容创意和内容制作。

其长远目标,则是在大模型技术支撑下打造一个AI原生在线办公应用,具备创作能力,并集成工具和社区。

玉伯其人

玉伯这个名字,在前端开发领域圈子里家喻户晓。

但更多人可能没有详细了解过,如今入局AI 2.0浪潮创业的玉伯,到底有怎样的业界经历?

玉伯,研究生就读于中科院物理所,毕业后,他在中科院软件所互联网实验室工作,从事项目管理软件的研发。

7ec2051fc81fc18c0b31dbd78491a2c5.png

2008年,玉伯从北京南下来到杭州,加入淘宝,在淘宝UED(User Experience Design,用户体验设计)部门担任前端工程师,开始了他在阿里巴巴集团的工作生涯。

一年后,玉伯的职级就提升到了P8。

这段时间,他和团队一起推出了前端领域的大热框架SeaJS、KISSY,也带领团队开源了很多技术产品。

SeaJS是一个遵循CommonJS AMD规范的JavaScript模块加载框架,旨在帮助开发者以模块化的方式编写和组织代码。

在前端开发社区中,尤其是在需要模块化开发而又不希望依赖RequireJS等大型框架的项目中,SeaJS曾经非常流行。

KISSY则是阿里开发的一个开源前端框架,旨在为开发者提供一系列的工具和库,以便于构建富交互的网页和应用程序。

它比较适合国内的网络环境,支持模块化开发,提供了一套完整的解决方案,包括事件处理、动画、DOM 操作、数据存储、模板渲染等功能。

56202f97ac548b69ea92e29623f3de1a.png

2012年,玉伯转入支付宝前端开发部,负责基础组,后来创立了体验技术部。

这段经历,玉伯致力于设计语言Ant Design、数据可视化AntV、智能建站、图形与艺术等领域的工作。

2016年,在蚂蚁体验技术部的创新产品孵化机制策马扬鞭项目中,玉伯团队主导了语雀(初期叫云雀)的开发。

据玉伯回忆,最初语雀只投入了0.5个人,是团队成员用业余时间做的文档工具。

语雀能够进行在线编辑,可以协作办公,支持移动端应用。

b486a642d0619c43edf5da61c2df7e9d.png

2年后,语雀正式对外开放使用。

而2016年到2018年的两年时间里,语雀已经在阿里内部逐步统一了企业知识库软件的度量衡,把旧用的Confluence/Wiki都渐渐替代掉了。

不过也是在2018年,在线文档大爆发,钉钉、飞书、腾讯文档陆续亮相,语雀团队大半人马都被输送到钉钉团队支援,语雀团队最少时只剩下不到十人。

再加上钉钉和语雀功能重合度不低,怎么说呢就,当时的语雀挺难的。

但玉伯重振人马,继续推进,并在2019年开始了语雀的商业化尝试。

2021年,蚂蚁成立智能协同事业部,语雀被视作重点产品,开始以独立BU运作。

次年2月,语雀在iOS和安卓均推出独立App,从网页和PC端扩展到移动设备。

42ee9d53d2680b91e809980c9929ecf0.png

然而,2023年4月,入职阿里15年、职级P10的玉伯做出了一个外界惊讶的决定:

离开蚂蚁。

他在朋友圈官宣了自己的last day,配文:

再见,山峰下的园区。

一个人选择远行,并不一定是马云说的钱给少了或者心委屈了,也可以是为了远方有西湖般的美景。

一个月后,玉伯跳槽抖音集团入职飞书的消息不胫而走。

在飞书工作期间,他担任飞书开放平台负责人,负责开放平台的相关工作。

但很快,就在今年4月,入职11个月的玉伯在自己专栏《玉伯在树上》里写下了新的篇章:

也开始创业。

215622cecaf1729689e36feecc02d6f1.png

△真·玉伯在树上

再一个月后,思维天空登场,玉伯的AI应用创业正式启航。

公司还有谁?

接近玉伯的朋友告诉量子位,思维天空的团队里,现在还有另外两位阿里人的身影。

一位是子溯。

根据网络公开资料,子溯曾担任蚂蚁金服语雀产品经理、知识管理解决方案专家。

2014年,他加入蚂蚁金服,先后从事蚂蚁多个企业应用、提效工具的产品设计,有着丰富的SaaS工具产品设计经验。

加入蚂蚁初期,他作为体验技术部的第一名设计师,参与了蚂蚁金服的第一个技术商业产品“蚂蚁金融云”的研发设计工作。

同时,子溯也是语雀团队的最早期成员,一路见证语雀的成长。

bc2ccef2f071905fe2142b9c896c7583.png

另一位花名双扬。

2014年,双扬通过校招入职,先在阿里巴巴集团数据技术及产品部做了4年数据产品业务的前端开发,后转岗到蚂蚁集团体验技术部做起体验数据产品的ETL研发。

双扬本人在一篇博文中写道,“因缘际会下”,他回归前端领域,工作围绕蚂蚁前端研发和基础平台业务开展。

也因为这样的职业路径,他将自己称为“非典型前端”。

f8cfa5b3294496175552be44c43ffee7.png

One More Thing

坊间一直流传玉伯心怀有三大梦:

技术梦、产品梦、自由梦。

阿里和飞书的经历,技术梦和产品梦或多或少都已经照进现实了,现在创业AI应用,或许来到了玉伯开始实现自己自由梦的时候。

而且他正在做的自由梦,其实技术和产品哪一样都离不开。

最后不得不感慨一下,AGI尚远,AI应用的潮水却切切实实在今年涌上来了。

有更多AI应用实践的小伙伴们,欢迎来和量子位勾兑,咱聊聊一千零一个AI应用!

如果有其他知道的创业八卦,也欢迎随时来和我们不记名分享,感觉瓜还是大家一起吃更香42c0f0e3f518e7711d786669148323b2.png。

376da0c748dac981de456f8c0949a6aa.png

参考资料:

[1]https://www.yuque.com/yubo/morning/grow-up-at-alibaba

[2]https://www.zhihu.com/people/lifesinger

[3]https://weibo.com/2724465062/JjQ5mFi5Z

射频电路设计——射频器件基础 本文仅供自己复习使用,请勿转载! 射频电路制作方法 MCM工艺 CMOS工艺 趋肤效应、深度 频率越高趋肤效应越明显 高频器件 高频电阻 绕线的比贴片的多一个电感,是因为绕线的因为是线绕制的,只有有线就会有电感,所以绕线电阻等效模型会比贴片的多一个电感 多晶硅电阻模型 深线性区MOS电阻 高频电阻的频率响应 记忆的话就后面的频率特性有点像电容的 高频电容 作用 单层贴片式电容 多层贴片式电容 MIM电容 MOM电容 由于是并联的,所以总的电容值是单个的直接相加 PN结电容 M. 阅读详情

相关推荐

EEVDF调度算法核心实现解析(一)

本文深入解析Linux kernel 6.6引入的EEVDF调度算法核心实现,详细讲解其基于虚拟截止时间(virtual deadline)的进程挑选机制和红黑树优化设计。通过代码实例展示算法如何平衡系统响应速度与公平性,特别适合需要优化Linux系统性能的开发者参考。

weixin_42522953的博客 478

阿里前端第一人,瞄准中国版Notion,2个月估值过亿

衡宇 发自 凹非寺量子位 | 公众号 QbitAI被誉为阿里前端第一人的前端大佬玉伯,被曝出入局大模型应用创业的具体方向:AI原生在线办公,能读写文档、能资料整理的那种。听起来有点类似Notion,但更AI-Native,且整合多模态。简单来说,玉伯想掀翻的饭碗,甚至可能包括其本人在阿里一手打造的语雀,以及他刚刚告别的飞书(doge)。虽然玉伯官宣创业至今仅2个月,但其过往的经历和实绩都是过硬的背...

量子位 359

硬盘dma读写过程

保护模式中,pci上的硬盘dma读写方法

482

吃惊,阿里前端 NO.1 玉伯竟然离职了

我感觉我消息好落伍啊。今天一大早刷到一条关于阿里前端高 P 大佬玉伯离职加入飞书的消息,我都有点震惊了。毕竟,我是一个非常喜欢做知识管理的人,所以,我非常喜欢语雀这款软件,而语雀这款产品的负责人就是玉伯。当然了,玉伯离职这件事,发生了好像是今年 4 月份,多少有点吃惊,甚至有点担心。吃惊的是玉伯离职这件事,担心的是语雀这款产品未来的前途,毕竟知识管理类的文档软件营收很难,创始人又离职了,未来会不会...

非著名程序员 1238

[WeChatMsg]导出csv格式微信聊天记录的手把手教程

手把手教大家如何导出自己的聊天记录得到csv文件,即使是电脑小白也可以轻松学会o(* ̄▽ ̄*)ブ

weixin_51094633的博客 1万+

别再傻傻分不清了!用Design Compiler和PrimeTime实操对比PBA与GBA模式

本文深度解析静态时序分析(STA)中Design Compiler与PrimeTime工具的PBA与GBA模式差异,通过实际案例演示两种模式在转换时间计算、时钟路径分析等方面的对比,并提供工程实践中模式选择的策略与调试技巧,帮助工程师在芯片设计流程中平衡精度与效率。

weixin_42552315的博客 415

国内知名前端大佬收集(排名不分先后)

前不久司徒正美断开连接了,很多朋友在问:“司徒正美是谁?”。于是我抽时间整理了下比较知名的国内前端大佬。 文章目录尤雨溪(尤小右)玉伯(玉伯也叫黑侠/王保平)阮一峰司徒正美(钟钦成)朴灵(JacksonTian\田永强)winter(程劭非)廖雪峰张鑫旭勾三股四月影(吴亮)贺师俊周爱民徐涛徐飞(民工精髓)大漠一丝CSS魔法小芋头君林建锋(sofish)颜海镜 尤雨溪(尤小右) vue项目作者...

一袋米要扛几楼_ 2万+

PCIE配置和地址空间

来源:https://www.jianshu.com/p/574e9a2cbc4e 每个PCIe设备,有这么一段空间,Host软件可以读取它获得该设备的一些信息,也可以通过它来配置该设备,这段空间就叫做PCIe的配置空间。不同于每个设备的其它空间,PCIe设备的配置空间是协议规定好的,哪个地方放什么内容,都是有定义的。PCI或者PCI-X时代就有配置空间的概念,那时的配置空间如下: 图6.1 整个配置空间就是一系列寄存器的集合,其中Type 0是Endpoint的配置,Type 1是Brid.

qq_28643619的博客 4063

在创业公司做前端一年,这些经验到底值不值?

作者:大白萝卜原文:https://juejin.cn/post/7257076605570646076之前公司调整洗牌,裁掉了一大波人,像我这样做了快一年的,也竟是研发老员工了...最近领导安排我开始面试,拿到第一份简历是一位10年经验的前端大佬,看完简历后突然蒙圈,我该问什么问题,用过什么框架? 项目遇到过什么问题?困难是怎么解决的?webpack做过哪些性能优化?诶,想到这,突然觉得哪天我也...

前端下午茶 224

NVIDIA DGX Spark 深度应用解析:从大模型训练到边缘推理的完整实践指南

内存管理:充分利用统一内存架构,避免不必要的数据传输批处理大小:根据模型大小调整批处理大小以优化内存使用精度选择:在精度损失可接受范围内使用较低精度计算流水线优化:重叠计算和数据传输操作DGX Spark作为一个专门的AI计算平台,在大模型开发的各个阶段都能发挥重要作用。从数据预处理到模型训练,从微调到推理部署,其统一内存架构和强大的计算能力为AI开发者提供了前所未有的本地开发体验。需要注意的是,虽然DGX Spark性能强大,但合理的算法设计和系统优化仍然是获得最佳性能的关键。

time_days的博客 2872

MATLAB并行开不了的解决办法

在服务器上新安装了MATLAB 2013b,在开并行计算的时候出现了下列问题 经过在网上搜多这个问题,我感觉这个问题应该是安装的时候的验证问题或者激活不成功之类的。注意其中有一句validate the profile ‘local’ in the Cluster Profile Manager.在matlab官网上找到了设置Cluster Manager的教程,如下 parallel>

sinat_36713319的博客 5988

前端工程师应该如何去创业?

这可以帮助你验证你的产品或服务的想法,并收集反馈和建议。监控和分析你的业务数据可以帮助你了解你的用户、市场和产品。你需要对你的财务情况进行监控和管理,包括记录你的支出和收入、支付账单、缴纳税款等。找到你的第一个客户可以帮助你验证你的产品或服务,并为你的公司建立信誉。在实际操作中,你需要不断学习和调整,不断探索新的机会和方法,以使你的公司获得持续的增长和成功。你需要不断了解行业趋势、技术创新和市场变化,并根据这些情况来不断优化你的产品和商业策略。这可以帮助你验证你的产品或服务的想法,并收集反馈和建议。

Itmastergo的博客 720

uniapp - 实现安卓App打包上架应用商店详细教程,详解Hbuilder打包编译apk发布上传到应用市场全流程,提供uniApp云打包、离线打包app、原生本地打包,附带APP备案和安卓证书申请

uni-app,安卓,APP,应用商店,打包编译apk,上架到应用市场,如何打包app并发布到主流应用市场,发布为AndroidApp流程,应用备案,如何申请安卓证书,hbuilder发布安卓apk后怎么上传到各家软件商店,创建app证书,uniapp发行原生APP本地打包安卓APK,详细最全的步骤教程,项目打包成apk,云打包,安心打包,安卓app离线打包,一直审核不通过,被拒绝,不符合规范,上架发布失败,申请安卓证书和获取证书信息,uni-app打包发布安卓Android软件到各大应用商店,腾讯应用

🏆 前端领域优质创作者 1万+

阿里豪掷3800亿,AI买量暴涨927%,与腾讯元宝、字节豆包正面交锋

阿里的3800亿AI豪赌,不仅展现了其在AI领域的雄心,也揭示了其从技术到生态的全面布局。尽管通义APP在投放力度和下载量上仍不及腾讯元宝和字节豆包,但其技术突破和战略布局为未来的竞争埋下了伏笔。AI时代的超级入口之争,才刚刚开始。

鸿蒙布道师 2401

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

百度如流首发AI智能办公标准 ,BATH持续发力企业办公

在线办公可能是2020年最让人捉摸不透的商业赛道。 先是在年初复工复产的高潮中,被视为黑天鹅引爆的第一个风口,然后在线办公的热度逐渐下降后,出现了昙花一现的质疑声,再到百度、阿里、腾讯、华为等巨头的在线办公全面布局,办公和协作的在线化被验证是不可逆转的趋势,在线办公的新常态和持久战渐渐成为主流的观点。 然而在线办公市场的变局并没有结束,随时可能出现新的风暴点。 比如刚刚结束的百度世界2020智能云分论坛上,百度新一代人工智能办公平台如流在业内率先提出了“1+2+3”的AI智能办公标准,并将以此构建企业服务生

Alter1230的博客 1967

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

阿里推出“千问办公”,能否在AI办公智能体竞速中追赶对手?

桌面端AI原生办公智能体平台是成长最快的智能体类别,今年6月,17款主流产品合计访问量突破6000万次,腾讯的WorkBuddy以2097万月访问量排第一,阿里的QoderWork排第三,字节的TRAE IDE排名第二但有争议,有人认为其更像编程平台,非原生办公智能体产品,TRAE Work表现不佳。据《财经》报道,阿里将推出千问办公,其已整合QoderWork、悟空、MuleRun这三款智能体(Agent)产品,将成阿里面向Agent办公市场拳头产品,由钉钉新任CEO陈宇森负责。

IT界那些事儿 85

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")

阿里、腾讯、字节激战AI办公,谁能成为下一代企业入口?

对于阿里而言,AI办公产品的内部赛马已经结束,随着Agent开始进入商业化阶段,与其各自探索,不如统一入口,集中资源加码一个产品。从WorkBuddy的“超级项目”,到阿里的“千问办公”,再到字节飞书、TRAE、豆包的多线布局,过去被视为成熟赛道的办公软件,正在重新成为科技巨头最激烈的战场。尤其电梯广告,WorkBuddy登陆分众传媒,面向办公人群开启广告投放,“AI办公智能体,就用腾讯WorkBuddy”的广告词,直指办公场景。今年6月,钉钉创始人、原CEO陈航卸任,陈宇森正式接棒,成为钉钉新任CEO。

IT界那些事儿 137

腾讯、阿里、字节激烈角逐:谁能抢占AI办公下一代企业入口?

对于阿里而言,AI办公产品的内部赛马已经结束,随着Agent开始进入商业化阶段,与其各自探索,不如统一入口,集中资源加码一个产品。从WorkBuddy的“超级项目”,到阿里的“千问办公”,再到字节飞书、TRAE、豆包的多线布局,过去被视为成熟赛道的办公软件,正在重新成为科技巨头最激烈的战场。尽管路径不同,但阿里、腾讯、字节正在做同一件事,结束过去大模型时代多产品并行探索的状态,把分散的AI能力重新整合到统一的办公入口。今年6月,钉钉创始人、原CEO陈航卸任,陈宇森正式接棒,成为钉钉新任CEO。

IT界那些事儿 57

AI办公进入“智能体竞速”时代,阿里千问办公能迎头赶上吗?

在同一张榜单中,阿里的QoderWork排在第三,字节旗下的TRAE IDE虽然排名第二但颇具争议,有市场声音认为,TRAE IDE的定位更倾向于编程平台,不属于原生办公智能体产品,而真正的原生办公智能产品TRAE Work表现并不理想。在生态的协同性上,阿里的办公体系也并没有与集团中的其他产品形成合力,曾经,悟空讲过将阿里生态的B端能力全部抽取并封装成可被AI直接调用的“Skill(技能)包”的“故事”,这或许是一种解题思路,但目前,这个故事的主角还在等待重生。三款产品分属不同的定位与场景,各自为战。

IT界那些事儿 49

AI办公,阿里得靠“千问办公”换个打法

AI办公进入“智能体竞速”时代。

lxinsight的博客 262

DeepSeek 新模型预告,ChatGPT Projects 免费开放,谷歌 Nano Banana 爆火!| AI Weekly 9.1-9.7

DeepSeek 新模型预告,ChatGPT Projects 免费开放,谷歌 Nano Banana 爆火!| AI Weekly 9.1-9.7

hunteritself的博客 2853

AI时代,中国人终于愿意为软件付费了

为效率买单?AI软件集体涨价,白嫖党边吐槽边付费

GZZN2019的博客 846

19 元千问会员与 78 元千问办公“撞车”,阿里 AI 整合难题凸显

千问 APP 会员来自千问 C 端事业群,是阿里去年整合原智能信息与智能互联板块而成,由吴嘉挂帅,定位为个人 AI 助手,提供任务助理等功能。集团资源向千问办公倾斜,千问 APP 超级入口热度下滑,2026 年 6 月月活 1.67 亿,2 月曾超 3 亿。两个产品用两套账户体系,千问账号无法登录千问办公,仅支持钉钉扫码登录,曾有钉钉改名千问办公传言,阿里澄清钉钉品牌保留。:2025 年 12 月,阿里成立千问 C 端事业群,千问成为独立战略单元,有望打造 AI 生活入口。阿里纠结与千问 APP 难处。

youxijun的博客 443

陈宇森接棒钉钉46天推千问办公,阿里告别大包大揽转向工具思维!

这一次,陈宇森没走阿里的老路,代表着阿里看清了AI时代的残酷真相,真正能活下来的产品,往往只是安静地把一件事做好。2025年3月,无招回归钉钉,喊出打碎钉钉,用AI重建。钉钉ONE项目投入超10亿训练成本,分析了1850项用户需求,重写了20多条产品线,但上线后留存率暴跌,超60%的用户打开三次就卸载,用户吐槽这个AI是帮领导统治工位的,差评铺天盖地。很多人觉得这只是一个Agent工具,但实际上,这可能是阿里这几年最深刻的一次变化,因为这款产品充满了务实、克制与极简,年轻的陈宇森没走阿里的老路。

Happyapp的博客 109

登上春晚、模型上新,阿里云打响中国AI蛇年“头炮”

登上春晚、模型上新,阿里云打响中国AI蛇年“头炮”,春晚,中国,阿里云,云计算,阿里巴巴,知名企业,互联网公司

2301_82086730的博客 485

像素绽放(PixelBloom)联合创始人蒲世林:AI办公赛道的实践与增长之道|2025极新AIGC峰会演讲实录

2025年12月26日,【想象·2025极新 AIGC 峰会】在上海浦东浦软大厦成功举办。像素绽放PixelBloom联合创始人蒲世林先生在会上做了题为《AI时代的生存法则:在巨头缝隙中野蛮生长》的演讲。重点分享了像素绽放PixelBloom发展情况、发展历程以及他们在AI办公赛道的实践心得。

weixin_40303385的博客 704
上一篇: 取代前后端岗,中国又一新兴岗位在崛起!这才是程序员未来5年最好的就业方向!...
下一篇: 大模型最强架构TTT问世!斯坦福UCSD等5年磨一剑, 一夜推翻Transformer
公众号:【GitHub爱好者社区】
博客等级 码龄6年 356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