AI生成藝術的案例
數據分析與AI丨在企業(yè)環(huán)境中利用知識圖譜賦能生成式 AI
</p><p><br></p><p>在圖像生成方面，即便能生成部分細節(jié)正確的圖片，但需要微調的細節(jié)也很難達到理想效果。</p><p><br></p><p><strong>? 易產生幻覺：</strong></p><p><br></p><p>LLM 看似知識淵博，實則不然。其知識源于訓練數據、字母組合概率等，<strong>響應是基于訓練學習路徑和相似概念生成</strong>，并非來自結構化知識庫或數據庫。</p><p><br></p><p>而且，<strong>在沒有使用新數據訓練時，LLM 也無法提供最新信息</strong>，信息局限于訓練截止日期。這使得 LLM 容易產生看似可信但實際錯誤的 “幻覺” 信息，誤導對相關領域了解不足的用戶。</p><p><br></p><p><strong>? 存在偏見：</strong></p><p><br></p><p>LLM 依據數據模式生成響應，缺乏真正的理解，這導致其訓練數據易受偏見和限制影響，進而使輸出響應也帶有同樣的問題，而不會考慮用戶感受。</p><p><br></p><p>不過，也有應對這些局限的方法。例如，當在提示中包含上下文基礎時，GenAI 的表現會有所提升。將 <strong>LLM 生成的響應限制在給定上下文信息內，若上下文準確，響應也可能更準確，這種技術被稱為檢索增強生成（RAG）技術。</strong></p><p><br></p><p>很多主流搜索引擎已開始將 RAG 技術與現有搜索索引結合，以有效生成對搜索問題的答案，通常還會提供用于為LLM提供上下文的網頁參考URL。<strong>知識圖譜作為 RAG 的重要新形式，為生成或利用上下文基礎的技術提供支持。
展開 生成式 AI 重塑自動駕駛仿真：4D 場景生成技術的突破與實踐
尤其在數據閉環(huán)迭代、長尾場景驗證及安全冗余驗證等關鍵環(huán)節(jié)中，高保真、高復雜度的場景生成能力正在成為測試體系的核心支撐。
傳統(tǒng)場景生成方式面臨效率低、人工成本高、行為多樣性不足等問題，難以滿足當前智能駕駛系統(tǒng)對大規(guī)模、多模態(tài)、真實物理驅動場景的需求。為應對這一挑戰(zhàn)，基于生成式AI的4D場景生成技術迅速興起，構建了從環(huán)境建模、行為重建到視覺渲染的完整鏈條，正在重塑自動駕駛仿真驗證的技術基礎。
本文將從技術背景、系統(tǒng)能力、核心技術和實際應用四個方面，系統(tǒng)梳理AI驅動的4D場景生成體系及其在自動駕駛仿真中的實踐價值。
一、測試覆蓋率瓶頸與生成式AI切入點
自動駕駛測試需要應對極其復雜的交通場景，包括非結構化路口、弱交通規(guī)則區(qū)域、極端天氣、低照度場景，以及多主體交互引發(fā)的不確定性行為等。當前基于真實數據采集或手工建模的方式存在如下限制：
（1）采集成本高：依賴實車、實景、多模態(tài)同步設備，周期長、數據稀疏；
（2）稀有場景不足：事故場景、異常行為等真實比例極低，難以高質量復現；
（3）組合爆炸問題：參數空間（如天氣、時間、交通密度）指數級增長，難以人工覆蓋；
（4）場景可控性弱：缺乏可調控的語義接口，測試粒度不足。
生成式AI具備從數據中學習潛在分布、生成新組合樣本的能力。其引入使得場景構建從“手工定義”轉向“自動生成”，具備如下優(yōu)勢：
（1）能構造真實但未見過的長尾組合；
（2）能對目標測試策略進行定向增強（如遮擋率、交通密度等指標）；
（3）可支持大規(guī)模仿真測試平臺的持續(xù)供場；
（4）支持動態(tài)交互與時間演進建模，構建完整4D語義閉環(huán)。
二、4D場景生成的核心能力
所謂4D場景生成，核心在于“空間 + 時間”的聯合建模能力，既要對物理環(huán)境建模，也要對場景中各類參與者的行為軌跡進行動態(tài)建模與演化。
展開 識別生成式AI解決方案的商業(yè)價值
識別生成式AI解決方案的商業(yè)價值 課程時長：1小時 課程大小：140.0MB 發(fā)布年份：2026 課程內容：許多機構在引入生成式AI時，缺乏評估其價值與展示實際回報的清晰框架。本課程將幫助你掌握評估生成式AI應用場景的能力，使其與實際業(yè)務成果相匹配。你將學習生成式AI基礎理念、成
借助生成式AI進行更智能的API審查
本文翻譯自：Smarter API Reviews With Gen AI
原文作者：Qt Group軟件工程師Daniel Smith
隨著生成式AI的興起，各企業(yè)正試圖探索如何在其環(huán)境中實施，以提升流程的效率。或許最佳切入點是尋找流程中的現有痛點，然后思考AI如何應對這些問題。（本篇博文由真人撰寫）
Dall-E 3圖像生成提示語：一臺設計時尚的未來智能機器人坐在電腦前，分析屏幕上代碼的差異。機器人外觀友好、平易近人，屏幕展示了帶有高亮部分的復雜代碼。周圍環(huán)境暗示這是一個現代化的高科技辦公空間。
歷史背景
Qt Project的一個主要痛點歷來是在版本發(fā)布前按時完成API審查。API的增加和改動對Qt框架的使用方式有重大影響，并且對已有API的改動經常會破壞用戶的系統(tǒng)兼容性，所以這些變更必須在加入最終發(fā)布版本之前仔細審查。為Qt添加新功能通常意味著引入新的API，我們希望未來這些新API能夠為用戶提供良好的設計和穩(wěn)定的使用體驗。然而有時現有的API免不了發(fā)生變更，我們也需要確保這些變更是經過深思熟慮的，而且除了變更外，沒有其他替代方案能夠避免破壞兼容性。
這種做法雖然多年來行之有效，但在一些重要API更改初步合并后，卻因為在發(fā)布審查時需要撤回或在最終發(fā)布前進行重大修改，而導致發(fā)布日期多次延誤。為了縮短API變更實施與最終發(fā)布準備之間的時間差，我們希望在周期的早期階段進行API變更審查。但該如何實現呢？
最初的討論主要集中在簡單地為任何頭文件變動打上標簽以供人工審查，但這樣的解決方案太過繁縟。反而會導致工作量增加。但是，如果我們可以讓AI承擔一部分初步的代碼分析任務，至少可以用它來判斷某個改動是否“重大”，這樣會不會更好呢？
什么是GPT？
展開 
用20行Python代碼生成雞湯，打造AI咪蒙指日可待
“努力贏得自己的幸福和世界”
“what we would end create, creates the ground and you are the one to warm it”
“我們想要結束的創(chuàng)造卻造就了大地，唯你抱以溫情”
“l(fā)ook and give up in miracles”
“仰望奇跡，放棄幻想”
但其實上面這些雞湯句子全都是電腦生成的，而且其生成雞湯文所用的程序還不到 20 行 Python 代碼。
一提到自然語言生成，人們通常會覺得這一定是很先進的 AI 系統(tǒng)，使用了很高級的數學知識。但是，事實并非如此。在本文我（作者 Ramtin Alami——譯者注）會用馬爾科夫鏈（Markov chains）和一個很小的雞湯文數據集生成新的雞湯文。
馬爾科夫鏈
馬爾科夫鏈是一種隨機模型，能根據先前的事件單獨預測一個事件。舉個簡單的例子，就用我家喵主子的生活狀態(tài)轉換解釋一下吧。我家喵主子總是要么吃、要么睡、要么玩玩具。她大部分時間都是在睡覺，但是偶爾會睡醒起來用膳。通常，用膳過后她會倍兒精神，開始玩玩具，玩夠了就回去睡，然后再睡醒去吃。
用馬爾科夫鏈就能很容易地模擬出我家喵主人的生活狀態(tài)，因為她會根據之前的狀態(tài)決定下一步去干嘛。她一般不會醒來后直接去玩玩具，但是吃完東西后，有很大概率去玩一會。這些生活狀態(tài)轉換也可以用圖表的形式表現出來：
每個橢圓代表一種生活狀態(tài)，箭頭所指的是下一個生活狀態(tài)，箭頭旁邊的數字是指她從一種狀態(tài)轉到另一種狀態(tài)的概率。我們可以看到，狀態(tài)轉換的概率基本上只根據上一種生活狀態(tài)。
展開 康謀分享 | aiSim5基于生成式AI擴大仿真測試范圍（終）
2、添加動態(tài)對象
在NeRF和3DGS生成靜態(tài)場景后，aiSim5將基于外部渲染API進一步增加動態(tài)元素，不僅可以重建原始場景，也可以根據測試需求構建不同的交通狀態(tài)。
編輯
aiSim5中基于NeRF/3DGS場景細節(jié)。
圖13：網格投射陰影
編輯
圖14：車下環(huán)境遮蔽
3、效果展示
在aiSim5中完成動態(tài)對象的添加后，可以自由的在地圖場景中更改交通狀態(tài)，用于感知/規(guī)控等系統(tǒng)的SiL/HiL測試。
圖15：aiSim5運行NeRF城市場景1
圖16：aiSim5運行NeRF城市場景2
作者介紹
崔工
康謀科技仿真測試業(yè)務技術主管，擁有超過5年的汽車仿真測試及自動駕駛技術研發(fā)經驗，熟練掌握仿真測試工具和平臺，如aiSim、HEEX等，能有效評估和優(yōu)化自動駕駛系統(tǒng)的性能和安全性。擁有出色的跨文化溝通能力，成功帶領團隊完成多項海外技術合作項目，加速了公司在自動駕駛技術上的國際化進程。作為技術團隊的核心，領導并實施過大規(guī)模的自動駕駛仿真測試項目，對于車輛行為建模、環(huán)境模擬以及故障診斷具有獨到見解。擅長運用大數據分析和人工智能技術，優(yōu)化仿真測試流程，提高測試效率和結果的準確性。
展開 新思科技攜手AMD榮登世界經濟論壇MINDS榜單，生成式與自主式AI推動芯片設計進入全新階段
MINDS 獎項與項目隸屬于世界經濟論壇的 AI Global Alliance（全球人工智能聯盟）計劃，旨在甄選能夠在高復雜度、高風險挑戰(zhàn)中引領人工智能應用落地的組織。新思科技與 AMD 是基于雙方在半導體芯片設計領域將強化學習、生成式 AI 以及代理式（Agentic）AI 應用于工程流程方面的突出貢獻而受到表彰——這是一個對創(chuàng)新速度與精度要求極高的技術領域。
在芯片設計中引入人工智能，已不再是可選項。架構復雜性快速攀升、性能目標日益激進以及人才缺口持續(xù)擴大，使傳統(tǒng)的工程工作流面臨極限壓力。
AI 驅動的設計流程緩解了這些壓力——它們并非取代工程師，而是提升專家知識的效能與決策質量。代理式（Agentic）與基于學習的系統(tǒng)能夠幫助開發(fā)者更快速地探索龐大的設計空間，更有效地權衡取舍，并在問題成本最低時提前發(fā)現潛在隱患，從而實現更短的開發(fā)周期、更高質量的芯片以及更具韌性的創(chuàng)新鏈路。隨著上市時間壓力加劇以及高端芯片需求持續(xù)增長，這類流程正成為半導體行業(yè)未來發(fā)展的關鍵路徑。
新思科技與 AMD 被選為 MINDS 獎項得主，凸顯了在前所未有的行業(yè)壓力下，AI 創(chuàng)新在半導體行業(yè)中的戰(zhàn)略重要性。通過對這兩家公司的認可和表彰，世界經濟論壇強調：基于代理式（Agentic）和強化學習驅動的 AI 正從實驗階段邁向可規(guī)模化、可投入生產的工作流程。它們在增強人類開發(fā)者專業(yè)能力的同時，為工程團隊及更廣泛的科技生態(tài)體系帶來實質性價值。
作為全球最具創(chuàng)新力企業(yè)的重要研發(fā)合作伙伴，新思科技始終致力于推動行業(yè)前行。此次入選世界經濟論壇 MINDS 項目，并因 AI 在芯片設計這一極其復雜的工程領域中的突破性應用而獲得認可，我們深感榮幸。
展開 高級RAG：構建與部署生產級生成式AI應用 發(fā)布于2026年，視頻格式MP4，視頻編碼h264，分辨率1920×1080，音頻編碼AAC，采樣率44.1kHz，雙聲道。課程共114講，時長11小時
高級RAG：構建與部署生產級生成式AI應用 發(fā)布于2026年，視頻格式MP4，視頻編碼h264，分辨率1920×1080，音頻編碼AAC，采樣率44.1kHz，雙聲道。課程共114講，時長11小時，文件大小10.1GB。 你將學到：使用BM25混合搜索、RRF融合與Qdr
2026深圳國際人工智能與機器人展覽會（高交會）
2026深圳國際人工智能與機器人展覽會（簡稱:高交會）將于2026年11月份在深圳國際會展中心（寶安）舉辦，展出面積40萬㎡，參展企業(yè)5000多家，觀眾預計達40萬+人次，聚焦全球前沿AI技術和應用。展會將云集眾多國內外企業(yè)、科研機構和創(chuàng)新團隊參與，共同展示人工智能領域的新成果。展品涵蓋了人工智能硬件、軟件、算法以及應用場景等多個方面，推動高新技術成果商品化、產業(yè)化、國際化以及促進國家、地區(qū)間的經濟技術交流與合作中發(fā)揮著越來越重要的作用。
展示范圍
大模型：展示大型的AI模型和技術。涵蓋基礎層技術:涵蓋人工智能的基礎理論研究、算法開發(fā)、數據處理技術等。技術層創(chuàng)新:包括機器學習、深度學習、神經網絡等先進技術的開發(fā)與應用。應用層展示:展現AI技術在各個行業(yè)中的應用，如智慧城市、智能醫(yī)療、智能家居、智能交通等。
算力:包含通用算力產品:CPU芯片;智能算力產品:GPU芯片，FPGA芯片，ASIC芯片;超算算力產品:如超級計算機，邊緣算力產品，邊緣設備。軟件平臺，包括云計算平臺，分布式計算框架
人工智能數字媒體：集中展示人工智能技術與數字媒體藝術的創(chuàng)新融合成果，包括AI生成的藝術作品、視頻制作、圖像處理、音頻處理等。同時，設置互動體驗環(huán)節(jié)，通過智能算法驅動的3D模型與虛擬現實技術，并結合智能問答與語音交互系統(tǒng)，為參觀者帶來沉浸式互動體。
人工智能行業(yè)應用：涵蓋智慧醫(yī)療、智慧金融、智能教育、智慧家居、智慧零售、城市治理、交易安全等重點應用場景的供需對接，聚集國內外人工智能領域頭部企業(yè)、標桿企業(yè)展覽展示。
人機互動：展示先進的人機協同技術，涵蓋語音識別、面部表情分析、眼動追蹤和自適應交互系統(tǒng)。通過模擬工作站和互動裝置，客觀呈現技術如何優(yōu)化人機協作，提升操作效率和用戶體驗。
展開 