shuaiqi1997-优快云博客

原创科技成果转化“那些事”：从实验室到市场的全链条图谱

在科技成果转化这场系统性变革中，最关键、最基础的力量是技术经理人。6.1 从“概念”到“职业”：技术经理人的角色定位技术经理人是我国的新兴职业，2022年被纳入《中华人民共和国职业分类大典》，主要负责对接技术供需双方，设计转化路径（即在六种法定方式中做出最优选择或组合），并整合政产学研资源，帮助科学家寻找合伙人及组建创业团队。他们被称为“科技红娘”，是连接创新链与产业链的关键桥梁。一个好的技术经理人，需要同时具备技术背景、市场洞察、法律知识和金融素养，成为“懂科技、懂市场、懂资本、懂转化”的复合型人才。

2026-06-08 10:25:41 500

原创智能体专题，小白玩转智能体

智能体（Agent）通常指的是一个能够独立执行任务、做出决策并进行学习的一种自动化程序。智能体可以根据用户输入的指令，自主调用模型、知识库、插件等技能并完成编排，最终完成用户的指令。

2026-01-28 17:04:48 144

原创智能体、副驾驶与赋能模块：大模型行业落地的“三生”格局

摘要：大模型应用正从通用化转向专业化，形成智能体、Copilot和嵌入式三大核心模式。智能体模式实现自主决策，适用于复杂长链任务；Copilot模式强调人机协同，提升专业工作效率；嵌入式模式将AI能力融入现有系统，实现普惠智能。三种模式协同共生，构成分层协作、知识循环的统一平台。企业应结合场景需求选择适配形态，采取小步快跑策略，培养人机协作能力，构建智能生态体系。这场AI应用变革正重塑商业运作模式，关键在于精准匹配业务需求与智能形态。（149字）

2026-01-28 15:59:43 654

原创 Agent Skills：2026年最值得关注的AI大模型使用方式（Agent vs MCP深度解析）

2026年，AI不再只是“会聊天”的助手。如果你还在用大模型干“问一句、复制粘贴、关掉窗口”这种事，那你可能已经落后了整整一个时代。真正改变游戏规则的，是 Agent Skills（智能体技能） —— 它正成为2026年最值得关注、最具实战价值的大模型使用方式。但与此同时，另一个概念也频繁出现在技术圈：MCP（Model Context Protocol）。很多人混淆二者，甚至误以为它们是竞争关系。其实，它们是互补的“上下层”架构。今天，我们就来彻底讲清楚：过去一年，我给上百家企业做过AI落地培训。我发现一

2026-01-22 17:31:27 2622

原创芯片设计的新战场：弥合HBM与算力核心之间的“速度鸿沟”

芯片设计面临新挑战：内存访问延迟成为瓶颈随着芯片技术发展，竞争焦点已从主频、核心数量转向内存访问效率。HBM（高带宽存储器）虽大幅提升带宽，却成为GPU性能的新瓶颈，MXU等计算单元常受限于数据供给速度。工程师采用数据预取、压缩和重组等技术来缩小"速度鸿沟"，但HBM成本占GPU总成本50%，带来巨大经济压力。未来需在性能与成本间寻求平衡，同时期待新材料技术突破。典型高端GPU集成4-8颗HBM3e颗粒，通过中介层与GPU核心连接，总带宽可达数TB/s，但颗粒间无直接通信，全部由GPU

2026-01-21 09:54:18 1040

原创从张量到向量数据库：AI如何为“意义”绘制地图并构建索引

向量，是AI为“意义”创造的数学语言；向量数据库，则是管理和查询这种语言的强大引擎。它们共同将人类模糊的、基于语义的理解需求，转化为计算机可精确、高速执行的计算任务。从让聊天机器人变得更可信，到让搜索引擎变得更聪明，这项技术正在无声地重塑我们与数字世界交互的方式。理解它们，便是握住了开启下一代智能应用之门的钥匙。

2026-01-20 14:15:03 1544

原创向量数据库与张量数据库概念解析

向量数据库是语义理解时代的检索基石，它将非结构化数据转化为可计算的距离，解决了“按意索骥”的问题，是当前构建AI应用（如RAG、推荐、搜索）不可或缺的组件。张量数据库则是高维复杂数据时代的分析引擎，它直面数据的原生多维结构，旨在解决“按图索骥”和“解构分析”的双重挑战，为未来更复杂的科学探索和工程应用铺平道路。

2026-01-20 14:10:36 649

原创什么是监督学习：机器学习的基石

一、什么是监督学习？监督学习是机器学习中最常见、最直观的学习范式之一。其核心思想是：利用带有“正确答案”（即标签）的训练数据，教会模型从输入到输出的映射关系。“监督”的含义：就像老师指导学生一样，每个训练样本都附带一个“标准答案”（标签），模型通过不断比对预测结果与真实标签来调整自身参数。

2026-01-19 10:56:50 973

原创机器学习中的分类问题与回归问题

分类问题的目标是预测离散的类别标签。也就是说，模型需要判断一个输入样本属于哪一类预定义的类别。输出类型：离散值（如“是/否”、“猫/狗/鸟”、“高/中/低风险”）。典型例子判断一封邮件是否为垃圾邮件（二分类）；识别手写数字是0到9中的哪一个（多分类）；医学影像诊断：判断肿瘤是良性还是恶性。分类与回归是监督学习的两大支柱，理解它们的区别不仅有助于正确建模，还能避免因任务误判而导致的性能低下。在实际项目中，清晰定义问题类型是成功的第一步。

2026-01-19 10:51:01 1096

原创 AI模型推理场景中GPU参数如何影响关键性能指标，如何选择合适的GPU卡

GPU在推理场景中的表现，并非由单一参数决定，而是如同一个“木桶”，其效能取决于多项参数协同作用下的最短木板。通过建立参数与性能指标的关联模型，并结合典型业务场景分析，为不同推理需求下的GPU选型提供了明确的优先级指导与决策框架。：生成第一个Token前，GPU需将整个模型的参数从显存加载至芯片上的高速缓存。等分布式推理时，更多GPU核心和更高的互联带宽（如NVLink）能有效分摊计算负载，降低延迟，提升吞吐。不同的业务场景对性能指标的侧重点截然不同，因此GPU参数的优先级也需相应调整。

2026-01-16 11:57:32 1102

原创大模型中参数与数据的关系

大模型的参数的数量是在模型设计的时候就已经确定好了，在模型训练开始时这些参数都会被赋一个没有意义的猜测值（随机值），随着训练数据的输入通过前向传播模型可以计算出一个结果，这个结果与数据数据的准确答案进行对比，找出模型给出的答案与真实答案的差距（损失），再通过反向传播调整参数的值，一直到参数被调整到输出的答案与真实答案偏差非常小了，这个参数的值也就确定了。· 参数是模型自身的“内在知识”或“可调旋钮”。是的，参数的数量和结构（“骨架”）在模型设计阶段就已确定，但参数的具体数值（“血肉”）是在训练中学习的。

2026-01-15 11:04:18 337

原创关于模型调优、算子、算子与模型的关系的准确理解

模型调优是针对基于Transformer架构设计的具体模型进行的优化，而算子（Operator）是PyTorch框架提供的底层计算单元，用于实现Transformer等模型架构。📌 详细解释. 模型调优：针对Transformer设计的模型方案调优对象：是基于Transformer架构构建的具体模型（如BERT、GPT等），不是Transformer架构本身。调优内容：调整模型的超参数、结构（如层数、注意力头数）、正则化方式等。

2026-01-14 18:29:28 900

原创深度学习模型架构（Transformer）、框架（PyTorch）与并行计算（CUDA）初学者的清晰指南

深度学习模型架构、框架和并行计算平台构成了人工智能开发的三层体系：架构是“思考什么”，框架是“如何表达”，并行计算是“如何执行”。理解这三者的区别与联系，不仅能帮助您避免概念混淆，还能让您更好地利用每一层的优势，在AI学习之旅上稳步前行。随着您经验的积累，您将能够自如地在不同抽象层级间切换：用创新架构解决新问题，通过框架高效实现想法，并利用并行计算技术将方案扩展到实际应用中。| **变化频率** | 演进较慢（年） | 更新中等（月/季度） | 更新依赖硬件（年） |

2026-01-14 17:44:40 1203

原创大预言模型其实是在玩“文字接龙”？

大语言模型是一种人工智能程序，它能根据你输入的文字，预测接下来最可能出现的词或句子。比如你输入“今天天气真”，它可能会接着写“好”或者“糟糕”。这种能力让它可以写作文、回答问题、编故事，甚至帮你写代码。大语言模型就像一个读过全世界所有书的“文字接龙大师”。它不会预言未来，也不会真正理解人类情感，但它能通过强大的模式识别能力，生成看起来很聪明的回答。作为使用者，我们要善用它的能力，同时保持自己的判断力——毕竟，真正的智慧，还是属于人类的。下次当你和AI聊天时，不妨想想：它正在努力玩一场超长的文字接龙游戏呢。

2026-01-13 17:21:25 270

原创什么是大模型，大模型与通用人工智能的区别

大模型是指参数量巨大（通常在十亿（Billion）级别以上）、通过海量数据训练、具备强大泛化能力和通用任务处理能力的深度学习神经网络模型。大模型是一种通过海量数据和超大规模参数训练出的通用AI引擎，它能理解语言、生成内容、辅助决策，并正在成为企业智能化转型的新基础设施。简单来说，大模型是实现通用人工智能的一种有潜力、但目前尚不完整的路径或工具，而通用人工智能是最终的目标和愿景。自然语言：GPT-4、Llama 3、Qwen（通义千问）、ChatGLM、Baichuan。→ 需权衡性能、成本、延迟、能耗。

2026-01-12 11:10:52 477

原创从人工智能到大语言模型：理解生成式AI的技术脉络

它们通过在海量文本上进行预训练，学习语言的结构、语义和知识，从而能够理解并生成流畅、连贯、上下文相关的文本。从人工智能的宏大愿景，到机器学习的数据驱动范式，再到深度学习的表征能力，最终催生出能够“创作”的生成式AI与大语言模型——这条技术演进路径不仅体现了算法的进步，更反映了人类对“智能”理解的深化。传统AI和机器学习主要聚焦于“判别”任务（如分类、预测），而生成式人工智能（Generative AI）则致力于“创造”——即生成全新的、逼真的内容，如文本、图像、音乐甚至视频。

2026-01-12 11:05:25 638 1