从图灵到智能体:人工智能 76 年兴衰史,为什么爆发恰好发生在现在

「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

从图灵到智能体:人工智能 76 年兴衰史,为什么爆发恰好发生在现在

在这里插入图片描述

2026 年的秋天,AI 新闻以每天三次的频率刷屏:Meta 的智能体应用两周登顶 App Store(见本站《Meta Muse 爆火复盘》)、OpenAI 和 Anthropic 凌晨互砍 API 价格(见《凌晨 90 分钟的价格战》)、不会说话只会做选择题的 Jev 模型全网爆火。一切看起来像昨天刚发生的事。

但"人工智能"这个学科,已经 70 多岁了。它经历过两次被资本抛弃的漫长寒冬,也见证过多次"这次不一样"的狂热。回看这条兴衰曲线,你会明白一个反直觉的事实:AI 的爆发不是发生在"智能"成熟的那天,而是发生在某个被忽略的基础要素补齐的那天。而 2026 年轮到哪个要素补齐,恰好解释了今天所有热点。

第一幕(1950-1956):一个问题的诞生

故事从 1950 年开始。数学家艾伦·图灵发表论文《计算机器与智能》,避开"机器能思考吗"这个说不清的定义,改问了一个可操作的问题:**如果一台机器的对话表现和人类无法区分,我们凭什么说它不智能?**这就是后来的"图灵测试"。

1956 年夏天,26 岁的约翰·麦卡锡联合明斯基等几位年轻学者,在美国达特茅斯学院开了一场暑期研讨会,第一次正式提出"Artificial Intelligence(人工智能)"这个词。这一年被公认为学科出生年——一群年轻人相信,用一整个夏天就能把"让机器用语言、推理、学习"的问题搞定。

他们当然没搞定,但这个问题的提法本身改变了七十年。

第二幕(1957-1974):第一次黄金时代与第一次寒冬

达特茅斯会议后的十年是乐观主义的巅峰:罗森布拉特 1958 年造出感知机(Perceptron),《纽约时报》当时就报道说这是"电子机器人的雏形,会思考、有记忆力";ELIZA 在 1966 年用几个关键词匹配就骗得用户向它倾诉心事;证明定理、下棋、翻译,处处开花。

然后现实教育了所有人。1969 年,明斯基和派普特从数学上证明了单层感知机连最简单的"异或"问题都解决不了,神经网络研究被判缓刑;符号推理在真实世界的噪声面前不堪一击。1973 年,英国的莱特希尔报告直言 AI 的成果"自始至今未能实现对早期资助者的任何承诺",各国经费随即断崖式削减。第一次寒冬降临。

寒冬的教训极其昂贵,也极其简单:演示效果 ≠ 可用能力。ELIZA 式的人工错觉撑不起一个产业。

第三幕(1980-1993):专家系统的狂欢与第二次寒冬

1980 年代,AI 换了个务实的包装重新出发:不追求通用智能,把人类专家的知识写成一条条规则,卖给企业。数字设备公司的 XCON 专家系统据估算每年省下数千万美元,证明了"AI 能赚钱";日本宣布第五代计算机计划,美国军方通过 DARPA 砸钱,Lisp 语言机器公司上市即暴涨——热钱回来了。

1987 年起,大厦崩塌:专家系统维护成本失控、无法学习、换个环境就废;Lisp 机器被通用工作站取代,市场一夜蒸发。加上个人电脑革命抢走了全部注意力,第二次寒冬比第一次更长更冷,一直冻到 90 年代中期。

第二次的教训是:知识无法靠人工穷举。规则写得越多,系统死得越快。

间奏(1997):深蓝与"无聊方法"的胜利

寒冬年代 AI 没有死,只是换了身份:隐马尔可夫模型统治了语音识别,支持向量机统治了机器学习,神经网络在角落里苟延残喘。1997 年,IBM 深蓝击败国际象棋世界冠军卡斯帕罗夫,全世界重新注意到 AI——但那场胜利靠的不是"智能",而是专用芯片每秒搜索约 20 万个棋局、评估上亿步的暴力算力。

深蓝是个预兆:下一次 AI 浪潮的燃料,可能不是更巧的算法,而是更猛的算力和更多的数据。

第四幕(2012-2016):深度学习春天,三要素第一次凑齐

2012 年,辛顿组用两块消费级 GPU 训练的 AlexNet 在 ImageNet 图像识别赛上一战成名,把错误率从 26% 砸到 16%。深度学习复活了。人们回头发现,1986 年发明的反向传播算法从来没错,错的只是没有 GPU 和没有大数据。

这一幕里,算法(深度网络)、算力(GPU)、数据(互联网十年积累)第一次同时到位——这正是"爆发发生在要素补齐时"的第一次完整应验。

对中国用户,2016 年的 AlphaGo 大战李世石是真正的"AI 元年"记忆:围棋被认为是直觉与创造力的最后堡垒,也被算力+学习击穿了。随后是创业潮、政策文件、AlphaFold 破解蛋白质折叠——这一次,没人再敢说这是寒冬前的假象,但也没人预料到下一波冲击的形态。

第五幕(2017-2023):Transformer 与 ChatGPT 的时刻

2017 年谷歌论文《Attention Is All You Need》提出的 Transformer 架构,是教科书级的"基础设施时刻":它让大模型的并行训练成为可能。2020 年 GPT-3 用 1750 亿参数证明"规模本身就是魔法"(scaling laws);2022 年 11 月 30 日,ChatGPT 上线,两个月用户破亿,成为人类历史上普及最快的消费应用。

ChatGPT 的真正意义不在聊天本身,而在于它把 AI 从开发者的 API 变成了一亿普通人的日常工具。也是从这一年起,“提示词”“大模型”"AIGC"进入中文日常词汇。2023 年 GPT-4 多模态、同年开源大模型井喷、2025 年初 DeepSeek-R1 用极低成本的推理训练震动手感最灵的硅谷和华尔街——性价比从此成为中国 AI 的名片,也为 2026 年那场美国厂商自打的 API 价格战埋下伏笔。

第六幕(2024-2026):智能体时代,"执行"要素补齐

ChatGPT 之后,行业卡在一个问题上:AI 会说,不会做。2023-2024 年,"智能体(Agent)"从论文词汇变成工程词汇:模型学会调用工具、读写文件、操作浏览器。2024 年 Anthropic 发布 MCP(模型上下文协议),给"AI 连接外部世界"立了行业标准——这是本站读者每天都在用的东西。

2026 年被很多人追认为"个人智能体元年",三件事在同一个月发生:9 月 8 日 Meta Muse 上线,用云端虚拟电脑把"替你干活"做成了 260 万人下载的爆款;9 月下旬 Jev 这类"系统一"决策模型爆火,证明 Agent 的判断环节可以用比大模型快两百倍、便宜得多的方式完成;API 价格战白热化,把"每任务成本"变成行业新的计价单位。

这一幕补齐的要素是执行与成本的可行性:智能体第一次既好用又用得起。历史再次应验——引爆点的不是"更聪明",而是"够了聪明 + 真的便宜 + 能动手"。

兴衰曲线里的三个规律

复盘七十六年,有三条规律值得刻在桌上:

  1. **期望膨胀是寒冬的元凶。**两次寒冬都不是技术退步,而是上一代承诺的利息到期。达特茅斯的"一个夏天"、专家系统的"包治百病"、ChatGPT 后的"两年 AGI",剧本完全相同。
  2. **进步从来是木桶效应。**算法、算力、数据、执行、成本,任何一块短板都足以让浪潮搁浅;每次爆发都是某块新板子恰好补上。
  3. **寒冬期不是空转期。**反向传播、Transformer、scaling laws,全诞生于最冷的年代。真正改变世界的研究,往往发生在没人给它发奖的时候。

接下来会发生什么

站在 2026 年往下看,几个方向已经清晰:智能体从"极客尝鲜"进入"基础设施"阶段(Muse 计划接入社交与眼镜生态);模型层继续通缩(价格战没有回头路);决策小模型与大模型分工的"系统一+系统二"架构成为 Agent 标配;而信任与安全——Muse 两周内集齐漏洞、银行预警、平台封杀已经演示过——将是下一个必须补齐的要素,补不齐,下一轮寒冬的名单上就有"智能体"三个字。

对普通人的建议,恰恰藏在历史里:每一轮 AI 浪潮,红利都不属于最早喊口号的人,而属于在要素补齐的窗口期,把新技术变成生产工具的人。1997 年看懂深蓝的人得到了搜索与推荐,2012 年看懂 AlexNet 的人得到了移动互联网的内容革命,2022 年练熟提示词的人吃到了第一波效率红利。2026 年的窗口叫智能体——现在动手,正是历史反复证明的最佳时机。

常见问题(FAQ)

Q:为什么常说 AI 有"两次寒冬",ChatGPT 之后没听说寒冬?
A:因为这次要素补齐得最全:算力(GPU 集群)、数据(互联网语料)、算法(Transformer+强化学习)、成本(价格战)都已到位,且叠加了十亿级用户盘。风险在信任与监管,而非能力倒退。

Q:图灵测试现在还有意义吗?
A:作为竞赛指标已过时——大模型普遍"通过"图灵式对话后,人们发现会聊天和会办事是两回事。这正是 2026 年智能体浪潮的概念起点。

Q:中国在这条历史线里的位置?
A:1956 年这门学科在达特茅斯诞生时,中国完全缺席;80 年代 AI 研究在国内恢复建制;2016 年 AlphaGo 事件点燃全民 AI 热情;2023 年起开源大模型集体崛起;2025-2026 年以 DeepSeek 性价比和小米 MiMo 等开源模型成为倒逼美国厂商降价的关键力量——从旁观者变成了定价权的参与者。

写在最后

七十六年里,人工智能这个名字被嘲笑过、被封存过、被重新包装过,但提出问题的人换了一代又一代,问题本身从未被放弃。今天你在手机上派给 Muse 的一个订酒店任务,背后是图灵 1950 年的追问、达特茅斯 1956 年的狂想、寒冬里无名研究者的坚持。AI 的历史还证明了一件事:每一次"机器不可能做到 X"的断言,最后都只是时间问题。 如果想把这七十六年的起伏一眼看完,可以试试我们做的交互式兴衰时间线,点任意节点即可查看那年发生了什么、为什么重要。所以面对 2026 年所有"AI 不过如此"或"AI 无所不能"的声音,最好的回应都是同一句——让子弹再飞一会儿,然后自己上手用起来。


本文由 AgentHub 首发,myagenthub.cn —— MCP Servers 与 Agent Skills 资源库。
阅读原文:https://myagenthub.cn/blog/history-of-ai-rise
更多垂类 MCP 选型与安装教程:MCP 工具库 · 安装配置教程 · 场景专区

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

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1318

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 338

对LSTM中每个batch都初始化隐含层的理解

不知道有没有人和我有一样疑惑 在LSTM相关的代码中,为什么每个batch都会将隐藏层重新初始化, 这样不会把以前训练出来的参数丢掉吗?? 比如 代码来自GitHub 看了一些解释是h与c是状态,不是参数,每个batch中都需要初始化为0,LSTM 中的参数是W,b。 网络中训练的是参数,不是状态。 说真的。。。当时我没怎么看懂。。。 咨询了实验室的师兄后,我有了自己的理解 产生误解的主要原因是我对RNN和LSTM的结构理解不深入,我们通常看到RNN结构图基本都是这样的 ...

Chauncey_Wang的博客 5911

【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 614

Linux系统下奥比中光Astra Pro相机SDK部署与避坑指南

本文详细指导了在Linux系统下部署奥比中光Astra Pro深度相机SDK的全过程,涵盖系统准备、SDK安装、设备权限配置及常见问题排查。重点解析了USB设备规则配置这一关键步骤,并提供了Python与C++项目的集成方法,旨在帮助开发者快速完成相机配置,避免常见陷阱。

weixin_28455801的博客 301

泰克示波器TDS210改装便携示波器

泰克示波器TDS210改装编写示波器

超级网吧的博客 3080

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 273

告别Mumu!在Mac(M1/M2)上免费搭建Android Emulator的保姆级避坑指南

本文提供在Mac(M1/M2)上免费搭建高性能Android模拟器的详细指南,特别针对Apple Silicon芯片优化。通过使用Google官方的ARM原生模拟器,开发者可以获得3-5倍的性能提升,降低CPU占用,并避免x86转译的兼容性问题。文章涵盖从环境准备、工具安装到AVD创建与优化的全流程,帮助用户避开常见陷阱,实现接近原生性能的体验。

weixin_42531886的博客 602

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 206

基于IC动态加权的机器学习多因子选股策略:从模型融合到实战回测

在量化投资领域,多因子选股模型通过挖掘市场数据中的有效信号来预测股票收益。其核心原理在于利用统计学与机器学习算法,从海量因子中识别出与未来收益具有稳定相关性的特征。这一技术的核心价值在于将主观投资决策转化为系统化、可重复的客观过程,从而在控制风险的前提下追求超额收益。其典型应用场景包括股票阿尔法策略构建、Smart Beta产品设计以及资产配置中的股票筛选环节。本文聚焦于如何通过信息系数(IC)这一关键指标,动态融合Ridge回归、MLP神经网络和随机森林等多个预测模型,构建一个能够自适应市场风格轮动的选股

weixin_34216614的博客 457

深度学习助力台风路径预测:技术剖析与实战应用全攻略(基于LSTM模型)

摘要:深度学习技术在台风路径预测领域展现出巨大潜力。通过融合多源气象数据,深度学习模型如LSTM能有效处理时间序列数据,捕捉台风路径变化规律。与传统方法相比,深度学习模型在自动特征学习和处理复杂模式方面具有独特优势,提高了预测的准确性和实时性。然而,挑战依然存在,包括数据质量问题、模型可解释性不足以及极端台风的复杂性。未来,随着观测技术的进步和新算法的开发,深度学习将在台风路径预测中发挥更大作用,为防灾减灾提供更精准的决策支持。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 2230

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 340

AI 赋能 DBA:如何用 DeepSeek 等大模型简化数据库管理工作

数据库管理员(DBA)的工作涉及 SQL 优化、故障排查、性能监控等复杂任务。而 DeepSeek、ChatGPT 等大模型可以大幅减少重复劳动,提高 DBA 的工作效率。:某电商平台的订单查询 SQL 执行缓慢(平均 5s),DBA 需要优化。:DBA 需要监控 MySQL 的慢查询,但不想手动写脚本。:某金融系统频繁出现数据库死锁,DBA 需要快速定位原因。:大模型可分析 SQL 执行计划,推荐索引优化方案。:用日常语言查询数据库,无需写复杂 SQL。:一键生成监控、备份、数据迁移脚本。

专注于编程、AI、人工智能等多个领域内容研究和分析 566

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 349

【WRF-Urban】使用 CGLC-MODIS-LCZ_100m 数据集运行 WRF 时的城市参数化问题

【WRF-Urban】使用 CGLC-MODIS-LCZ_100m 数据集运行 WRF 时的城市参数化问题

WW、forever的博客 716

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 84

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 157

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")

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

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 511

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 614

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

405

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 401

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5156

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 564

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 181

面向工业对讲的双通道声学 DSP 模组 A-59(NR2050-A)方案解析与工程落地案例

A-59模组以NR2050-A DSP为核心,37.5×16mm邮票孔封装,支持-40℃~85℃工业温域,兼容A-06/A-09/A-29系列,可低成本替换存量设备。通过固件切换实现三种模式:模式一(低改版成本,适配矿井、电梯);模式二(最优AEC,用于医院呼叫);模式三(双波束独立输出,支持双人会议语音分离)。集成AEC、ENC、BF与AGC算法,有效抑制回声、噪声与串扰,解决对讲系统核心声学难题。选型需注意参考信号路径、麦间距与温度匹配,建议先做声学测试再量产。

R190_6589的博客 371

SAP商业AI正式通过网信备案:企业落地AI五问

中数通“CDC商业AI”通过广东网信部门备案,标志着SAP商业AI在华本地化迈出关键一步。然而,合规仅是起点,企业真正需关注的是:AI能否融入核心流程、数据治理是否健全、责任归属是否清晰、价值衡量机制是否建立。从“可用”到“用好”,关键在于工作流重构、跨团队协同与业务结果导向的评估体系。国产模型成本优势与本地部署能力为ERP深度集成提供可能,但真正的竞争力仍在于对数据、流程与业务上下文的理解力。

Acloudear的博客 214
上一篇: 桌面堆满文件、下载目录杂乱?用“归纳星”一键实现井井有条
下一篇: AI 日报 · 2026年9月25日 星期五
languageStudents
博客等级 码龄6年 492粉丝 127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

languageStudents

你的鼓励将是我创作的最大动力

¥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