苹果的AI,陷入“创新者的窘境”了吗?

李开复:苹果发布AI应用的趋势 《李开复:苹果发布AI应用的趋势》 关键词 人工智能应用 苹果公司 Siri 健康监测 图像识别 支付安全 摘要 本文将深入探讨苹 阅读详情

01、领先者落后在了后面

曾经引领了移动互联时代的苹果发布会,正在变得“平庸”。

5月7日进行的苹果春季发布会,成了“iPad之夜”。而距离苹果公司上一次更新iPad系列产品已经过去了18个多月,这也是iPad发布历史上最长的间隔期。

新款iPad最重要的更新是,使用了M4芯片(上一代产品使用M2芯片),其中的神经网络引擎(Neural Engine),号称“比当今任何AI PC中的任何神经处理单元都更强大”。

苹果平台架构副总裁Tim Millet 在介绍 M4 芯片时,特地强调了其在 AI 加速性能上的领先,是一款“胜任 AI 任务的超强芯片”,M4的加持让Pad“化身为实力超强的AI 设备”。

发布会上,苹果频繁强调iPad Pro、iPad Air 产品的“AI”属性,包括神经网络引擎和混合架构下 AI 性能的领先,以及在音频、图像创作中的 AI 体验。这看起来很先进。
在这里插入图片描述

但是,曾经用iPhone引领了移动互联时代的苹果,却并不是第一个用AI武装电子设备的公司。

2023年,联想就发布了AI PC概念机,还与IDC联合发布《AI PC产业(中国)白皮书》。刚举办创新科技大会上,更是一口气发布了10余款内嵌人工智能技术的AI PC产品。

联想集团执行副总裁兼中国区总裁刘军认为,AI正给人类带来史诗级的机遇,因此,联想中国将做深做透AI内嵌的智能终端和方案服务,以全栈AI,领跑智能新时代。

在联想之前,华为发布了自己的首款AIPC产品——接入了盘古大模型的Matebook X Pro。荣耀则发布了自己的AIPC——荣耀MagicBook Pro 16。荣耀终端有限公司CEO赵明在接受媒体采访时表示,未来,荣耀将核心聚焦端侧AI能力构建。

在手机领域,vivo、OPPO、一加、小米等则都在竞争年轻人的“第一台AI手机”。一加还专门邀请了国内最活跃的AI导师、360创始人周鸿祎为自己站台。

据Canalys预计,新一代生成式AI手机在2024年将占中国市场出货量的12%,领先全球9%的平均水平。

与国内手机、PC厂商的积极布局相比,苹果在AI上的动作有些迟钝。今年1月,长期关注苹果的天风证券分析师郭明錤在博客平台Medium上发布的最新供应链调查显示,苹果已经下调2024年iPhone的出货预估至2亿部,同比下滑15%。在今年全球主要手机品牌中,苹果可能是衰退幅度最大者。

郭明錤认为,新的高端手机设计典范是生成式AI和折叠屏,但预计苹果最快到2025年才会推出设计改变较大的iPhone新机型。今年的iPhone可能仍然是挤牙膏式的“微创新”。

02、“技术之王”在AI上受挫

苹果曾经无止境地创新力,在遇到AI时似乎变得停滞不前。电动汽车项目“泰坦计划”被搁置,则是苹果错失良机的例证。

据了解,2011年,当库克从乔布斯手中接过苹果首席执行官一职,就启动了电动汽车项目“泰坦计划”(Project Titan),比贾跃亭的FF(FaradayFuture)都早了3年。可以说,苹果汽车绝对是“起了个大早”。“泰坦计划”曾被认为是苹果公司除iPhone之外,最可能带来新机会的一个选项。但是,起了个大早的苹果汽车,最终没有赶上集。

但“造车”经多年转型,耗资数十亿美元后,今年2月27日,一名知情人士爆料称,苹果将停止制造汽车的努力。“泰坦计划”一些员工将转移至苹果公司的AI部门,而从事汽车硬件工作的其他员工可能会被裁员。这一决定,“令该项目近2000名员工感到惊讶”。

据参与“泰坦计划”的人士说,苹果内部的汽车部门经历了数轮重组和战略改革,一直没有明确的道路。其中一些高管提出与汽车制造商建立深度合作关系,或者直接收购一家汽车制造商的想法,也都没有实现。

除了“造车”,苹果还在2014年就启动了自动驾驶项目,和百度启动自动驾驶项目的时间差不多。苹果一开始设想制造出一款全自动驾驶汽车,但随着时间的推移,这个“壮志雄心”,也降级成了半自动驾驶。

**目前看起来,苹果最终把AI的方向放在了具备AIGC(生成式AI)功能的电子通信设备上,比如最新发布的iPad。**诸多分析都认为,苹果将在今年6月的开发者大会上,推出搭载AIGC技术的iOS 18。不过从目前爆料出来的功能来看,基本上与市面上已有的AI并无太大差异,包括背靠大模型支持的Siri聊天机器人、可以自动生成播放歌单的Apple Music,以及结合AI功能的办公套件(Keynote、Pages)和编程软件Xcode等。

虽然苹果CEO库克称“苹果多年来一直致力于生成式AI技术”,但知名科技记者马克·古尔曼透露,事实上,行业突如其来的人工智能热潮,让苹果高管们感到措手不及。

03、苹果也有创新者的窘境

电动汽车项目搁置,手机、PC的AI化也没有领先,看起来,苹果正在陷入“创新者的窘境”。

1997年,克里斯坦森在《创新者的窘境》中提出了两个概念:维持性技术创新(Sustainting echnology innovation),颠覆性技术创新(Disruptive technology innovation)。

维持性技术创新,可以理解为微创新。是指出公司根据市场的主流客户的需求,不断提高已有产品的性能。自iPhone、iPad诞生以来,过去十多年来,苹果对这些产品的不断更新,就是典型的维持性技术创新。

而颠覆性技术创新,在早期都是基于一些边缘客户(一般是新客户)看重的性能,进行的创新。比如ChatGPT在初期并不被众人看好,即使是在OpenAI内部,也被称为一个“糟糕的”产品。

克里斯坦森分析了计算机、汽车、钢铁等行业的创新模式,指出,大公司因为现有的技术优势和对公司盈利的管理,容易错失抓住破坏性创新的机会,导致衰败。尤其是,如果公司之前的商业模式太好,过于舒适,看不到竞争的可能,10年内有CEO一颗正常的大脑就够用,那当变化猛然来时就会很被动、阵痛。

这显然就是苹果在经历的事情。

过去十年的时间里,苹果过得太好了,反而成了它进行颠覆性创新的绊脚石。

第一,苹果在手机市场根本望不到对手。一项调查报告显示,苹果牢牢站稳高端市场,还拿走了整个行业90%以上的利润。面对这样大赢的局面,苹果根本没有动力去做较大的创新动作。

比如,为了进军高端市场,当国内手机厂商竞逐折叠屏时,苹果选择了无动于衷。因为,从当下来看,折叠屏手机用户非常小众,而研发难度又大,苹果没必要干这种投入产出不成正比的事情。

第二,不论是在操作系统上,还是硬件设计上,iPhone都做了诸多领先而美妙的创新,一度被认为是创新技术与未来设计的完美融合。这种完美,最终成了桎梏,让苹果不敢贸然推出其他“不完美”的产品,怕破坏人们对苹果的完美印象,甚至影响到股价。
在这里插入图片描述

比如电动汽车,苹果在造车这件事上投入十年,想必内部已经出现过多种车型。毕竟,贾跃亭的FF91都已经卖出去了好几辆,更不用提,国内更晚起步的蔚来、理想、小鹏,以及小米汽车了。

起步更早,资金更雄厚的苹果汽车为何一度被搁置了呢?《商业与生活》猜测,一个原因是iPhone的成功,让它不用像小米一样,把希望寄托在汽车身上。另一个就是,苹果无法摆脱“完美”的包袱,像其他电动汽车厂商那样,选择先让车子跑起来,再慢慢改进。苹果汽车为了追求“完美”,再三的延迟发布产品,直到赫然发现,市场上已经挤满了人。刚刚结束的北京车展,就有278款新能源车亮相。面对如此拥挤的市场,苹果汽车也只能选择搁置。

据报道,库克在电话分析师会议上曾表示:“我们有一些非常令人兴奋的事情,将在今年晚些时候讨论。”今年6月,库克将在年度全球开发者大会上阐述苹果的人工智能战略。

不过,根据报道和摩根士丹利此前预计,下一代iPhone“可能会成为一款语音激活的智能个人助理,由升级后的Siri主导,例如可以通过语音控制与手机上的所有应用程序进行交互,改变普通消费者的游戏规则。”这听起来,与国内智能手机厂商的产品依旧大同小异。

苹果到底有没有“创新者的窘境”,答案可能就在6月的开发者大会上,有没有One more thing。

04、起点太高,是库克的“幸与不幸”

从公司市值增长来说,蒂姆·库克掌舵的苹果无疑是成功的。从2011年的约3500亿美元飙升至目前的3万亿美元。

接手苹果的管理后,库克围绕着iPhone,推出了AirPods、Apple Watch,建立起了苹果独特的智能生态。库克让手机业务成了苹果最核心、最赚钱的业务,但似乎也困住了苹果。在iPhone生态之外,苹果还没出现颠覆性的产品和业务。

作为一位企业管理者,库克是幸运的,他从乔布斯手里接受了一个蒸蒸日上的苹果,拥有一个良好的开局,在十年时间里,只要不犯错,就能保持手机行业的领先优势。

但他又是“不幸”的,人们总是会把他和乔布斯进行比较。

许多人都说,乔布斯不在乎市值,只在乎产品是否完美。库克不在乎完美,只在乎这个产品是否赚钱。乔布斯属于激进型的创新派,库克则是稳中求新派。但是,换一个角度想一想,乔布斯重回苹果时,苹果是一个烂摊子,除了创新,还能怎么做呢?

“当时(1997年)苹果是一个烂摊子,外界也了解到这一点。虽然各大猎头公司当时向我们提供了一些苹果CEO人选,但我们觉得,这些人皆无法胜任苹果CEO一职。我只得继续担任苹果CEO。”乔布斯曾回忆说。

换而言之,Macbook、iPhone等产品,都是当时作为一家小公司的苹果,为了生存而研发出来的颠覆性创新的产品。但是,当这些产品让苹果取得巨大的成功后,即使是乔布斯,可能也无法突破“创新者的窘境”。

财务、运营出身的库克,总被认为,相比乔布斯,他在创新和开拓上做得不够。但库克肯定是有创新想法的,毕竟,他在2011年就启动了电动汽车项目“泰坦计划”。

**但是,乔布斯留下来的光环太盛,太过完美,困住了库克,也困住了苹果。库克接手的苹果正蒸蒸日上,遥遥领先,只要继续更新已有的产品,就能日进斗金。**试想一下,如果接班的是你,你会怎样呢?多半是会像库克一样,稳中求新派,甚至连新都不用求。比如特斯拉,因为Model 卖得好,ModelS已经7年不改款,Model Y也确认今年不会进行更新。

而库克与微软CEO纳德拉的区别,可能也是,一个只需守住乔布斯的“苹果帝国”,另一个则是要挽救大厦将倾的微软。一个守城,一个攻城。自古,攻城不易,守城更不易。

​

如何学习AI大模型?

现在社会上大模型越来越普及了,已经有很多人都想往这里面扎,但是却找不到适合的方法去学习。

作为一名资深码农,初入大模型时也吃了很多亏,踩了无数坑。现在我想把我的经验和知识分享给你们,帮助你们学习AI大模型,能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习,等录播视频免费分享出来,需要的小伙伴可以扫取。

在这里插入图片描述

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向,东学一点西学一点,像只无头苍蝇乱撞,我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

在这里插入图片描述

二、AI大模型视频教程

在这里插入图片描述

三、AI大模型各大学习书籍

在这里插入图片描述

四、AI大模型各大场景实战案例

在这里插入图片描述

四、结束语

学习AI大模型是当前科技发展的趋势,它不仅能够为我们提供更多的机会和挑战,还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型,我们可以深入了解深度学习、神经网络等核心概念,并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时,掌握AI大模型还能够为我们的职业发展增添竞争力,成为未来技术领域的领导者。

再者,学习AI大模型也能为我们自己创造更多的价值,提供更多的岗位以及副业创收,让自己的生活更上一层楼。

因此,学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。

梦幻西游端游脚本开发实战:从易语言到大漠多线程全解析 本文详细解析了梦幻西游端游脚本开发的全流程,从易语言基础入门到大漠插件多线程实战。重点介绍了易语言中文编程优势、大漠插件图色识别技术,以及多线程控制台开发技巧,帮助开发者高效实现游戏自动化,提升脚本稳定性和执行效率。 阅读详情

相关推荐

理解ADC:为什么需要抗混叠滤波器?

本文介绍 ADC 的混叠现象,引出抗混叠滤波器,并介绍一种开关电容滤波器,它具有很小的增益过渡带。

疯狂的运放 5946

AIGC时代 | 揭秘:企业决策五大窘境,打造爆火决策力!

黄震华,决策力研究院院长,资深To B领域专家,拥有超过25年的To B行业一线业务经验和管理经验,对To B企业的决策逻辑有系统性的研究和深刻的洞察。曾在多家世界500强和国内独角兽企业担任高管,先后担任日立数据亚太区业务增长官、易宝支付市场副总裁和Moka HR SaaS首席营销官(CMO)。曾作为CMO多次带领团队从0到1为企业打造品牌和营销增长模式,创造了大量行业创新且业绩领先的案例和实践。拥有香港大学工商管理硕士学位。

程序边界 8445

从符号到基元:Token的技术演化史与“词元”汉化的术语学

中文摘要:Token概念演化与"词元"译名的确立 本文系统梳理了"Token"概念从信息论符号到AI基元的完整演化史,揭示了"词元"这一中文译名确立的必然性。概念发展经历了三个阶段:早期作为编译原理中的词法单元(1960s),统计NLP时期作为概率空间的原子(1990s-2000s),以及神经时代成为动态语义载体(2010s后)。随着Transformer架构兴起,Token从静态符号转变为上下文相关的语义基元,其定义彻底突破"词&quo

AllenLV的博客 1223

苹果 Siri 人工智能欧洲上线受阻,与欧盟陷入隐私与竞争僵局

问题不在于 DMA,而在于苹果拒绝开放其打破竞争的软件生态系统。其他专家,如博斯滕,则质疑苹果为何需要长达 18 个月的时间来实施该方案,毕竟互操作性要求是可预见的,本应在开发 Siri 人工智能的同时加以解决。苹果称,这样做会危及客户的隐私和安全,因此它宁愿不在欧洲推出 Siri 人工智能,也不愿按照欧盟的要求开发,让其他公司介入。苹果表示已提出解决方案,比如其“可信系统代理”(Trusted System Agent),它将作为竞争对手的人工智能代理与苹果系统之间的中介,提供相当的访问权限和功能。

IT界那些事儿 55

告别TwinCAT:手把手教你用IgH EtherCAT Master在LinuxCNC上搭建实时运动控制平台

本文详细介绍了如何利用IgH EtherCAT Master和LinuxCNC搭建开源实时运动控制平台,替代商业软件TwinCAT。通过分步指南,包括实时Linux环境配置、EtherCAT主站安装、LinuxCNC集成及多轴同步控制实现,帮助开发者构建高性能、低成本的工业自动化解决方案。

weixin_42641741的博客 402

NSGA(非支配排序遗传算法)

在多目标优化问题中,往往存在多个相互冲突的目标需要同时优化。传统的单目标优化算法无法直接应用于这类问题,因此需要专门的多目标优化算法。非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm,NSGA)是一种经典的多目标优化算法,由印度科学家 Kalyanmoy Deb 等人于 1995 年提出。NSGA 通过非支配排序和拥挤度距离来引导种群向 Pareto 最优前沿进化,从而得到一组具有良好分布性和收敛性的 Pareto 最优解。

2979

苹果AI战略困局:为何迟迟等不来“iPhone时刻“?

在2024年WWDC大会上,苹果推出的Apple Intelligence项目虽显高调,但实则暴露了其AI战略的三大核心困境。首先,高管内斗严重,尤其是Craig Federighi与John Giannandrea在技术路线上的分歧,导致关键决策延迟和研发预算削减。其次,Siri的技术架构陈旧,升级面临两难选择,无论是旧架构补丁还是全新架构都各有弊端。最后,资源投入不足,苹果的AI预算和专用芯片开发均落后于竞争对手如谷歌和微软。面对这些挑战,苹果正在通过组织架构重组、技术路线优化和产品策略转变进行补救。然

鸿蒙布道师 1341

ITIL-IT运维管理-概述

ITIL-IT运维管理-概述 概述 IT服务管理(ITSM)是一套帮助企业对IT系统的规划、研发、实施和运营进行有效管理的方法,是一套方法论。ITSM起源于ITIL(IT Infrastructure Library,IT基础架构标准库),ITIL是CCTA(英国国家电脑局)于1980年开发的一套IT服务管理标准库。它把英国在IT管理方面的方法归纳起来,变成规范,为企业的IT部门提供一套从计划、研发、实施到运维的标准方法。 中文名 IT服务管理 外文名 ITService Management 专家

syjhct的博客 4万+

下一个诺基亚?苹果在AI时代的落寞和希望

苹果内部存在明显的战略分歧,如软件负责人Craig Federighi将AI视为附属功能而非核心卖点,不愿为AI大幅投资,而外部引入的AI高管Giannandrea难以融入管理层,改革受阻。相比之下,Meta在2025年4月推出了参数达4000亿的Llama3模型,Google投入750亿美元建设数据中心,这些投入都远超苹果在AI领域的投入。彭博社报道指出,苹果AI研发投入仅为亚马逊的1/3,谷歌的1/4,技术代差明显。,创新部门的建议难以获得管理层采纳,企业文化偏重短期盈利目标,忽视长期战略转型需求。

具身机器人和通用AI 1592

视觉SLAM的前段后端最详细的梳理(硕士入门知识框架更新)

文章目录视觉SLAM的组成结构视觉里程计(VO)-特征点法 -构建稀疏点云地图-直接法 -构建稠密或半稠密的地图 --需要使用 RGB-D 传感器视觉里程计--总结:SLAM 后端研究滤波器法非线性优化后端方式的差异(有五种优化方式):单目视觉里程计的初始化:运动估计:半直接法运动估计的优化方案:关于解决累计误差的一些方法:关键帧的建图及后端优化:特征的深度估计:图优化的后端研究:视觉与IMU融合的分类:视觉与IMU的融合的优势:存在的问题:优秀的开源: 视觉SLAM的组成结构 视觉里程计(VO) -特

DC 6812

深度学习实战107-基于Qwen3+GraphRAG+Agent的智能文档管理系统:精准问答与决策支持

在当今信息爆炸的时代,企业面临海量文档的管理与利用挑战。传统文档管理系统虽然提供了存储和检索功能,但缺乏对文档内容的深度理解与分析能力,更难以实现基于知识的决策支持。基于多模态大模型Qwen3、GraphRAG技术与Agent框架构建的智能文档管理系统,能够突破传统限制,实现文档内容的精准解析、知识图谱的自动构建、复杂关系的推理分析以及决策建议的生成,为企业知识管理带来革命性变革。

微学AI的博客 866

苹果的AI困境:能否绝地反击?

然而,内部消息透露,由于底层系统问题尚未解决,真正具备ChatGPT级别对话能力的Siri可能要到2027年的iOS 20才能实现——这意味着苹果在AI竞赛中可能会落后整整五年。点击订阅,与未来同行!去年6月,苹果发布了新版Siri,并展示了一系列AI功能,包括基于个人数据的智能问答、屏幕内容分析以及更精准的App控制。更尴尬的是,苹果试图借助OpenAI的ChatGPT来弥补自身AI技术的不足,然而整合方式并不理想。时间已经不多,库克和他的团队必须尽快找到破局之道,否则,苹果或将迎来真正的“至暗时刻”。

2301_79342058的博客 773

DeepQA: A Unified Transcriptome-Based Aging Clock Using Deep Neural Networks

摘要: 本研究针对转录组衰老时钟存在的关键局限——仅在健康样本训练导致对患病个体预测偏差的问题,提出DeepQA,一种基于专家混合架构与新型Hinge-MAE损失函数的深度学习模型。通过同时利用健康与患病个体的异质数据训练,DeepQA显著提升预测精度:在健康个体上MAE比现有方法低1.5年,且是首个能正确处理五类疾病条件的模型。其创新性体现在: 方法学突破:Hinge-MAE损失函数消除健康/患病样本的训练偏差,专家混合架构高效整合多队列数据; 流程革新:摒弃传统基因预筛选步骤,通过显著图分析直接识别衰老

qq_44050612的博客 125

专家:如果AI智能体崛起,互联网将陷入黑暗

但如果 AI智能体成为主导,用户不再打开具体的应用,而是直接让 AI智能体“帮我找最便宜的机票”或“推荐一本好书”,那么真正掌控市场的就不再是传统的搜索引擎和电商平台,而是。:AI智能体给你推荐了一种“最有效”的治疗方案,但其实它的数据来源有限,忽略了关键风险,导致患者遭受损害。:AI智能体决定你的保险费率,结果它的算法误判你是“高风险用户”,导致你被收取更高的保费。,如果它们成为互联网的主要决策者,可能带来的不仅仅是便利,还有不可控的风险。,而拥有 AI智能体的公司将成为新的经济“守门人”。

具身机器人和通用AI 916

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

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

苹果与微软的“一哥之争”,每次都标志着“科技王权”的更迭

PC时代微软称霸,智能手机时代则属于苹果,人工智能时代微软重登“王位”?

加百力 的技术博客 2161

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")

外媒评苹果AI生死赌局:冲不过就出局!

3月3日消息,亚马逊近期推出的全新Alexa+凸显了苹果在人工智能领域的短板,使苹果陷入了存亡攸关的关键时刻。部分苹果人工智能部门的员工预测,真正的对话式“LLM(大语言模型)Siri”最早也要到2027年的iOS20才能实现。作为Mac、iPhone、iPad等革命性产品的创造者,苹果公司一直秉持着“冰球理论”的制胜策略:不盲目追逐冰球当前的位置,而是精准预判其未来的走向。然而,在当前这场自互...

网易智能 218

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

苹果需要专注于让人工智能变得实用,而不是华而不实

苹果在人工智能竞赛中落后于同行,它可能需要全力以赴才能打动粉丝和股东。

网络研究观 1537

Siri 被曝「难产」!苹果高管承认:AI 功能成功率仅 60-80%,太“难看且尴尬”了

根据 Bloomberg 披露的信息,Robby Walker 在内部会议上承认表示,公司在 Siri 的 AI 升级尚未准备好之前就过早宣传了这些功能,这一决策是个错误,使得本次延期变得尤为“难看”,也让团队成员或多或少都感到些许愤怒、失望、疲惫以及尴尬。当时,许多用户抱怨 iPhone 4 的信号问题,而乔布斯并没有回避问题,而是亲自召开发。同时 Siri 团队还要兼顾苹果内部的其他 AI 项目,而这些项目的时间节点比 Siri 的 AI 升级更加紧迫,因此公司不得不调整优先级,推迟部分功能的发布。

优快云资讯 6286

【粉丝福利社】深度分析 To B企业决策的5种困境

导读:企业在做决策时,很难确保每个决策都百分之百正确。企业决策出现问题,常常导致严重的业务后果。我们把常常出现的决策问题称为决策窘境。对于企业家和管理者,乃至整个企业来说,决策窘境都是需要警惕的雷区。总体而言,我们可以大致总结出企业决策的五大窘境,本文将介绍这五大决策窘境的现象及其背后的原因,以及如何避免陷入这些窘境。

愚公智库 13万+

苹果/三星/华为纷纷布局人工智能 将AI作为公司发展新动力

来源:手机报在线摘要: 目前,以苹果、三星和华为为代表的手机厂商除了继续探索人脸识别、屏下指纹和柔性显示屏等技术外,也将目标瞄向了人工智能,纷纷将“AI拍照”、“AI芯片...

人工智能学家 967

苹果AI中文版合作商谜团:用户隐私与数据之争?

点击上方关注 “终端研发部”设为“星标”,和你一起掌握更多数据库知识01苹果 AI 中文版合作商之谜在当今科技飞速发展的时代,人工智能已经成为了各个领域的热门话题。而在智能手机领域,苹果公司一直致力于为用户提供更加智能、便捷的服务。然而,由于一些特殊原因,苹果原生 AI 及 ChatGPT 无法在中国大陆为苹果设备用户提供服务。这也使得苹果不得不努力寻找国内本土 AI 大模型合作商,以满足国内用户...

这个时代,作为程序员可能要学习小程序 218

苹果将Siri AI推出延迟归咎欧盟法律,双方陷入争执僵局

苹果公司将Siri AI推出延迟归咎于欧盟法律,这一行为引发了与欧盟委员会的争执。欧盟方面明确表示,法律中没有任何条款阻碍Siri AI的推出。苹果公司则坚称,遵守相关法律会带来不可接受的隐私和安全风险。目前,这场关于Siri AI推出延迟原因的僵局仍在持续。此次争执反映出科技企业发展与法律监管的矛盾,需双方协商平衡创新与合规。苹果与欧盟就Siri AI推出延迟起争执。苹果称遵守法律有隐私安全风险。

Happyapp的博客 14

苹果AI哪去了?前员工揭秘Siri何以走向没落:团队内耗、技术判断太谨慎

明敏 发自 凹非寺量子位 | 公众号 QbitAI苹果为何会在最新一轮ChatGPT趋势中“静悄悄”?答案更进一步浮出水面。内部团队混乱、决策缓慢、代码笨重,都成为了拖累苹果AI更快前进的原因。最直接的体现,可以来看Siri。这大概是大部分普通人认识AI助手的入口,是iPhone鼎盛时期推出的王炸功能;许多人理解ChatGPT时,也不免拿它来做参照。但在比对后就会发现,如今的Siri在智能化上,完...

量子位 297

“AI 握手”不是投降,苹果谷歌携手背后的秘密!

苹果与谷歌的合作,标志着 AI 手机从“功能叠加期”进入“原生重构期”。国产手机企业若能放下执念,以“开放的闭环”拥抱变革,或许能在下一代 AI 手机的竞争中,走出一条属于中国的创新之路,而不是在闭环高墙内,错过整个时代。

Aiadsgo的博客 460

苹果微信二选一?

随着9月10日苹果新品发布会的临近,苹果与腾讯关于微信应用内支付的谈判陷入僵局的消息逐渐发酵,引发广泛讨论。有传言称,微信可能不再支持即将推出的iPhone16,也不兼容即将发布的iOS18.2系统。这意味着,一旦iPhone设备升级,用户将无法使用微信,迫使用户在苹果和微信之间做出选择。这次谈判的导火索是微信和抖音等小程序在内购时绕过了苹果支付系统,避免了被苹果收取30%的“苹果税”。众所周知,...

liudada8265的博客 823

AI人工智能时代来临也躲不过的一件事

英特尔20亿美元收购以色列初创公司Habana Labs。 人工智能(AI)领域中,最好的点子和最被推崇的人才都集中在小型初创公司和学术界,而科技巨头公司往往会选择砸钱解决。 2019年12月,英特尔以20亿美元的价格收购了以色列初创公司Habana Labs,这也是这一年来打破纪录的最大一笔人工智能交易。 Habana专注于机器学习应用芯片,是英特尔押注快速增长的人工智能计算需求的一部分。 英...

LLand520的博客 751
上一篇: 第一批被AI剥削的难民诞生了!
下一篇: AI养大熊猫?广东“00后”大学生开发“熊脸识别”→
少喝冰美式
博客等级 码龄3年 6846粉丝 517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