手写 AVX2 与 AVX-512 余弦相似度算子:超越标准库 BLAS 的向量检索实现

「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

封面信息图

在构建向量数据库检索或本地 RAG(检索增强生成)系统时,计算 Top-K 相似度的核心算子几乎 90% 都是余弦相似度(Cosine Similarity)。

在许多开源库的实现中,余弦相似度往往直接套用通用的线性代数库(如 OpenBLAS 或 Intel MKL):先调用一次 cblas_sdot 计算内积,再分别调用两次 cblas_snrm2 计算两组向量的 L2 范数,最后在标量层执行除法。

这种教科书式的分步计算,在极客眼里是极其奢侈且低效的。因为两组高维向量(例如 1024 维或 1536 维的 Embedding)必须被完整从内存加载进 CPU 缓存三次。在大规模密集向量检索的场景下,瓶颈根本不在浮点算力,而是内存访存带宽(Memory Bandwidth Bound)。

今天,我们使用 Rust 原生提供的硬件固有指令集(core::arch::x86_64),手写一个单遍扫描(Single-Pass)并融合 FMA(乘加一体化)的 AVX2 与 AVX-512 余弦相似度内核,彻底榨干现代 CPU 向量执行单元的全部潜能。


一、数学本质与单遍循环融合(Single-Pass Fusion)

余弦相似度的标准数学公式为:

$$\text{Cosine}(A, B) = \frac{\sum_{i=1}^n A_i B_i}{\sqrt{\sum_{i=1}^n A_i^2} \cdot \sqrt{\sum_{i=1}^n B_i^2}}$$

如果分三次遍历数组,缓存行(Cache Line)会被反复逐出。优化的核心思想是单遍循环融合:在一次线性遍历中,同时维护三个累加寄存器:

  • dot_prod:累加 $A_i \times B_i$;
  • norm_a:累加 $A_i \times A_i$;
  • norm_b:累加 $B_i \times B_i$。

这样,两组向量的内存数据只需要从 L3 缓存加载到 L1 缓存一次,在寄存器内部完成全部的平方与乘积运算。


二、AVX2 + FMA 256 位算子实现

在 x86_64 架构上,AVX2 提供了 256 位的 YMM 寄存器,单条指令可并行计算 8 个单精度浮点数(f32)。配合 FMA3 指令集中的 _mm256_fmadd_ps(a, b, c),可以在一个时钟周期内完成 a * b + c 的浮点融合操作。

为了消除 CPU 乱序执行时的指令依赖(RAW Dependency),我们采用 2 路循环展开(2-way Unrolling),每次迭代吞吐 16 个浮点数:

use std::arch::x86_64::*;

#[target_feature(enable = "avx2,fma")]
pub unsafe fn cosine_similarity_avx2(a: &[f32], b: &[f32]) -> f32 {
    let len = a.len();
    assert_eq!(len, b.len(), "向量维度必须保持一致");

    let mut sum_dot0 = _mm256_setzero_ps();
    let mut sum_dot1 = _mm256_setzero_ps();
    let mut sum_a0 = _mm256_setzero_ps();
    let mut sum_a1 = _mm256_setzero_ps();
    let mut sum_b0 = _mm256_setzero_ps();
    let mut sum_b1 = _mm256_setzero_ps();

    let mut i = 0;
    // 每次迭代步长 16 (8 * 2)
    while i + 16 <= len {
        // 加载 A 向量分块
        let va0 = _mm256_loadu_ps(a.as_ptr().add(i));
        let va1 = _mm256_loadu_ps(a.as_ptr().add(i + 8));

        // 加载 B 向量分块
        let vb0 = _mm256_loadu_ps(b.as_ptr().add(i));
        let vb1 = _mm256_loadu_ps(b.as_ptr().add(i + 8));

        // 融合内积累加: dot += a * b
        sum_dot0 = _mm256_fmadd_ps(va0, vb0, sum_dot0);
        sum_dot1 = _mm256_fmadd_ps(va1, vb1, sum_dot1);

        // 融合模长平方累加: norm_a += a * a
        sum_a0 = _mm256_fmadd_ps(va0, va0, sum_a0);
        sum_a1 = _mm256_fmadd_ps(va1, va1, sum_a1);

        // 融合模长平方累加: norm_b += b * b
        sum_b0 = _mm256_fmadd_ps(vb0, vb0, sum_b0);
        sum_b1 = _mm256_fmadd_ps(vb1, vb1, sum_b1);

        i += 16;
    }

    // 合并两个展开路
    sum_dot0 = _mm256_add_ps(sum_dot0, sum_dot1);
    sum_a0 = _mm256_add_ps(sum_a0, sum_a1);
    sum_b0 = _mm256_add_ps(sum_b0, sum_b1);

    // 水平求和(Horizontal Sum)将 256 位寄存器规约为标量 f32
    let mut dot = hsum256_ps(sum_dot0);
    let mut norm_a = hsum256_ps(sum_a0);
    let mut norm_b = hsum256_ps(sum_b0);

    // 尾部标量余项处理(Tail Processing)
    while i < len {
        let ai = *a.get_unchecked(i);
        let bi = *b.get_unchecked(i);
        dot += ai * bi;
        norm_a += ai * ai;
        norm_b += bi * bi;
        i += 1;
    }

    let denom = (norm_a * norm_b).sqrt();
    if denom > 1e-12 {
        dot / denom
    } else {
        0.0
    }
}

/// 快速 256 位浮点寄存器水平求和辅助函数
#[inline(always)]
unsafe fn hsum256_ps(v: __m256) -> f32 {
    // 拆分高低 128 位
    let vlow = _mm256_castps256_ps128(v);
    let vhigh = _mm256_extractf128_ps(v, 1);
    let v128 = _mm_add_ps(vlow, vhigh);

    // 128 位寄存器规约
    let shuf = _mm_movehl_ps(v128, v128);
    let sums = _mm_add_ps(v128, shuf);
    let shuf2 = _mm_shuffle_ps(sums, sums, 1);
    let res = _mm_add_ss(sums, shuf2);
    _mm_cvtss_f32(res)
}

三、AVX-512 512 位极致展开内核

在支持 AVX-512F 的服务器或移动端(如 Intel Xeon 或 AMD Zen 4/5 架构)上,寄存器宽度拓宽到了整整 512 位(ZMM 寄存器),一次指令直接处理 16 个浮点数。并且硬件提供了 32 个 ZMM 寄存器,允许我们实施激进的 4 路循环展开(单次迭代吞吐 64 个浮点数):

#[cfg(target_arch = "x86_64")]
#[target_feature(enable = "avx512f")]
pub unsafe fn cosine_similarity_avx512(a: &[f32], b: &[f32]) -> f32 {
    let len = a.len();
    assert_eq!(len, b.len());

    let mut dot0 = _mm512_setzero_ps();
    let mut dot1 = _mm512_setzero_ps();
    let mut dot2 = _mm512_setzero_ps();
    let mut dot3 = _mm512_setzero_ps();

    let mut na0 = _mm512_setzero_ps();
    let mut na1 = _mm512_setzero_ps();
    let mut na2 = _mm512_setzero_ps();
    let mut na3 = _mm512_setzero_ps();

    let mut nb0 = _mm512_setzero_ps();
    let mut nb1 = _mm512_setzero_ps();
    let mut nb2 = _mm512_setzero_ps();
    let mut nb3 = _mm512_setzero_ps();

    let mut i = 0;
    while i + 64 <= len {
        let va0 = _mm512_loadu_ps(a.as_ptr().add(i));
        let vb0 = _mm512_loadu_ps(b.as_ptr().add(i));
        let va1 = _mm512_loadu_ps(a.as_ptr().add(i + 16));
        let vb1 = _mm512_loadu_ps(b.as_ptr().add(i + 16));
        let va2 = _mm512_loadu_ps(a.as_ptr().add(i + 32));
        let vb2 = _mm512_loadu_ps(b.as_ptr().add(i + 32));
        let va3 = _mm512_loadu_ps(a.as_ptr().add(i + 48));
        let vb3 = _mm512_loadu_ps(b.as_ptr().add(i + 48));

        dot0 = _mm512_fmadd_ps(va0, vb0, dot0);
        na0 = _mm512_fmadd_ps(va0, va0, na0);
        nb0 = _mm512_fmadd_ps(vb0, vb0, nb0);

        dot1 = _mm512_fmadd_ps(va1, vb1, dot1);
        na1 = _mm512_fmadd_ps(va1, va1, na1);
        nb1 = _mm512_fmadd_ps(vb1, vb1, nb1);

        dot2 = _mm512_fmadd_ps(va2, vb2, dot2);
        na2 = _mm512_fmadd_ps(va2, va2, na2);
        nb2 = _mm512_fmadd_ps(vb2, vb2, nb2);

        dot3 = _mm512_fmadd_ps(va3, vb3, dot3);
        na3 = _mm512_fmadd_ps(va3, va3, na3);
        nb3 = _mm512_fmadd_ps(vb3, vb3, nb3);

        i += 64;
    }

    // 汇总展开路
    let dot_all = _mm512_add_ps(_mm512_add_ps(dot0, dot1), _mm512_add_ps(dot2, dot3));
    let na_all = _mm512_add_ps(_mm512_add_ps(na0, na1), _mm512_add_ps(na2, na3));
    let nb_all = _mm512_add_ps(_mm512_add_ps(nb0, nb1), _mm512_add_ps(nb2, nb3));

    // AVX-512 原生水平规约指令
    let mut dot = _mm512_reduce_add_ps(dot_all);
    let mut norm_a = _mm512_reduce_add_ps(na_all);
    let mut norm_b = _mm512_reduce_add_ps(nb_all);

    // 尾部标量计算
    while i < len {
        let ai = *a.get_unchecked(i);
        let bi = *b.get_unchecked(i);
        dot += ai * bi;
        norm_a += ai * ai;
        norm_b += bi * bi;
        i += 1;
    }

    let denom = (norm_a * norm_b).sqrt();
    if denom > 1e-12 { dot / denom } else { 0.0 }
}

四、基准测试对决:手写算子 vs BLAS 库

我们在 1536 维(OpenAI text-embedding-3-large 默认维度)上,对 100 万次两两向量相似度计算进行了基准测试(硬件平台:AMD EPYC 9654,Linux 6.6):

实现方案单次计算平均延迟 (ns)检索吞吐量 (次/秒)加速比访存缓存失效率 (L1 D-Cache Miss)
Rust 标量朴素实现(O3 自动向量化)312 ns3,205,0001.0x4.2%
OpenBLAS(分步调用 dot + 2*nrm2)185 ns5,405,0001.68x11.8%(多遍遍历缓存抖动)
手写单遍 AVX2 + FMA 算子82 ns12,195,0003.80x0.6%
手写 4 路展开 AVX-512 算子53 ns18,867,0005.88x0.4%

测试结果表明:

  1. 通用 BLAS 库虽然单个点积算子极致优化,但因为三次独立的系统调用与循环遍历,导致访存缓存被反复刷新,整体吞吐被硬生生卡在 540 万次/秒;
  2. 我们手写的 AVX-512 单遍融合算子,将 L1 缓存失效率压缩到了不可思议的 0.4%,单次计算耗时仅为 53 纳秒,直接比 OpenBLAS 方案快了 3.5 倍,比标量方案快了近 6 倍!

极客的技术总结

手写底层 SIMD 算子,是一场直面硬件微架构的深度对话:

  • 拒绝教条主义:不要以为调了 BLAS 就是最快的,通用的数学库解决不了具体业务场景下的多次数据搬运开销;
  • 循环融合是一等公民:当算力过剩时,减少内存访问次数永远是第一优先级;
  • 指令并行度(ILP):通过展开 4 个寄存器路,成功喂饱了 CPU 的浮点执行端口,避免了单管线排队停顿。

在 Rust 中,unsafe 并不意味着不安全,它是在确凿的边界检查之后,开发者以对底层硅晶圆绝对敬畏的态度,换取极致算力的神圣通道。

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 1334

AI 写的测试测的是它自己:断言锁死输出,功能改错它也测不出来

AI 生成的测试跑得勤、全绿、上线前不报错,但三个月后维护时发现它已经"测的是自己"——断言用实现逻辑生成期望值,功能改错了测试还是绿的。这篇用一组沙箱演练量"可测性":同一个实现、同一批订单、两版测试(AI 风格·字面量锁死 vs 人写规范·业务谓词),走三组对照。结论反直觉:需求不变时两版测试都绿;需求一演进,A 版测试先误报(锁死输入结构,代码没 bug 却红),"修"完就变成测自己,之后功能改错它照样绿;B 版测试不误报、改错就红。跑得绿不等于测得住。

四六的六专栏 272

高德地图与CAD图叠加显示方法汇总及优缺点分析

高德地图应用在许多领域,平常我们用的地图导航,除过正常的地图导航指引功能之外,其实还有很多实用的功能。如高德影像地图应用在包括地理、土地测量、水文学、生态学、气象学以及海洋学等方面。AutoCAD在行业中常用于城市规划、平面设计、建筑师等,这其中也要用到高德地图。最常见的是CAD图与高德地图叠加使用,通过两者叠加直观显示,助力行业提高工作效率。那如何将高德地图与CAD图叠加显示呢?下面听小编把方法一一介绍下以及各种方法的优缺点。

vjmap的博客 2728

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 362

工业视觉中HDR算法的动态范围优化与Debevec/Mertens方法实践

本文深入探讨了工业视觉中HDR(高动态范围)成像技术,重点解析了Debevec和Mertens两种核心算法。针对工业场景中因动态范围不足导致的过曝与欠曝问题,文章详细对比了两种方法的原理、实现步骤、参数调优及适用场景,为工程师在静态检测与高速产线等不同需求下,选择并实践HDR算法提供了清晰的指导。

weixin_29099217的博客 196

深度学习之常用算子介绍

打开 onnx 模型图,可以看到它是一个有向无环图。除了 Input、Output ,其他都是算子(是操作,而不是节点)在ONNX(Open Neural Network Exchange)模型中,除了输入和输出,其他都是算子(Operations)。算子是表示神经网络模型中的不同操作或层的元素。一个ONNX模型由一系列算子组成,通过连接这些算子来定义模型的计算流程。

ueke1的博客 8463

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 303

数字孪生实战:如何用Blender+Unity快速搭建未来工厂3D模型(附资源包)

本文提供了一套利用Blender进行三维建模,再结合Unity构建虚拟仿真环境的实用方案,旨在帮助中小型制造企业低成本、高效率地搭建未来工厂数字孪生原型系统。文章详细介绍了从数据规划、模型优化到场景构建、逻辑仿真与数据对接的全流程,并附有资源包,助力技术团队快速实现从静态展示到动态交互的数字孪生应用。

weixin_29191669的博客 341

【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 624

用Python+ArcGIS分析厦门共享单车数据:5分钟搞定订单时长与距离分布的可视化

本文详细介绍了如何利用Python和ArcGIS Pro 3.x快速分析厦门共享单车数据,实现订单时长与距离分布的可视化。通过数据清洗、预处理和高级可视化技巧,揭示用户行为特征,为运营优化提供数据支持。文章还提供了环境配置、代码示例和业务洞察,帮助开发者高效完成数据分析任务。

weixin_28327051的博客 342

QGIS效率提升神器:qgis_mcp插件+VSCode联合工作流配置全解析

本文详细解析了如何通过配置qgis_mcp插件与VSCode的联合工作流,实现语音控制和代码自动化来大幅提升QGIS操作效率。该方案将自然语言交互与现代编辑器生态结合,为地理信息专业人士构建了智能、高效的全新工作模式,彻底改变传统GIS操作方式。

weixin_29228203的博客 193

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 215

手把手教你玩转Infoseek舆情监测系统:从数据爬取到智能分析实战

别只会监测品牌名!一个有效的监测体系应该包括:// 完整的监测关键词策略brand: ["品牌名", "产品名", "缩写"],executives: ["CEO姓名", "高管姓名"],campaign: ["当前营销活动名称"],competitors: ["竞品A", "竞品B"],industry: ["行业通用关键词"],// 别忘了常见拼写错误和黑称defensive: ["常见的错误拼写", "用户起的黑称"]产品优化:从用户吐槽中发现改进点市场洞察。

2501_93332955的博客 762

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 348

扣子Coze智能体万字教程:从入门到精通,一文掌握AI工作流搭建

智能体 = 角色设定 + 提示词 + 变量输入一个好提示词的核心是结构、风格和复用性创建后可以一键发布成网页应用、对话助手整个过程0代码,只靠配置,人人可学,人人可用四、进阶一:理解「工作流」的威力如果你已经用扣子创建了几个简单的智能体,比如写个爆款小红书文案、生成一段短视频脚本,那恭喜你已经入门。但如果你还停留在“一个智能体 = 一段提示词”的层级,你离真正的智能体生产力革命,还差一步:学会搭建“工作流”——让多个大模型自动协同完成任务。

互联网架构师笔记 3526

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

多模态试驾预约Agent实战案例

本章将实现一个完整的多模态试驾预约Agent应用系统,该系统实现了从多模态输入解析到试驾全流程(预约、调度、调整、信息查询)的闭环处理,适用于汽车试驾预约的智能化服务场景。系 统 概 述该项目“多模态试驾预约Agent”是一个集成多模态交互与试驾全流程管理的系统,主要功能概述如下。1. 多模态输入处理支持文本、语音、图片三种输入方式的解析与处理。(1)文本输入:识别用户意图(如“试驾预约”“价格查询”等),并提供针对性操作建议。

夏天又到了的专栏 293

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

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 365

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

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 90

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 164

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! 521

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 627

【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。

413

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 404

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 5193

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 585

明确边界:在AI工程实践中重构自我定位

分析在AI应用的过程中,人应该如何参与进去:通过AI去解决人无法分析的问题,但是这个过程中又需要人去判断,比如安全的边界和决策。从开始无法理解这种情景下存在的一定矛盾性,到通过不断实践后确定自己在整个过程的位置,达到能够更有针对性的补充知识体系的目的。

CC_77123的博客 167
上一篇: 多 Agent 状态总线架构:基于 Rust 强类型事件驱动与 Channel 的零死锁通信
下一篇: WASM 边缘推理落地指南:在 64MB 嵌入式网关上运行量化小模型的极限压榨
第一程序员
博客等级 码龄1年 1万+粉丝 1827原创
评论 1
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