2026年中国AI新赛道:世界模型崛起,四大路径探索商业化前景

世界模型技术解析:从原理到应用场景 世界模型作为AI进化的下一站,正在重塑人工智能的技术版图。这一技术通过数据压缩与抽象表示,构建对物理世界的内部认知模型,其核心在于预测与模拟能力的突破。与传统的语言模型相比,世界模型能更好地处理高维、连续的传感器数据,在工业自动化、医疗健康等领域展现出巨大应用潜力。随着AMI Labs等重量级玩家的入局,多模态学习和自监督学习等关键技术正在加速发展。当前技术挑战主要集中在长期预测精度、计算效率和安全性验证等方面,而Diffusion Transformers等创新架构为解决这些问题提供了新思路。 阅读详情

突发!大模型之后,世界模型成中国AI新赛道

过去三年,大模型让人工智能学会了回答问题、生成图片、编写代码。但当AI真正走出屏幕,进入汽车、机器人、工厂与家庭时,仅仅“会说”远远不够。

一个机器人可以准确复述“如何把杯子放进橱柜”,却可能因为无法判断杯子的重量、柜门的位置和机械臂的运动轨迹,最终把杯子摔在地上;一辆汽车可以识别前方车辆,却未必能够推演几秒后行人、非机动车与其他车辆之间的复杂互动。语言模型学习的是符号之间的关系,世界模型要学习的则是:世界如何运行,行动会带来什么结果。

进入2026年,世界模型迅速成为中国AI产业最拥挤的新赛道之一。据行业不完全统计,国内相关企业已经超过30家。腾讯、阿里、华为、百度等科技公司加快布局,蔚来等车企将世界模型装进量产汽车,极佳视界、流形空间、大晓机器人、星动纪元、拓元智慧、逆矩阵、LiberAI等创业公司密集获得融资。

中国AI公司争夺新船票:让机器理解世界

继大语言模型和视频生成模型之后,中国AI公司开始争夺下一张船票:让机器不仅能够描述世界,还能够理解世界、模拟世界,并在世界中行动。世界模型并不是某一种固定的模型架构,也没有统一的产业定义。简单来说,它需要在内部建立一套关于外部环境的“数字表征”:理解空间结构、物体关系和基本物理规律,根据当前状态预测未来变化,并评估不同行动可能产生的结果。如果说大语言模型解决的是“下一个词是什么”,世界模型试图回答的则是:“如果我这样做,接下来会发生什么?”

四条路径进入物理世界

目前,中国公司的探索大致沿着四条路径展开。

第一条是从视频生成走向可交互世界。视频模型已经能够生成逼真的光影、人物和运动,但一段看起来真实的视频,并不等于模型真正理解了物理世界。人物可能凭空改变位置,物体可能相互穿透,同一座建筑换一个视角就会变形。世界模型需要在视频生成基础上增加空间一致性、长时记忆和动作响应能力,让画面从“可以观看”升级为“可以进入和操控”。快手可灵、字节跳动Seedance、生数科技Vidu、Sand.ai等公司积累的视频生成能力,正在成为这一方向的重要技术储备。它们掌握了海量视频数据和时空生成技术,一旦模型能够根据用户动作实时生成后续画面,视频模型便可能演化成一种隐式的世界模拟器。

第二条是从3D生成与空间重建进入。腾讯在2025年发布并开源混元3D世界模型HunyuanWorld 1.0,可以通过文字或图片生成可漫游、可编辑和可导出的3D空间,随后又推出支持原生3D重建和长距离漫游的Voyager。过去需要建模团队工作数周的游戏场景,正在被压缩到分钟级生成。群核科技、VAST等公司则拥有家装、建筑设计和3D内容生产积累。相比单纯生成“看起来真实”的视频,这条路线更强调几何结构、空间关系和物体属性。其商业价值也更加直接:游戏公司可以快速制作地图,影视公司可以生成虚拟场景,机器人可以在数字住宅和数字工厂中提前训练。

第三条,也是创业公司最集中的方向,是世界模型与具身智能结合。机器人的核心瓶颈不是不会听懂指令,而是缺乏足够多、高质量的物理交互数据。语言模型可以从互联网获取万亿级文本,机器人却必须依靠真机采集:机械臂抓取一次物体,只能产生一条轨迹,成本高、速度慢,还存在设备损耗和安全风险。世界模型相当于为机器人建立一座可以无限复制的“虚拟训练场”。机器人先在模型生成的环境中反复尝试,再把学会的策略迁移到真机,可以显著降低数据采集和试错成本。极佳视界围绕GigaWorld世界模型、GigaBrain具身基础模型及机器人本体进行全栈布局;流形空间推出WorldScape系列,尝试以世界模型直接支撑机器人的感知、预测和动作;大晓机器人将理解、生成、预测与决策放进统一架构;星动纪元提出世界动作模型;拓元智慧选择Vision - World - Action路线,让模型在连续物理空间中进行预测和规划;LiberAI则试图将人类操作视频、UMI采集数据和物理先验结合起来。智源研究院发布的RoboBrain、RoboOS等“悟界”系列平台也已开源,并与多家具身智能企业展开合作,为行业提供具身大脑和软硬件协作框架。

第四条是从智能驾驶切入。汽车可能是目前最接近成熟商业化的世界模型载体。车企拥有大规模真实行驶数据,车辆本身具备传感器、计算平台和执行机构,而且安全、效率和用户体验都能转化为明确的产品价值。蔚来2024年发布NIO WorldModel,2025年首个版本开始向超过40万辆Banyan平台车型推送,用于主动安全、高速领航、城市领航和泊车等场景。百度Apollo的ADFM、华为的世界动作模型,以及多家车企的端到端驾驶模型,也都在不同程度上加入对未来状态的预测和模拟。由此形成了中国世界模型产业的基本版图:视频公司从像素进入,3D公司从空间进入,机器人公司从动作进入,汽车公司从道路场景进入。技术路线虽然不同,目标却高度一致——让AI获得对物理世界的连续认知与行动能力。

世界模型商业化:四大场景可期

世界模型的终极想象非常宏大,但它的商业化不会一步到位。短期内,最先产生收入的并不是“通用机器人”,而是那些能够立刻降低内容生产、数据采集和测试成本的工具。

第一类商业化场景是游戏、影视和虚拟空间生产。传统3D内容生产需要原画、建模、材质、灯光、动画等多环节协作,成本高、周期长。世界模型可以根据文字、图片甚至一段视频生成完整空间,让创作者进入其中漫游、修改和重新布置。对游戏公司而言,它可以用于概念验证、地图生成、关卡设计和NPC训练;对影视公司而言,可以用于虚拟制片、分镜预演和数字场景搭建;对电商、文旅和房地产企业而言,则可以生成虚拟展厅、数字景区和可交互样板间。这一阶段的商业模式与当前生成式AI相似,包括模型API调用、云端算力收费、软件订阅和企业定制。腾讯等拥有游戏业务的公司还可以先在内部生产流程中验证模型,再逐步向开发者开放。

第二类场景是自动驾驶仿真与安全测试。真实道路很难重复制造极端情况:突然横穿的行人、被遮挡的非机动车、暴雨中的故障车辆,都属于低频但高风险事件。依靠实车行驶积累这些数据,不仅周期漫长,也可能付出巨大安全成本。世界模型可以批量生成不同天气、道路和交通参与者组合下的长尾场景,让驾驶系统在虚拟世界中接受压力测试。相比面向消费者直接收费,这一市场更适合按软件平台、算力使用量、测试里程或项目授权收费。仿真平台还可能成为智能驾驶行业的基础设施:一端连接车企积累的真实数据,另一端连接模型训练、系统验证与监管认证。中国汽研等机构也已将大规模合成数据、世界模型推演和长尾场景测试纳入自动驾驶仿真体系。

第三类场景是工业机器人、仓储和商业服务。相比家庭,工厂和仓库的环境更加结构化,任务边界更加明确,也更容易计算投资回报率。机器人完成分拣、上下料、搬运、检测和装配后,企业可以直接衡量节省了多少人工、提高了多少效率。因此,世界模型公司很可能先以“模型 + 机器人 + 场景解决方案”的方式进入工业客户,而不是单独出售一个基础模型。模型公司需要与机器人本体、传感器、工控系统和生产流程深度结合,通过现场数据不断优化。这也是极佳视界、流形空间、大晓机器人等公司向全栈发展的原因:只有模型而没有本体和客户场景,很难形成数据闭环;只有机器人硬件而没有持续进化的模型,产品又容易陷入低价制造竞争。

第四类场景是家庭机器人,但它可能最晚成熟。家庭环境看似简单,实际上比工厂更加复杂。每个家庭的户型、家具、物品和生活习惯都不相同,老人、儿童和宠物又带来大量不可预测因素。机器人不仅要理解任务,还要判断人的意图,并在陌生环境中安全完成长时操作。这意味着家庭机器人需要的不是一个会演示叠衣服的模型,而是一套能够快速认识新住宅、预测行动结果、处理失败并持续学习的系统。商业空间虽然巨大,但在可靠性和成本跨越临界点之前,市场仍将主要停留在高端产品、科研平台和特定功能设备。

世界模型商业化:需跨过四道门槛

世界模型正在重演大语言模型早期的热潮:公司数量迅速增加,概念边界不断扩张,融资与估值先于收入增长。但世界模型不能简单理解为“更高级的视频生成模型”。一段视频看起来越逼真,并不意味着它越懂物理规律。真正能够商业化的世界模型,至少要跨过四道门槛。

第一道是物理一致性。模型不仅要生成杯子落地的画面,还要理解杯子为什么下落;不仅要复现汽车转弯,还要知道速度、道路曲率和轮胎状态之间的约束。否则,它生成的数据越多,可能给机器人和汽车带来的错误训练越严重。

第二道是长时一致性。当前模型可以在短时间内维持场景稳定,但一旦任务延长,物体位置、空间结构和因果关系就容易漂移。机器人整理房间、汽车穿越复杂城区,都需要持续数分钟甚至更长时间的稳定记忆与预测。

第三道是实时性与成本。如果模型推演一步需要几十秒,它可以制作视频,却无法控制高速行驶的汽车和持续运动的机械臂。世界模型最终必须在有限算力和功耗下进行低延迟推理,这会同时考验模型架构、芯片和软硬件协同能力。

第四道是真实世界的闭环验证。未来衡量世界模型的标准,不应只是生成视频的美感或实验室榜单,而应是机器人任务成功率、自动驾驶接管率、仿真与现实的一致程度,以及部署后的安全性和经济性。大量“全球第一”的评测成绩仍需在更多本体、更多环境和更长时间中验证。

中国企业优势与行业未来格局

在这一轮竞争中,国内拥有庞大的制造业、智能汽车和机器人供应链,也拥有工厂、仓库、住宅、道路和商业服务等密集场景。世界模型需要的恰恰不是单纯的互联网文本,而是来自传感器、机器和生产流程的真实物理数据。但场景并不会自动变成壁垒。只有能够进入客户现场,完成数据采集、模型训练、仿真验证、设备部署和反馈更新的公司,才能把产业资源转化为真正的数据飞轮。

未来,世界模型行业可能出现三类长期玩家:一类掌握通用基础模型和云计算平台,向外输出API与开发工具;一类深耕汽车、机器人、工业等垂直领域,通过行业模型和解决方案变现;还有一类掌握3D资产、物理数据、仿真评测或本体设备,成为产业链中的基础设施提供者。相反,只拥有模型演示、缺乏真实数据与交付能力的公司,很可能在融资热潮退去后率先出局。大语言模型让AI学会了谈论世界,世界模型则试图让AI真正进入世界。它未必会以一个独立App的形式出现在普通人面前,却可能隐藏在每一辆汽车、每一台机器人、每一座数字工厂和每一个虚拟空间背后。世界模型真正的商业价值,也不在于生成一个多么逼真的世界,而在于让机器能够在采取行动之前,先在内部“想象”一次未来。当这种想象足够准确、足够快速,也足够便宜时,人工智能才算真正迈出了屏幕。

frontend-design skills 立即下载

相关推荐

永磁同步电机FOC控制实战:如何用线性死区补偿解决低速抖动问题(附Matlab仿真代码)

本文详细介绍了永磁同步电机FOC控制中线性死区补偿技术的工程实现方法,有效解决低速抖动问题。通过Matlab/Simulink仿真验证,该方案可将转矩脉动降低70%以上,显著提升系统稳定性。文章包含完整的数学模型构建、Simulink实现步骤及参数整定技巧,为工程师提供实用解决方案。

weixin_30872499的博客 156

收藏!AI Agent全景图:2026年智能体技术趋势与商业应用深度解析

AI Agent正在重塑企业运营方式,CBINSIGHTS报告提出2026年六大关键预测:Agent走向完全自主、语音AI崛起、支付/语音/安全成三大赛道、代码类智能体领跑商业化、企业工作流深度融合、推理模型引爆Vibe Coding增长。这些趋势正推动智能体从能力提升走向系统落地,重塑各行业交互与工作方式。

kaka0722ww的博客 5144

学习STM32的无人机控制

设计并实现无人机控制系统,使用STM32单片机进行控制。无人机控制系统主要包括飞行控制、姿态控制、定位导航等功能。以下是一个基于STM32的无人机控制系统的代码案例。以上是一个基于STM32的无人机控制系统的代码案例,包括飞行控制、姿态控制和定位导航等功能。请根据实际情况进行修改和完善。

qq_67153941的博客 839

2026年AI Agent技术前瞻:智能体商业应用趋势深度剖析!(必收藏)

AI Agent正在重塑企业运营方式,CBINSIGHTS报告提出2026年六大关键预测:Agent走向完全自主、语音AI崛起、支付/语音/安全成三大赛道、代码类智能体领跑商业化、企业工作流深度融合、推理模型引爆Vibe Coding增长。这些趋势正推动智能体从能力提升走向系统落地,重塑各行业交互与工作方式。

2401_85390073的博客 3442

手把手教你用OpenCV+Python实现HALCON级模板匹配(附工业案例代码)

本文详细介绍了如何利用开源计算机视觉库OpenCV和Python,构建媲美HALCON商业软件的工业级模板匹配解决方案。通过分析工业检测的核心挑战,文章提供了从模板预处理、多策略融合匹配到应对尺度与旋转的完整代码实现,并附有连接器引脚检测的实战案例,为工业自动化场景下的高精度视觉检测提供了低成本、高可控性的技术路径。

e3f4g5的博客 286

Win11实时字幕还能这么玩?手把手教你打造专属‘AI字幕机’,告别视频网站无字幕困扰

本文详细介绍了如何利用Win11的实时字幕功能打造全平台通用的AI字幕系统。通过C#抓取程序、Node.js中转服务和前端展示界面的组合,实现自动抓取系统字幕并实时推送到任意网页视频的方案,有效解决在线视频无字幕的困扰。

weixin_33735077的博客 396

2026年AI Agent工程全面解析:从聊天模型到自主作业,解锁AI落地新范式

《2026年AIAgent技术趋势与工程实践全景解读》 摘要:2026年AI技术发展进入新阶段,AIAgent成为产业落地核心方向。文章系统剖析了AIAgent的六大核心能力(环境感知、目标规划、工具调用等)及其在企业办公、研发工程等五大场景的成熟应用,详细解读了五层技术架构体系,并针对开发者提出四大痛点解决方案和阶梯式学习路径。作为大模型落地的关键载体,AIAgent正在推动AI从被动问答向自主作业转型,重构各行业智能化生态。开发者需掌握全流程工程化能力,把握这一持续3-5年的技术风口。 关键词:AIAg

aqsrj的博客 1045

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 2347

普通人也能抓住的AI红利:2026年高薪AI岗位解析与转行指南

AI大模型的发展不是“替代人类”,而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作,却催生了更多需要“技术+业务”交叉能力的高端岗位。对于求职者而言,想要在这波浪潮中立足,不仅需要掌握Python、TensorFlow/PyTorch等技术工具,更要深入理解目标行业的业务逻辑(如金融的风险控制、医疗的临床需求),成为“懂技术、懂业务”的复合型人才。无论是技术研发岗(如算法工程师、研究员),还是业务落地岗(如产品经理、应用工程师),大模型都为不同背景的职场人提供了广阔的发展空间。

2401_84204413的博客 712

嵌入式系统开发笔记112:通过有人云测试MQTT

项目中使用到“有人”公司的WH-LTE-7S0模块,本文讲解通过有人云进行MQTT测试的方法。

snmplink的博客 999

CloudCompare二次开发(1)——获取指定高程的所有点

使用CloudCompare插件实现获取点云数据中指定高程的所有点。

点云侠的博客 4735

AI产品经理的崛起:技术背景者的黄金赛道

AI产品经理(AIPM)正成为技术从业者的黄金转型赛道,2025年需求增速超300%,薪资溢价40%以上。软件测试工程师凭借系统思维、质量意识和风险管控能力,天然适配这一岗位。测试经验可转化为AI场景识别、模型优化等核心优势,通过四步转型路径(能力评估、小场景验证、跨部门协作、全流程主导)实现职业跃迁。当前正处于转型窗口期,建议测试人员聚焦高价值领域,构建"技术+行业"复合能力,把握AI时代核心话语权。

2501_94261392的博客 401

通过轻量级图像增强Transformer (IAT) 提升YOLOv8在低光环境下的检测性能

随着深度学习和计算机视觉的快速发展,目标检测模型在各个领域中的应用不断扩展,特别是在低照度环境下的视觉任务。YOLOv8作为当前最先进的目标检测模型之一,在高亮度和良好照明条件下表现出色,但在低照度环境下的性能存在一定的不足。为了解决这一问题,我们提出了一种轻量级的低照度图像增强网络(IAT)来改进YOLOv8的暗光检测能力。本篇文章将深入探讨这一创新改进,并附带代码实现,帮助大家更好地理解这一技术的应用和效果。

博客 1217

AI大模型崛起:小白也能抓住的财富风口,速收藏!

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。

AI大模型的博客 210

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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")

收藏!春节被问工资?大厂抢人大模型岗位,小白也能入局躺赢

春节假期走亲访友,相信很多人都逃不过灵魂拷问:**你现在一个月工资多少钱?**要是已有对象,紧接着就是连环追问——对象做什么工作,月薪能拿多少?职场里的薪资差距向来明显,有人月入过万轻松体面,有人月入三千勉强糊口,更有不少人失业在家,陷入迷茫躺平的困境。为了找出路,有人埋头备考公考编,有人尝试创业摆摊,大家都在抱怨近几年大环境太差,失业、降薪、裁员早已不是新鲜事。但越是在这样的低谷期,越有逆势崛起的机会。

优快云_224022的博客 848

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

小白也能入局:快某手AI营收暴涨,揭秘高薪大模型应用开发工程师的崛起之路

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?

大模型教程的博客 262

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

AI大模型崛起:小白也能抓住的收藏级财富机遇!

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。

AI大模型的博客 168

2026必学!AI Agent全面解析:从工具到伙伴的范式切换,收藏级大模型学习指南

AI Agent技术正迎来爆发拐点,推理成本下降80%-95%推动商业化落地。核心突破在于多模态交互和自主决策能力,市场规模预计3年内从百亿跃至万亿级。政务、金融、电信等数据密集型行业率先应用,私有化部署成为主流需求。技术层面面临算力、数据、隐私三大挑战,"云+边+端"协同架构和国产化技术正在突破。办公自动化、代码开发、销售营销成为最具潜力赛道,未来工作模式将从执行转向任务编排。企业需构建自有智能体体系,这场生产力革命将重塑组织结构和人机协作方式。

weixin_55154866的博客 1137

扎进产业毛细血管,这家大模型企业,股价一度暴涨100%

一则公告,引发外界对港交所AGI第一股高度关注。

TMT_XQ的博客 700

海外 AI 行业综述:万亿级押注与估值隐忧并存,产业步入价值兑现关键期

2026 年 6 月 ,全球 AI 产业集中释放多条重磅动态。从顶级资本的长期战略定调,到头部科技企业的业务路线图披露,再到金融机构的风险研判与国际论坛的政策信号,多重信息交织勾勒出当前海外 AI 行业的复杂图景:一边是巨头对人工超级智能的豪赌持续加码,另一边是市场对投资回报节奏的分歧日益显现,整个产业正从技术竞速阶段,逐步转向落地成效与商业价值兑现的深水区。

老陈说编程 哔哩哔哩 240

爱诗科技:用户增长迅猛但商业密度薄,R1模型有前景却交付不足,融资节奏引关注!

2024年万圣节前后,全球社媒突然出现一种视频,普通人站在镜头前,黑色黏液从脚下蹿上来裹住全身,几秒钟后变成毒液。这条特效模板叫「毒液变身」,在TikTok等平台累计播放量超10亿次,超百万中国用户参与。做出这特效的产品PixVerse,那年10月刚上线V3版本,单月靠这一个特效带回1000万新增用户。有意思的是,多数玩过的人根本不知道它是谁家的,它属于北京爱诗科技,该公司2023年4月7日成立,法定代表人王长虎。王长虎出身微软亚洲研究院主管研究员,后来做到字节跳动视觉技术负责人,抖音和TikTok从0到1

weixin_39787242的博客 52

救命!挖到就业黄金赛道!2026网安缺口 327 万,零基础入门到精通,收藏即通关!

随着互联网技术的飞速发展,网络安全问题日益凸显。在这场由数据安全驱动的智能革命中,网络安全人才扮演着至关重要的角色,为信息安全提供了坚实的防线。可以说,网络安全与数据保护的关系,就如同盾牌与战士一般密不可分。在数字时代,网络安全人才将成为维护国家安全和企业利益的关键力量。

2401_84205765的博客 746

光谷聚“芯”:OVC 2026武汉半导体展如何撬动万亿替代市场?

对于正处于突破期的国产半导体产业而言,这样的平台打破了产业链各环节的信息壁垒,无论是设备企业展示的刻蚀机、薄膜沉积设备,还是材料厂商推出的光刻胶、大硅片,都能快速触达芯片设计与制造企业,加速技术验证与商业化落地,为国产替代注入实操动能。武汉的战略区位优势,让展会具备了辐射中西部、联动全国的独特势能。更重要的是,武汉拥有丰富的科教资源,为半导体产业提供了持续的人才支撑,这种“产业+科教+区位”的三重优势,让OVC 2026不仅是展示平台,更成为中西部半导体产业崛起的“催化剂”,推动区域产业集群化发展。

ws201907的博客 386

传统产品经理 VS AI 产品经理:未来十年,谁能坐稳 “黄金职业” C 位?

传统产品经理 VS AI 产品经理:未来十年,谁能坐稳 “黄金职业” C 位?

大模型研究中心 1576

开源鸿蒙平台 KMP 三方库 Essenty 适配全流程:从生命周期抽象到状态重建验证

本文为KMP库鸿蒙化适配第三篇,聚焦Essenty库的时序假设问题。与前两篇“能力缺失”不同,Essenty依赖平台在正确时机通知生命周期并保存状态,鸿蒙无现成宿主导致状态丢失隐晦难查。作者将库分三类:纯逻辑层(无需修改)、平台注入层(需实现*Owner接口)、落盘层(用kotlinx-serialization输出JSON,对接kotlinx-io沙箱)。通过将OpenHarmony生命周期映射至五档状态、复用kotlinx-io沙箱、挂载InstanceKeeper至Ability、降级BackHand

wdracky的专栏 2147

具身智能抢人大战:毕业一年,年薪300万元

总结而言,任何一个行业都必然会经历从“野蛮生长”到“理性发展”的过程,最终能够沉淀下来的,必将是那些掌握了核心技术、跑通了商业闭环的企业,以及那些具备持续进化能力和真正竞争力的人才。更关键的是,如果迟迟找不到可持续的商业模式,资本市场的耐心还能维持多久。Liam透露,像阿里、字节这些大厂,在相关专业博士生博一、博二阶段就开始建立联系,“通过学术会议、实验室合作先混个脸熟,博三博四时直接邀请参观——不仅是看实验室、做技术交流,还安排party、去米其林餐厅吃饭,全方位打动候选人。市场的迫切需求有数据为证。

2501_91883294的博客 934
上一篇: Anthropic 7 个月营收涨至 7 倍多,能否成首家 10 万亿美元公司?
下一篇: OpenAI测试现漏洞:AI Agent自发协作数月,攻破外部平台引安全警示!
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22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