制造业AI落地指南：6大真实应用场景，助你低成本高回报，小白也能收藏学习！

冻感糕人~ 冻感糕人~ 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 232平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄3年
关注
原创 最新推荐文章于 2026-11-08 12:08:08 发布 232 阅读 AI 写同款· GEO 优化 ›
宇树科技四足机器人工业落地全解析：硬件架构、运动控制与行业适配 四足机器人正从实验室走向电力巡检、化工点检、地下管廊等真实工业场景，其核心在于可验证的硬件架构设计与闭环运动控制链路。区别于通用移动底盘，宇树科技通过运动学-动力学联合仿真、机电一体化关节模组、双核异构嵌入式系统等硬核工程实践，构建了面向严苛环境的稳定运动能力。技术价值体现在毫秒级端到端响应（如83ms步态调整）、IP67防护下的长期可靠性及行业功能固化能力（如红外测温离线推理、防爆认证）。典型应用场景覆盖智能巡检、危险环境替代作业与科研教育平台，尤其在需地形自适应、高负载稳定行走与多传感器融合的非结构化环 阅读详情

本文介绍了AI在制造业中的6个真实应用场景，包括AI质检、AI排产、AI设备预测维护、AI工艺优化、AI能源管理和AI供应链需求预测。每个场景都详细阐述了其解决的问题、投入成本、回本周期、前提条件以及ROI评级和落地难度。文章强调，成功实施AI的关键在于明确要解决的问题、打好数据基础以及合理的预期。建议企业先试点，逐步扩大规模，并优先补齐数据基础。

制造业AI落地：不忽悠的6个真实应用场景 封面

场景1：AI质检（视觉检测）

解决问题： 人工质检漏检率高（行业平均5-8%）、速度慢、培训成本高——尤其是老师傅退休后，新人质检水平断崖式下降，是大量制造企业的痛点。

真实案例： 某汽车零部件厂，200人，原来8个质检员，月漏检率约6%，每年因漏检导致的客户索赔约80万。引入AI视觉检测（工业相机+算法盒子）后，漏检率从6%降到0.5%以下，8个质检员减到3个（剩下的转岗到关键工位），每年节省索赔+人力成本约150万。

投入： 30-80万（看检测点位数量，单点位约5-8万）；回本周期： 6-12个月；前提条件： 产品缺陷特征明确（不是随机瑕疵）、有标准化拍摄环境、缺陷样本量足够（至少1000+张标注图）。

ROI评级： ⭐⭐⭐⭐⭐（最成熟、最容易落地）；落地难度： 低。SaaS化产品多，3-6个月可上线，是中小企业上AI的首选切入口。

AI 数字化应用实景

场景2：AI排产（智能排程）

解决问题： 人工排产慢、效率低，遇到插单换线就乱——尤其是多品种小批量企业，排产员的经验决定一切，但经验难以复制，新人上手要半年以上。

真实案例： 某多品种小批量机械加工厂，300人，订单SKU超过200个。原来1个排产员，每天花4小时排产，插单一来就崩。引入AI排产系统后，排产时间从4小时缩短到30分钟，设备利用率提升15%，插单响应时间从2天缩短到4小时——相当于多了半个排产员，而且永远不会请假。

投入： 50-150万（自研）/ 5-20万/年（SaaS）；回本周期： 12-18个月；前提条件： 订单数据完整（至少过去1年的实际工时）、BOM准确、设备能力数据齐备——数据不全的话，AI排出来也是错的。

ROI评级： ⭐⭐⭐⭐；落地难度： 中。需要IT团队配合数据治理，否则排出来的不准反而更糟。（不要妄图一下子就实现整个工厂的自动排程，先搞定哪些确定和稳定的产线才是正路）

技术主题：AI 应用场景

场景3：AI设备预测维护

解决问题： 设备突发故障停机损失大、过度保养浪费——很多企业"按时间保养"其实是不必要的，换个轴承也要停机检修，损失巨大。

真实案例： 某注塑厂，50台注塑机，原来每月计划外停机8-10次，每次损失2-5万。引入AI预测维护（传感器+算法）后，预测准确率约85%，计划外停机减少60%，每年节省停机损失约200万——同时过度保养减少，年省维护成本约30万。

投入： 20-50万（看设备数量）；回本周期： 6-12个月；前提条件： 关键设备有传感器接口、有历史故障数据积累（至少1年）、设备价值高（单台50万+才值得上）。

ROI评级： ⭐⭐⭐⭐；落地难度： 中。老设备改造难度大，新设备（带IoT接口）改造容易。（设备维护历史记录足够多，完全按可以训练一个自己的模型出来）

AI 供应链场景

场景4：AI工艺优化（参数寻优）

解决问题： 工艺参数靠老师傅经验，新人难复制，效果波动大——同样一道工序，老师傅能做90%良率，新人只能做70%，这种"经验断层"是制造业的隐形损耗。

真实案例： 某PCB厂，钻孔工序，原来依赖老师傅凭手感调参数，孔位不良率约3%。引入AI工艺优化（自动寻参）后，不良率从3%降到1%，老师傅调参时间从1小时缩短到10分钟，每年节省物料成本约80万——更关键的是，经验沉淀到了系统里，新人也能做出老师傅的水平。

投入： 50-200万（深度定制）；回本周期： 18-24个月；前提条件： 工艺参数可量化（温度/压力/速度等）、有DOE实验设计能力、变量不超过10个。

ROI评级： ⭐⭐⭐；落地难度： 高。需要懂工艺+懂AI的复合团队，这种人才市面上很少，企业自己培养周期长。

场景5：AI能源管理

解决问题： 电费/燃气费占比高，靠人管理优化空间小——尤其是高耗能行业（电镀/铸造/化工），能源成本往往占总成本的15-30%，每降1%都是百万级。

真实案例： 某电镀厂，年电费800万，原来靠人工巡检调设备，月均电费65万。引入AI能源管理（实时监控+自动调度）后，峰谷电利用优化，月均电费降到55万，每年节省120万——这还只是峰谷优化带来的，还没算设备空载减少的能耗。

投入： 30-100万；回本周期： 6-12个月；前提条件： 电表/气表可联网、用能设备可控（有PLC接口）、企业用电占总成本10%+。

ROI评级： ⭐⭐⭐⭐；落地难度： 低。技术成熟，效果立竿见影——尤其是峰谷电价差大的地区，效果更好。

场景6：AI供应链需求预测

解决问题： 需求预测不准，库存积压或缺料——前者吃掉现金流，后者丢掉订单，左右都是损失。

真实案例： 某家电配件厂，原来靠销售经验预测，月均库存周转4次，缺料率5%。引入AI需求预测（机器学习模型）后，预测准确率提升30%，库存周转从4次提升到6次，缺料率从5%降到1%，每年节省库存成本约200万——同时缺料减少带来的订单保住价值另算。

投入： 50-300万；回本周期： 12-24个月；前提条件： 至少2年的历史销售数据、有明确的产品SKU层级、外部因素数据（季节/促销/天气等）。

ROI评级： ⭐⭐⭐；落地难度： 高。数据治理是关键瓶颈，很多企业连SKU层级都没理清楚就上AI，结果预测出来全是错的。

6个场景的总结对比

场景ROI评级投入回本周期落地难度
AI质检⭐⭐⭐⭐⭐30-80万6-12月低
AI排产⭐⭐⭐⭐5-150万12-18月中
AI预测维护⭐⭐⭐⭐20-50万6-12月中
AI工艺优化⭐⭐⭐50-200万18-24月高
AI能源管理⭐⭐⭐⭐30-100万6-12月低
AI需求预测⭐⭐⭐50-300万12-24月高

核心结论： 最容易落地的是AI质检和AI能源管理（投入低、效果立竿见影），价值最大的是AI需求预测（节省最多，但要数据基础），慎入AI工艺优化（除非工艺成熟+团队强）——这三个判断，能帮你避开80%的坑。

写在最后，说点真话

过去几年我跑了很多家工厂，最大的感受是：AI不是万能药，但确实是好工具。真正成功的关键不在于AI本身，而在于企业有没有想清楚"用AI解决什么问题"——把问题想清楚，AI就是放大器；想不清楚，AI就是吞金兽。

很多企业上AI失败，败在3个地方：问题没想清楚（“AI能帮我干什么"vs"我最痛的问题是什么”），数据基础没打好（没有数据，AI就是算命），预期太高（以为AI上了就能"颠覆"，结果是"啥也没变"）。这三个错误里，第一个最常见，第三个最致命——预期太高的企业，往往上线3个月看不到效果就放弃了。

如果你想上AI，我建议你：先想清楚你最痛的问题是什么（不是"AI能干什么"），看这个问题在不在我列的6个场景里，评估你的数据基础够不够。这三个问题答清楚了，再考虑上AI——答不清楚就上，AI也救不了你。

3条建议，明天就能用

  1. 别问"AI能干什么"，先问"我最痛的问题是什么"

AI不是万能药，先有痛点，再找解药——顺序反了，钱就白花了。

  1. 先做试点，再扩规模

选一个ROI高的场景（如AI质检），跑通后再复制——别上来就铺6个场景，那叫"集体踩坑"。

  1. 数据基础差的话，先补数据，再上AI

没有数据，AI就是瞎子。先把数据采集做好，再考虑AI——数据是AI的燃料，没燃料的车，再豪华也跑不动。

最后

2026 年一晃已经过半，AI 大模型的热潮不仅没有降温，反而持续升温！

金融行业用大模型做风控、医疗依靠 AI 解析影像，电商、制造、教育各行各业，都在把 AI 融入日常业务。曾经热闹的 “百模大战”，早就告别单纯比拼模型参数，正式进入落地应用时代。

现在企业疯狂紧缺一类人才：懂业务、懂 AI、能做出可上线项目的大模型开发工程师，岗位缺口大，薪资待遇十分可观。

在这里插入图片描述

风口再好，不如手握高薪 offer 实在。行情火热，普通人、程序员该怎样从零入门大模型，抓住这波机会？

今天整理好【2026 最新版】AI 大模型全套免费学习资源，覆盖零基础入门、项目实战、理论知识、大厂面试，从基础一路进阶。所有资料分类归档，没有多余杂料，无套路免费分享给想要入局 AI 赛道的程序员与零基础小白！

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

1、大模型系统化完整学习路线

在这里插入图片描述

2、大模型经典书籍&文档

在这里插入图片描述

3、AI 大模型最新行业研究报告

在这里插入图片描述

4、企业级实战项目 + 完整配套源码

img

5、大厂大模型面试真题汇总

img

6、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

标签
#人工智能 #学习 #大模型学习 #就业 #ai
#大模型 #程序员
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
【2021工业图像异常检测文献】DRÆM: 基于判别性训练的重建嵌入表面异常检测方法 DRÆM – A discriminatively trained reconstruction embedding for surface anomaly detection 阅读详情

相关推荐

Linux 命令之 localectl -- 控制系统的本地化与键盘布局

文章目录命令介绍常用选项参考示例（一）显示当前的本地化设置与键盘映射（二）设置系统的本地化字符集环境变量（三）列出本地所有字符集（四）列出所有可用的控制台键盘映射（五）设置控制台的键盘映射 命令介绍 localectl 命令可用于查询与修改系统的本地化(locale)与键盘布局的设置。 它通过与 systemd-localed.service 通信来修改例如 /etc/locale.conf 与 /etc/vconsole.conf 之类的配置文件。本地化设置控制着 用户界面的语言、字符类型与字符编码、 日

liaowenxiong的博客 5397

产品经理AI工具栈实战：两周搭建嵌入式生产力流水线

在AI深度重构产品工作流的当下，'技术理解'正从长期积累的能力转变为可即时调用的工程能力。其底层逻辑在于大模型对上下文的精准推理与多工具协同的自动化闭环——当Cursor能解析API文档、NotebookLM可提炼用户洞察、Claude可生成合规PRD时，传统依赖工程师协作的技术可行性验证，已演变为产品经理自主完成的端到端交付。这种转变不仅提升了需求落地效率，更重塑了跨职能决策权重与资源优先级判断依据。本文聚焦真实产品场景，详解如何以高频痛点为锚点，构建覆盖需求撰写、技术理解、竞品分析、视觉对齐与行业监测的

weixin_34315485的博客 368

Diffix3D+复现

上下载模型，将其放在一个目录中，并将目录名填在demo代码中from_pretrained的cache_dir参数里。目录结构应该是"<PATH>/nvidia/difix/…给的requirements文件中pytorch和xformers的版本没有指定，这里测试过以下版本，可以成功运行。将readme中的demo代码新建一个python脚本复制进去，然后将脚本放在src目录中运行。如果遇到网络问题无法加载huggingface上的预训练模型，可以手动从。如果出现，以下错误重新。

NeverMakeIt的博客 1085

收藏！制造业AI应用场景深度解析：10大场景+案例+价值，小白也能看懂！

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

python12345_的博客 261

2024年Unity 面试题 |五萬字 二佰道| Unity面试题大全，面试题总结【全网最全，收藏一篇足够面试】

正所谓 金三银四 ，又到了找工作的大好时机了，不知道大家有没有意向找一份更好的工作呢~ 之前写了很多Unity的学习和实例文章，但是面试题部分还没有一个系统的整理。 那本篇文章就来整理一下Unity中一些常见的面试题，说不准就会面试的时候就会遇到！ 本篇文章会将Unity所有方面的面试资料都融会贯通，绝对是2022年Unity面试领域最实用的文章啦！

努力前行，总会成为自己心中的那道光 17万+

sec_uid

webcast_uid转sec_uid，webcast_uid转uid，webcast_uid转dy号

m0_56967679的博客 4421

收藏！DeepSeek大模型岗位薪资曝光，程序员/小白入局指南

近期，AI大模型赛道的头部企业DeepSeek彻底刷屏技术圈——不仅凭借高频次的技术迭代坐稳行业焦点，其公开的招聘薪资更是直接刷新了不少程序员、技术小白的认知上限。先上核心岗位薪资截图，直观感受下这家企业的招聘诚意：这类核心技术岗薪资诱人，存在一定技术门槛也在情理之中。但其中有一个非核心岗位格外亮眼，堪称“隐藏高薪黑马”，适合有基础但暂未深耕大模型核心技术的从业者：这个“高级QA测试工程师”岗位，要求3-5年测试经验，薪资却高达35-60K·14薪，远超行业同岗位平均水平（普遍20-40K）。

EnjoyEDU的博客 1545

倍福PLC--PERSISTENT断电保持数据和BOOT中各文件对应的解析

将D:\TC3程序\TwinCAT Project146\TwinCAT RT(x86)\Plc 文件夹的中三个替换文件复制到：G:\TwinCAT\3.1\Boot\Plc完成替换，如下图。(2) 找到程序所存的路径，编程电脑的D:\TC3程序\TwinCAT Project146路径下，并选择对应系统平台TwinCAT RT(x86)(3) 控制器断电，拔出内存卡，使用读卡器，在编程电脑中打开：（本次测试读卡器为G盘）(5) 开机完成后，TwinCAT自动运行，当前闪灯频率为50ms。

weixin_41883890的博客 2344

收藏！AI大模型应用开发入门指南：小白也能拿高薪！

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。学****AI大模型，就是冲刺高薪的最优解！零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！👇👇扫码免费领取全部内容👇👇1、大模型系统化学习路线。

EnjoyEDU的博客 549

osgEarth加载大疆数据

【代码】osgEarth加载大疆数据。

weixin_44769745的博客 308

板蓝根挥发油微胶囊化技术及其在抗菌织物整理中的应用研究

微胶囊技术是一种通过成膜材料将具有反应活性或挥发性的液体或固体包封成微小颗粒的技术。该技术因其优异的缓释保护和物态改变性能，已在医药、食品、化妆品等多个领域得到广泛应用。本研究采用复凝聚法制备板蓝根挥发油的微胶囊，利用明胶和阿拉伯胶作为壁材，旨在提升其稳定性和抗菌性能。

qq_62634009的博客 584

2026年AI岗位12倍增长！掌握大模型，未来财富手握在手中（收藏版）

文章分析了2005-2025年薪资排行数据，指出AI岗位从“加分项”变为“必选项”，2026年春招同比增长12倍，平均月薪超6万，高端人才年薪达千万。AI浪潮下，财富重新分配，顶尖人才稀缺，门槛提高，技术迭代加快，形成新的“技术种姓”。大厂、创业公司和资本在AI赛道中受益，而传统行业面临挑战。AI人才争夺战本质是生产力重新定义，掌握AI技能是抢占未来入场券的关键。文章强调在AI时代，选择比努力重要，入场比观望重要。12 倍。这是2026 年春招AI 岗位的同比增长。平均月薪超 6 万。

kaka0722ww的博客 736

详细推导波特图增益和相位曲线

最近因为项目需求，在回看波特图方面的内容。大三那会，《自动控制原理》这本书里面就讲过这些东西，但是那时候总感觉学这些没啥用，反正以后也用不到，对这种课程的重视度不是很高。 工作后发现，只要你从事的是和本专业相关的工作，大学学过的很多理论课程在后面大概率都会用到。曾经那些我们在学校以为用不上的东西，熟不知在后面用处还多着呢。所以啊，仅仅只是我们的以为而已！ 现在还在学校的同学，对待《自动控制理论》、《信号与系统》、《通信原理》这样的核心专业课，建议还是好好学习一下，认真听听课。哪怕是考试完以后就会忘掉，但当我

D_Katter的博客 3936

大模型办公协同实战指南：小白也能学会的AI革命，速收藏！

2026 年一晃已经过半，AI 大模型的热潮不仅没有降温，反而持续升温！金融行业用大模型做风控、医疗依靠 AI 解析影像，电商、制造、教育各行各业，都在把 AI 融入日常业务。曾经热闹的 “百模大战”，早就告别单纯比拼模型参数，正式进入落地应用时代。懂业务、懂 AI、能做出可上线项目的大模型开发工程师，岗位缺口大，薪资待遇十分可观。风口再好，不如手握高薪 offer 实在。行情火热，普通人、程序员该怎样从零入门大模型，抓住这波机会？

m0_48891301的博客 248

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")

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

2025年10个可落地AI技术切口：从算法原理到办公桌实操

人工智能（AI）正从概念验证迈向工程化落地，其核心在于算法稳定性、硬件可及性与业务接口标准化的三重收敛。多模态具身智能体、轻量化神经符号推理引擎等新兴技术，已突破实验室阶段，具备在消费级GPU或云服务上端到端运行的能力，并能通过API嵌入现有办公系统与生产流程。这类技术的价值不在于替代人类决策，而在于增强个体知识处理效率、优化组织级协作逻辑、提升社会基础设施韧性。本文聚焦2025年真实可部署的AI技术切口，覆盖气候预测、手术导航、个性化知识蒸馏、供应链风险推演等典型场景，强调‘最小可行验证包’与一线避坑经验

aikenqiu5098的博客 551

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

大模型赋能办公协同：小白程序员必备的AI效率革命指南（收藏版）

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

AI大模型的博客 304

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

未来十年高薪行业全解析：从AI到新能源的入局指南

在快速变化的职场环境中，高薪的本质源于稀缺性定价——当供给端培养速度追不上需求端增长时，价值自然水涨船高。AI、新能源、生物医药等赛道正经历从概念到工程化的落地，企业需要的已不仅是单一技能，而是懂技术又懂行业的复合型人才。理解供需关系、看准技术壁垒、评估成长天花板，是判断一个行业是否值得投入的关键方法。对于大学生、职场转型者或观察者而言，选择比努力更重要，而技能迁移与项目试水则是平稳切入新领域的高效路径。从数据要素到高端制造，从金融科技到心理健康服务，未来的高薪机会藏在技术迭代与产业升级的交汇处。本文以行业

weixin_34023982的博客 292

收藏必看｜2026 新版国内十大高薪职业盘点！程序员转行大模型首选赛道

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

python12345_的博客 926

AI训练遭遇数据枯竭：识别信号、量化衰减与韧性应对

语言模型依赖高质量文本语料进行预训练和微调，其性能上限直接受制于数据的规模、质量与多样性。当公开语料库出现重复率飙升、困惑度反弹、词汇熵值下降等现象，即标志着数据进入实质性衰减周期——这并非理论预警，而是已在新闻、法律、医疗等垂直领域引发模型退化的真实瓶颈。核心挑战在于‘数据枯竭’与‘语料库衰减’双重叠加：一方面真实世界新增内容中AI生成占比激增，噪声比例突破30%；另一方面传统爬取方式难以捕获高价值长尾知识。解决路径正从‘拼命扩量’转向‘精细管理’，涵盖数据生命周期评估、动态水位监控、合成数据审慎缝合等工

chongyuwan4121的博客 608

欧洲为何没有OpenAI？从生态差异到本地开源模型实践

大模型时代，技术生态与商业路径的差异塑造了不同区域的AI格局。OpenAI的崛起不仅是模型能力的胜利，更是模型、产品、资本与开发者生态共振的结果。而欧洲在风险投资、监管框架与市场碎片化等因素影响下，选择了另一条道路：开源权重模型与本地化部署。这种模式契合GDPR与AI Act对数据主权和合规的要求，让金融、医疗、制造等敏感行业能够在数据不出域的前提下，借助Mistral等开源模型构建可控、低成本的AI应用。通过Ollama等工具，开发者甚至可以在本地服务器上快速搭建问答系统，摆脱对云端API的依赖。从生态差

weixin_34121304的博客 337

通信电子五大领域全解析：互联网、国企、芯片、通信、车企技术栈与职业发展对比

在技术驱动的时代，理解不同行业的技术栈与职业发展路径是进行职业规划的关键。从基础概念来看，技术栈决定了工程师的日常工作内容与技能积累方向，其差异直接影响了工作节奏、薪资结构和长期发展。在通信电子这一庞大生态中，互联网、国企、芯片、通信和车企五大领域构成了从底层硬件到上层应用的全产业链。互联网领域以软件工程和快速迭代为核心，强调工程能力与业务结合；芯片行业则聚焦底层硬件设计，技术门槛高且追求极致严谨；通信领域深度融合协议与网络，是软硬结合的典型；车企正经历智能化转型，成为跨领域集成的焦点；而国企则承担着基础设

weixin_34295316的博客 391

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 397

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 223

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+

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

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
上一篇： 2026年必学12项AI技能：小白也能轻松掌握，学会直接收藏！
下一篇： 2026 AI Agent 技术栈全景解析：原理、架构与调用流程
点赞 0
评论 0
书签 书签 5
冻感糕人~
冻感糕人~
博客等级 码龄3年 8926粉丝 2384原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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