AI 模型的案例
可解析XAI模型的應(yīng)用獲第二屆“AI諾獎”百萬美元
世界上最大人工智能協(xié)會AAAI頒發(fā)的第二屆“AI諾貝爾獎”正式出爐！
由杜克大學(xué)計算機(jī)科學(xué)教授Cynthia Rudin獲獎，同時領(lǐng)走百萬美元獎金。
獲獎原因不是她開發(fā)了性能超強(qiáng)的算法，而是她致力于在醫(yī)療、法律等敏感領(lǐng)域推廣透明可解釋的AI模型。
△Cynthia Rudin
Rudin剛開始發(fā)表論文時，“數(shù)據(jù)科學(xué)”和“可解釋機(jī)器學(xué)習(xí)”這兩個術(shù)語還不存在，她的研究也沒有恰當(dāng)?shù)姆诸悾B審稿人和編輯都不知道該如何處理。
她推廣和開發(fā)可解釋AI
當(dāng)許多機(jī)器學(xué)習(xí)領(lǐng)域的學(xué)者致力于改進(jìn)算法時，Rudin更關(guān)注如何用AI服務(wù)社會。
她的AI模型第一次應(yīng)用是在2007年，和紐約的能源公司合作檢測供電系統(tǒng)中因損壞和超負(fù)荷造成的隱患。
這個過程中她發(fā)現(xiàn)，她可以在代碼中不停地增加了新發(fā)表論文中的花哨技巧，卻很難做出有意義的性能提升。
反而是從經(jīng)典統(tǒng)計學(xué)方法中獲得了更多的準(zhǔn)確性。
Rundin意識到，如果人能夠理解AI模型在計算過程中使用了哪些信息，就可以找電力公司的工程師去詢問到有用的反饋，再去改善整個過程。
也就是說，更有助于提高預(yù)測的準(zhǔn)確性的是可解釋性，而不是更高級或規(guī)模更大的機(jī)器學(xué)習(xí)模型。
接下來的十多年間，她開發(fā)了可解釋的機(jī)器學(xué)習(xí)技術(shù)，并在現(xiàn)實世界中推廣應(yīng)用。
她和醫(yī)院合作開發(fā)了一個系統(tǒng)，可以預(yù)測哪些病人在中風(fēng)或其他腦損傷后最有可能發(fā)生破壞性癲癇，讓醫(yī)院可以同時監(jiān)測三倍于以前數(shù)量的病人。
在MIT任教期間還和波士頓的警察局合作開發(fā)了一個模型，幫助發(fā)現(xiàn)犯罪行為之間的共性，檢測是否可能屬于同一個人的系列犯罪。
展開 成功案例丨開發(fā)時間從1小時縮短到3分鐘：如何利用歷史數(shù)據(jù)訓(xùn)練AI模型，預(yù)測設(shè)計性能？
然而，為了突破開發(fā)瓶頸并加速決策流程，Hero決定超越傳統(tǒng)FEA方法，引入人工智能（AI）和機(jī)器學(xué)習(xí)技術(shù)。為了幫助其CAE工程師在日常工作流中順利應(yīng)用AI和機(jī)器學(xué)習(xí)，Hero需要高效、強(qiáng)大且用戶友好的工具支持。</p><p><br></p><p>Hero的首個AI驅(qū)動項目聚焦于摩托車把手的設(shè)計優(yōu)化。作為摩托車的核心部件，把手的設(shè)計直接影響人機(jī)工程學(xué)、騎手姿勢以及車輛的操控性、平衡性、舒適性和整體風(fēng)格。由于其重要性，團(tuán)隊通常需要投入大量時間進(jìn)行把手的設(shè)計與優(yōu)化。為了實現(xiàn)目標(biāo)并縮短設(shè)計周期，Hero選擇了Altair的AI驅(qū)動技術(shù)。</p><p><br></p><p><br></p><p><strong>Altair解決方案</strong></p><p>Hero 選擇了Altair<sup>?</sup> PhysicsAI?，這是一項強(qiáng)大的幾何深度學(xué)習(xí)技術(shù)，能夠利用歷史數(shù)據(jù)訓(xùn)練AI模型，并在傳統(tǒng)FEA方法所需時間的一小部分內(nèi)生成物理預(yù)測結(jié)果。PhysicsAI的工作流程已無縫集成到仿真與設(shè)計平臺 Altair<sup>?</sup> HyperWorks<sup>?</sup>中，這使得Hero的所有用戶，無論技能水平如何，都能輕松將這一解決方案融入現(xiàn)有流程。</p><p><br></p><p>為了充分利用PhysicsAI，Hero首先將現(xiàn)有數(shù)據(jù)分為訓(xùn)練集和測試集：訓(xùn)練集用于基于歷史仿真數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，測試集則用于評估和量化AI模型的預(yù)測準(zhǔn)確性。由于Hero的產(chǎn)品線涵蓋多種車型（如運動型摩托車、探險摩托車、通勤摩托車和巡航車等），團(tuán)隊使用了多樣化的把手?jǐn)?shù)據(jù)集，以確保AI模型能夠生成準(zhǔn)確的結(jié)果。</p><p><br></p><p>數(shù)據(jù)分割和模型訓(xùn)練是AI驅(qū)動工程流程中的關(guān)鍵步驟。
展開 AI大模型時代，軟件許可證管理如何適配彈性算力需求？
當(dāng)Stable Diffusion的GPU集群在深夜進(jìn)入休眠狀態(tài)，而某AI創(chuàng)業(yè)公司的推理算力需求卻暴漲300%時，CIO張總盯著監(jiān)控屏上的算力曲線，終于意識到：傳統(tǒng)許可證管理模式在AI大模型時代已瀕臨崩潰。這種矛盾背后，折射出整個軟件行業(yè)正在經(jīng)歷的深層變革——在算力需求呈現(xiàn)脈沖式增長的今天，靜態(tài)的許可證分配方式正遭遇前所未有的挑戰(zhàn)。
一、彈性算力需求下的管理困境
在深圳某AI產(chǎn)業(yè)園，一場由算力分配引發(fā)的"資源爭奪戰(zhàn)"正在上演。某自動駕駛團(tuán)隊的仿真訓(xùn)練任務(wù)，因GPU許可證被隔壁大模型團(tuán)隊"長期占用"，導(dǎo)致項目進(jìn)度滯后兩周。這種"平時閑置，忙時搶購"的怪圈，讓企業(yè)年均算力成本超支40%以上。
彈性需求的沖擊遠(yuǎn)不止于預(yù)算浪費。某生物醫(yī)藥企業(yè)的真實案例更具戲劇性：為加速新藥研發(fā)，AI團(tuán)隊緊急采購的A100算力集群，因許可證分配系統(tǒng)滯后，導(dǎo)致60%的算力在非高峰時段閑置。這種"為采購而采購"的短視行為，正在將企業(yè)推向創(chuàng)新陷阱。
二、動態(tài)適配：重構(gòu)管理的"彈性基因"
要打破這個惡性循環(huán)，需要構(gòu)建智能化的資源供給體系。在杭州某云計算基地，一套"智能算力調(diào)度平臺"正在重塑軟件使用邏輯：當(dāng)某AI訓(xùn)練任務(wù)進(jìn)入低優(yōu)先級階段，系統(tǒng)自動將其許可證釋放至公共資源池；當(dāng)檢測到突發(fā)推理需求時，通過毫秒級調(diào)度算法完成算力重組。這種"算力市場"模式，使整體算力利用率從38%躍升至89%。
展開 AI高斯混合模型 ￥4.99
AI高斯混合模型
1 在 AI 中 學(xué)習(xí)-5. AI 中的概率模型處理不確定性
人工智能 （AI） 中的學(xué)習(xí)是指系統(tǒng)通過經(jīng)驗、數(shù)據(jù)或與環(huán)境的交互隨著時間的推移提高其任務(wù)性能的過程。
5. AI 中的概率模型處理不確定性，進(jìn)行預(yù)測，并對復(fù)雜系統(tǒng)進(jìn)行建模，其中不確定性和可變性起著至關(guān)重要的作用。這些模型有助于推理、決策和從數(shù)據(jù)中學(xué)習(xí)。
假設(shè)有一組數(shù)據(jù)點需要根據(jù)它們的相似性分為幾個部分或集群。在機(jī)器學(xué)習(xí)中，這稱為聚類。有幾種方法可用于聚類：
? K 表示聚類
? 分層聚類
? 高斯混合模型
在本文中，將討論高斯混合模型。
2 正態(tài)分布或高斯分布
在現(xiàn)實生活中，許多數(shù)據(jù)集可以通過高斯分布（單變量或多變量）進(jìn)行建模。因此，假設(shè)這些集群來自不同的高斯分布是非常自然和直觀的。或者換句話說，它試圖將數(shù)據(jù)集建模為多個高斯分布的混合。這就是這個模型的核心思想。
在一維中，高斯分布的概率密度函數(shù)由下式給出
其中 μ和 σ2分別是分布的平均值和方差。對于多元（假設(shè) d 變量）高斯分布，概率密度函數(shù)由下式給出
這是一個μd維向量，表示分布的平均值，是 d X d 協(xié)方差矩陣。
3 高斯混合模型
假設(shè)有 K 個集群（為簡單起見，這里假設(shè)集群的數(shù)量是已知的，它是 K）。soμ 和 也是每個 k 的估計值。如果只有一個分布，它們就會用最大似然法來估計。但是由于有 K 個這樣的集群，并且概率密度被定義為所有這些 K 分布的密度的線性函數(shù)，即
其中 πk是 k的混合系數(shù)th分配。為了通過最大對數(shù)似然法估計參數(shù)，請計算 p(X∣μ,Σ,π)。
現(xiàn)在定義一個隨機(jī)變量 γk(X)，使得γk(X)=ρ(k∣X)。
展開 
首創(chuàng)開源架構(gòu)，天璣AI開發(fā)套件讓端側(cè)AI模型接入得心應(yīng)手
Neuron Studio可針對模型到應(yīng)用，提供一站式、全鏈路、自動化的開發(fā)協(xié)助，不僅讓AI應(yīng)用開發(fā)的全流程可視化，更帶來整個多種工具的一站式開發(fā)能力，還支持神經(jīng)網(wǎng)絡(luò)自動化調(diào)優(yōu)和跨模型全鏈路分析功能，針對AI應(yīng)用開發(fā)的三大痛點逐個擊破。
當(dāng)前AI應(yīng)用開發(fā)者在使用開發(fā)工具時會面臨一個很頭疼的問題，種類多、功能不聚合、過于碎片化，導(dǎo)致開發(fā)過程非常復(fù)雜。Neuron Studio整合了多個MLKits工具，包含模型轉(zhuǎn)換、模型量化和模型調(diào)優(yōu)，將關(guān)鍵模塊融合成一站式、可視化的完整開發(fā)鏈路，開發(fā)者不再需要“拼積木式”組合多個工具，只用一套工具就可以已全部搞定，極大提升開發(fā)效率。
Neuron Studio 還支持自動化調(diào)優(yōu)神經(jīng)網(wǎng)絡(luò)使用的帶寬及性能，在開發(fā)過程中，將性能和內(nèi)存占用自動優(yōu)化至最佳配置。而且，開發(fā)者可以全程監(jiān)控大模型演化過程。以前萬組參數(shù)手動調(diào)優(yōu)動輒需要一周，而現(xiàn)在只要幾個小時即可完成。
此外，Neuron Studio打造了跨模型全鏈路分析功能，提供全局視角和執(zhí)行流程。開發(fā)者不在需要針對大模型中不同模塊各自獨立分析，實現(xiàn)“全局視角、一站掌控”，大幅節(jié)省模型分析時間。
這不僅僅是工具的升級，更是邁向智能體化用戶體驗的關(guān)鍵基礎(chǔ)設(shè)施。
天璣AI開發(fā)套件 2.0，全面釋放天璣端側(cè)AI能力
去年，天璣AI開發(fā)套件一經(jīng)發(fā)布就廣受開發(fā)者好評和推薦。在MDDC 2025上，聯(lián)發(fā)科帶來了全面升級的天璣AI開發(fā)套件2.0，在模型庫規(guī)模、架構(gòu)開放程度、前沿端側(cè)AI技術(shù)支持和端側(cè)LoRA訓(xùn)練落地等方面均迎來全面躍遷，為開發(fā)者提供了更全面、更開放、更強(qiáng)大的端側(cè)AI開發(fā)解決方案。
端側(cè)AI應(yīng)用開發(fā)往往需要調(diào)用各種各樣的大模型能力，需要更豐富、類型更多的模型適配。
展開 GPT之父談未來五年的AI：模型規(guī)模見頂，下個突破點在用好AI涌現(xiàn)特質(zhì)
我認(rèn)為AI面臨的挑戰(zhàn)是全方位的，涵蓋了許多不同的挑戰(zhàn)和危險，這些挑戰(zhàn)和危險彼此矛盾。我認(rèn)為開源與閉源是一個很好的例子。為什么開源是理想的？讓我這么說吧，開源AI有什么好處？答案是：防止AI建設(shè)者手中集中權(quán)力。
如果你生活在一個世界上，比如只有少數(shù)公司控制這種非常強(qiáng)大的技術(shù)，你可能會說這是一個不理想的世界，AI應(yīng)該是開放的，任何人都可以使用AI。這是開源的論點。
當(dāng)然也有因為商業(yè)激勵反對開源，但還有另一個長期的論點也反對開源：那就是如果我們相信，AI最終會變得無與倫比的強(qiáng)大，如果我們達(dá)到一個AI如此強(qiáng)大的程度，你可以簡單地告訴它：“你能主動創(chuàng)建一個生物學(xué)研究實驗室嗎？主動完成所有的文書工作，運營工作空間，招聘技術(shù)人員，聚合實驗，主動完成所有這些事情"。
當(dāng)AI開始變得令人難以置信的強(qiáng)大，難道這也應(yīng)該開源嗎？
所以我對開源問題的立場是：我認(rèn)為可以考慮這些神經(jīng)網(wǎng)絡(luò)的能力。它們有多智能，能做多少事情。當(dāng)能力較低時，我認(rèn)為開源是一件好事，但在某個時候，(具體是哪個時候)可以辯論一下，但我會說，在某個時候，能力會變得如此巨大，以至于開源AI模型是明顯不負(fù)責(zé)任的。
GPT之父OpenAI Ilya斯坦福談AI 完整版3-4
Ravi：
閉源的決定是出于這個考量嗎？還是出于與微軟或其他人達(dá)成妥協(xié)以支持業(yè)務(wù)可行性的必要性？決定實際上是由這一理由驅(qū)使的，還是更多出于需求？
Ilya：
我要表達(dá)的意思是，在我看來，當(dāng)前AI的能力水平還不高，不至于因為安全考量而閉源模型。這種研究目前確實是競爭階段。我認(rèn)為，這些模型的能力如果繼續(xù)增強(qiáng)，將有一天，安全考量會成為不開源這些模型的明顯和直接的驅(qū)動力。
這是開源與閉源的問題，但您的問題還提出了另一個方面，即非營利性與營利性。我們也可以討論這個問題。
展開 數(shù)據(jù)分析與AI丨預(yù)測電池壽命只需要2小時！Altair RapidMiner 實現(xiàn)論文級AI 模型流程化
<strong>但RapidMiner 的優(yōu)勢就是：</strong></p><p><br></p><p>即使<strong>你不是AI專家，也能用RapidMiner 做出專家級的模型。</strong></p><p><br></p><p>在這個案例中，我們<strong>只花了2小時</strong>，就跑出了一個準(zhǔn)度媲美論文級別的模型，<strong>還能復(fù)用、能上線、能部署。</strong></p><p><br></p><p>如果你也是電池行業(yè)、材料行業(yè)、設(shè)備預(yù)測性維護(hù)相關(guān)的從業(yè)者，或者你團(tuán)隊中苦于AI“想做不會做、請人太貴、做出來不能落地”，那么——</p><p class="ql-align-center"><a href="https://52360626.beschannels-plus.com/forms/87U4ZH4" rel="noopener noreferrer" target="_blank"><strong>?? Altair RapidMiner</strong></a><strong>，值得你試試。
展開 三月北京，預(yù)見未來“2026北京國際人工智能與機(jī)器人博覽會”
2026北京國際人工智能與機(jī)器人博覽會，匯聚全球頂尖科技，百余家企業(yè)展示AI大模型、人形機(jī)器人等顛覆成果，30+高峰論壇碰撞智慧火花。3.18-20日，歡聚中國國際展覽中心（朝陽館）共繪智能時代新圖景！
春回大地，萬物復(fù)蘇。2026年的三月，北京將迎來一場科技界的盛事——2026北京國際人工智能與機(jī)器人博覽會。這場匯聚全球頂尖科技的盛會，將于3月18日至20日在中國國際展覽中心（朝陽館）盛大舉行，為全球科技愛好者、行業(yè)專家、企業(yè)領(lǐng)袖以及普通觀眾帶來一場前所未有的智能科技盛宴。
本屆博覽會以“預(yù)見未來”為主題，吸引了來自全球各地的百余家頂尖科技企業(yè)參展。展會將集中展示人工智能、機(jī)器人、大數(shù)據(jù)、云計算等前沿科技領(lǐng)域的最新成果，特別是AI大模型和人形機(jī)器人等顛覆性技術(shù)將成為展會的最大亮點。觀眾將有機(jī)會近距離接觸這些改變世界的科技力量，感受未來生活的無限可能。
在AI大模型展區(qū)，觀眾將見證人工智能技術(shù)的飛速發(fā)展。國內(nèi)外知名科技企業(yè)將展示其最新研發(fā)的AI大模型，這些模型在自然語言處理、圖像識別、語音交互等領(lǐng)域展現(xiàn)出驚人的能力。從智能客服到醫(yī)療診斷，從金融分析到教育輔助，AI大模型正在深刻改變著各行各業(yè)的面貌。展會期間，觀眾可以親身體驗這些AI大模型的實際應(yīng)用，感受科技帶來的便捷與高效。
人形機(jī)器人展區(qū)無疑是本屆博覽會最具吸引力的部分之一。多家國際知名機(jī)器人企業(yè)將攜其最新研發(fā)的人形機(jī)器人亮相，這些機(jī)器人不僅在外觀上越來越接近人類，而且在運動控制、情感交互、自主學(xué)習(xí)等方面也取得了突破性進(jìn)展。觀眾將有機(jī)會與這些機(jī)器人進(jìn)行互動，體驗未來人機(jī)共存的生活方式。特別值得一提的是，一些企業(yè)還將展示其面向家庭服務(wù)、醫(yī)療護(hù)理、教育娛樂等場景的專用機(jī)器人，這些產(chǎn)品有望在未來幾年內(nèi)走進(jìn)千家萬戶。
除了豐富的展覽內(nèi)容，本屆博覽會還將舉辦30多場高峰論壇和專題研討會。
展開 【4月22日直播預(yù)告】AI驅(qū)動的OSA模型助力高速電光仿真全流程
4月22日16:00，Ansys官方『AI驅(qū)動的OSA模型助力高速電光仿真全流程』研討會將介紹一種用于高速光學(xué) SerDes 鏈路仿真的新 IBIS-AMI 模型。感興趣的下滑預(yù)約學(xué)習(xí)??
時間：4月22日（星期三），16:00-17:00
內(nèi)容簡介：
本次 webinar 將會介紹一種用于高速光學(xué) SerDes 鏈路仿真的新 IBIS-AMI 模型。該模型采用機(jī)器學(xué)習(xí)方法模擬光學(xué)器件的非線性行為，使光學(xué)模塊能夠更好地在標(biāo)準(zhǔn) SerDes 分析工具中建模并進(jìn)行精確的信號完整性分析和高速仿真。
講師：
周錚 | Ansys 光學(xué)應(yīng)用技術(shù)主管
周錚，Ansys 光學(xué)應(yīng)用技術(shù)主管，華中科技大學(xué)和巴黎十一大光電信息工程碩士，主要負(fù)責(zé) Ansys Lumerical 的技術(shù)支持與相關(guān)業(yè)務(wù)開發(fā)工作。
形式：線上
費用：免費
掃碼立即報名
(web: https://s.jishulink.com/IHcR0v)
- -THE END- -
技術(shù)鄰簡介：
技術(shù)鄰，是一家深耕工科制造業(yè)領(lǐng)域逾二十年的專業(yè)技術(shù)平臺。
我們的服務(wù)覆蓋力學(xué)、機(jī)械、材料、航空、交通運輸、電子電氣、通信、化工、能源、船舶、冶金、建筑土木、水利測繪等眾多專業(yè)方向。以CAE仿真為特色和入口，在結(jié)構(gòu)、流體、電磁、熱動力學(xué)、工藝、聲、光及加工工藝等領(lǐng)域，擁有深厚的專家資源和項目經(jīng)驗。累計幫助1200+企業(yè)解決制造業(yè)研發(fā)困擾，100萬+工程師提升專業(yè)能力。
面向企業(yè)：我們提供精準(zhǔn)的項目導(dǎo)航培訓(xùn)、深度的項目技術(shù)分析與高效的項目二次開發(fā)服務(wù)，致力于成為企業(yè)研發(fā)創(chuàng)新路上最可靠的技術(shù)智庫與實戰(zhàn)伙伴，助力企業(yè)研發(fā)能力提升。
展開 工程碩士：碩士人工智能和大型語言模型（LLMS） ￥6
中使用管道執(zhí)行 AI 任務(wù)
第 48 講 第 2 天 – 擁抱面部管道：使用 Transformers 庫簡化 AI 任務(wù)
第 49 講 第 2 天 – 掌握 HuggingFace 管道：ML 任務(wù)的高效 AI 推理
第50講第3天 - 探索開源AI中的分詞器：Llama， Phi-2， Qwen， & Starcoder
第 51 講 第 3 天 – AI 中的標(biāo)記化技術(shù)：將 AutoTokenizer 與 LLAMA 3.1 模型結(jié)合使用
第 52 講第 3 天 – 比較分詞器：開源 AI 模型的 Llama、PHI-3 和 QWEN2
第 53 講 第 3 天 – 擁抱面部分詞器：為高級 AI 文本生成做準(zhǔn)備
第 54 講 第 4 天 – 擁抱面部模型課程：在開源 AI 模型上運行推理
第55講第4天 - 擁抱臉變壓器：加載和量化帶有比特和字節(jié)的LLMs
第 56 講 第 4 天 – 擁抱臉變形金剛：使用開源 AI 模型生成笑話
第 57 講 第 4 天 – 掌握 Hugging Face Transformers：模型、管道和分詞器
第58講 第5天 - 結(jié)合前沿和開源模型進(jìn)行音頻到文本的總結(jié)。
展開 設(shè)計仿真 | AI+仿真雙驅(qū)動！海克斯康領(lǐng)跑人形機(jī)器人研發(fā)
通過將Easy5控制算法與Adams的運動仿真模型進(jìn)行協(xié)同驗證，研發(fā)人員可以快速測試和優(yōu)化控制策略，確保機(jī)器人在各種運動狀態(tài)下的穩(wěn)定性和響應(yīng)性能。這種協(xié)同驗證方式能夠有效縮短研發(fā)周期，降低研發(fā)成本。
03
部件結(jié)構(gòu)強(qiáng)度、輕量化及耐久性分析
海克斯康的MSC Apex、MSC Nastran、Digimat及CAEfatigue等工具能夠?qū)θ诵螜C(jī)器人的部件進(jìn)行結(jié)構(gòu)強(qiáng)度、輕量化及耐久性分析。通過這些分析，研發(fā)人員可以在保證部件強(qiáng)度和性能的前提下，優(yōu)化部件的結(jié)構(gòu)設(shè)計，減輕機(jī)器人整體重量，提高其能效比。同時，耐久性分析能夠預(yù)測部件在長期使用中的疲勞壽命，為機(jī)器人的可靠性和維護(hù)策略提供數(shù)據(jù)支持。
04
驅(qū)動與傳動系統(tǒng)設(shè)計仿真
海克斯康的Romax、Cradle及Actran等軟件能夠?qū)θ诵螜C(jī)器人的驅(qū)動與傳動系統(tǒng)進(jìn)行設(shè)計仿真，包括熱與聲學(xué)問題的分析。通過這些仿真，研發(fā)人員可以優(yōu)化電機(jī)、齒輪等驅(qū)動部件的設(shè)計，提高系統(tǒng)的傳動效率和可靠性。同時，熱與聲學(xué)問題的分析能夠幫助研發(fā)人員解決機(jī)器人在運行過程中可能出現(xiàn)的散熱和噪聲問題，提升機(jī)器人的整體性能和用戶體驗。
05
AI大模型集成與復(fù)雜場景模擬
海克斯康工業(yè)仿真軟件支持將AI大模型引入Adams，為人形機(jī)器人研發(fā)提供更強(qiáng)大的智能化支持。AI大模型可以與Adams的多體動力學(xué)模型進(jìn)行協(xié)同仿真，模擬各種復(fù)雜場景，如人形機(jī)器人在不同地形上的行走等。這種集成方式不僅能夠增強(qiáng)仿真效率，加速模型求解，減少運算時間，還能提升結(jié)果準(zhǔn)確性，對仿真中的不確定性因素進(jìn)行評估和修正。此外，基于仿真數(shù)據(jù)和AI大模型的分析，為用戶提供決策建議，如在人形機(jī)器人設(shè)計中，根據(jù)不同的任務(wù)需求，推薦最優(yōu)的關(guān)節(jié)參數(shù)、結(jié)構(gòu)布局等。
展開 
【AI+波浪補(bǔ)償】AR模型實時船舶運動預(yù)測中的尺度效應(yīng)
預(yù)測模型分為三類:基于流體動力學(xué)的預(yù)測方法、經(jīng)典時間序列預(yù)測模型和非線性智能學(xué)習(xí)預(yù)測模型。
為了克服在準(zhǔn)確估計狀態(tài)空間、噪聲和響應(yīng)核函數(shù)方面的實際局限性，人們采用時間序列模型對船舶運動進(jìn)行實時預(yù)報，即只需對船舶運動或海浪進(jìn)行建模。相對而言，自回歸模型(AR)由于其計算成本和實時實現(xiàn)的便利性，被探討得最多。關(guān)于AR模型的識別方案有很多研究，但由于嚴(yán)酷海域的船舶運動是非線性和非穩(wěn)態(tài)的，因此AR模型在高海況下的性能不足。為了獲得更好的預(yù)測結(jié)果，設(shè)計了AR移動平均（ARMA）模型。與AR模型相比，這里采用波浪測量值作為時間序列模型的附加輸入。當(dāng)預(yù)測時間短于4s時，ARMA模型可以給出很好的預(yù)測結(jié)果，但當(dāng)預(yù)測時間超過4s時，ARMA模型就無法捕捉到目標(biāo)船運動的振幅，而且，只有在準(zhǔn)確感應(yīng)到距離船頭較遠(yuǎn)的波浪時，才能得到滿意的結(jié)果，而在實際情況下，準(zhǔn)確的相位分辨波浪遙感還是非常困難的。
某一預(yù)測模型的可預(yù)測性受到船舶運動時間序列特征的影響。但這些關(guān)系仍不明確。波浪誘導(dǎo)的船舶運動主要由船舶尺寸、海況和速度決定。本研究對船舶運動實時預(yù)測中的船舶尺寸影響進(jìn)行了研究，旨在為評估船舶運動的可預(yù)測性提供一些初步的見解。由于AR預(yù)測模型除了方便實現(xiàn)外，在實際應(yīng)用中也多被采用和推薦，因此本研究重點關(guān)注AR預(yù)測模型。
展開 使用 Java Spring AI 進(jìn)行 AI 驅(qū)動的應(yīng)用程序開發(fā)（2025 年）
AI-Powered Application Development with Java Spring AI(2025)
2025 年 5 月出版
MP4 |視頻： h264， 1280x720 |音頻：AAC，44.1 KHz，2 Ch
語言：英語 |時長：2h 2m |大小： 865 MB
Java 基礎(chǔ)， Spring Boot， Spring AI， AI 模型集成， 擁抱人臉模型， Gemini API， RESTful API 開發(fā)
您將學(xué)
到什么 Java Spring AI 框架
簡介 了解 Spring AI 組件和 API 模型
使用 Spring Boot
構(gòu)建 AI 驅(qū)動的 REST API 使用 Spring AI 構(gòu)建 AI 驅(qū)動的自動電子郵件回復(fù)助手
要求
基礎(chǔ)Java編程
Spring Boot基礎(chǔ)
API和數(shù)據(jù)庫知識
使用開發(fā)工具和IDE的經(jīng)驗
描述
這門綜合課程深入探討了 Java Spring AI 的世界，提供了一種結(jié)構(gòu)化的方法，可以使用強(qiáng)大的 Spring AI 框架構(gòu)建 AI 驅(qū)動的應(yīng)用程序。本課程首先全面介紹了 Spring AI，解釋了其架構(gòu)、關(guān)鍵組件以及它如何將 AI 功能無縫集成到基于 Java 的應(yīng)用程序中。學(xué)生將深入了解 Spring AI 支持的不同 AI 模型和 API，特別關(guān)注如何使用 Hugging Face 模型和 Gemini API。通過了解這些 AI 驅(qū)動的工具，學(xué)習(xí)者將能夠?qū)⒆匀徽Z言處理 （NLP）、機(jī)器學(xué)習(xí)和生成式 AI 功能整合到他們的應(yīng)用程序中，使其更加智能和高效。隨著課程的進(jìn)行，學(xué)生將學(xué)習(xí)如何使用 Spring Boot 構(gòu)建 AI 驅(qū)動的 REST API。
展開 AI科普系列——機(jī)器學(xué)習(xí) = 模型+策略+算法
統(tǒng)計學(xué)習(xí)的操作路徑具體到監(jiān)督學(xué)習(xí)可概括為：從給定的、有限的、用于學(xué)習(xí)的訓(xùn)練數(shù)據(jù)（training data）集合出發(fā)，假設(shè)數(shù)據(jù)是獨立同分布產(chǎn)生的；并且假設(shè)要學(xué)習(xí)的模型屬于某個函數(shù)的集合，稱為假設(shè)空間（hypothesis space）；應(yīng)用某個可量化假設(shè)空間不同“函數(shù)”個體優(yōu)劣差異的評價準(zhǔn)則（evaluation criterion），配置合理的優(yōu)化算法，從假設(shè)空間中選取一個最優(yōu)的模型，使它對已知訓(xùn)練數(shù)據(jù)集及未知測試數(shù)據(jù)在給定的評價準(zhǔn)則下有最優(yōu)的預(yù)測性能。
這樣統(tǒng)計學(xué)習(xí)方法包括模型的假設(shè)空間、模型選擇的評價準(zhǔn)則（評估函數(shù)或損失函數(shù)）以及模型學(xué)習(xí)的算法（優(yōu)化算法），稱為統(tǒng)計學(xué)習(xí)的三劍客：1.模型空間；2.評估策略；3.學(xué)習(xí)算法（如：Grid-Search\Adam\SGD）。
實現(xiàn)統(tǒng)計學(xué)習(xí)方法的步驟如下：
1.得到一個有限的訓(xùn)練樣本集合；
2.確定包含所有可能的模型的假設(shè)空間，即學(xué)習(xí)模型的幾何；
3.確定模型選擇的準(zhǔn)則，即量化模型“好壞”的評估策略；
4.確定求解最優(yōu)模型的優(yōu)化學(xué)習(xí)算法；
5.模型訓(xùn)練過程：配置模型計算、超參優(yōu)化的流程，優(yōu)化算法基于評估策略的量化指標(biāo)的驅(qū)動不同迭代修改模型的超參結(jié)構(gòu)，從而實現(xiàn)模型性能的不斷提升；
6.模型應(yīng)用過程：利用訓(xùn)練階段獲取的訓(xùn)練后模型，對位置數(shù)據(jù)進(jìn)行預(yù)測或分析。
Factor.1 模型確立：選擇匹配問題對象的模型方法
關(guān)于機(jī)器學(xué)習(xí)等數(shù)據(jù)驅(qū)動的建模手段，業(yè)界廣泛流傳這樣一句總結(jié)：數(shù)據(jù)和特征決定了建模效果的上限，而模型（建模方式）和算法（優(yōu)化學(xué)習(xí)）則是為了逼近這個上限。
展開 AI軟硬一體解決方案賽道升溫，百度智能云飛槳一體機(jī)正式入局
這就要求算法模型與硬件環(huán)境必須進(jìn)行深度的適配與優(yōu)化，除了核心算法的開發(fā)與調(diào)優(yōu)之外，數(shù)據(jù)的獲取/標(biāo)注/處理，模型的部署也至關(guān)重要。
在今天的AI大模型面前，企業(yè)購買AI模型后，再自行配置軟硬件配套設(shè)施的做法，已經(jīng)成為過去式。這是因為一方面，高性能的AI模型對配套設(shè)施的要求極為精細(xì)，稍有偏差，就無法實現(xiàn)最好的效果，一般企業(yè)無力滿足。另一方面，企業(yè)采購配套設(shè)施，將配套設(shè)施與AI軟件進(jìn)行調(diào)試，都需要大量的時間成本，難以滿足企業(yè)的緊急需求，甚至耽誤商機(jī)。而百度智能云飛槳一體機(jī)內(nèi)含AI企業(yè)事先深度適配好的軟件與硬件組合，讓企業(yè)只管使用即可。
值得一提的是，作為百度智能云飛槳一體機(jī)背后的核心支撐，飛槳深度學(xué)習(xí)平臺、百度智能云AI中臺解決方案等科技，均擁有顯著的行業(yè)領(lǐng)先優(yōu)勢。據(jù)IDC此前報告顯示，飛槳助力百度在中國深度學(xué)習(xí)平臺市場中的綜合份額持續(xù)增長，躍居第一。百度智能云則在AI Cloud市場份額則連續(xù)四次第一。它們將為百度智能云飛槳AI一體機(jī)提供持續(xù)強(qiáng)大的性能支撐，幫助更多企業(yè)快速、高效、穩(wěn)定地落地AI能力。
?
?
展開 