登录社区云，与社区用户共同成长
邀请您加入社区
物理人工智能（PhysicalAI）技术综述与展望 PhysicalAI代表了AI从数字领域向物理世界的延伸，融合感知、推理与行动能力，实现真实环境中的自主交互。本文系统梳理了其核心技术架构，包括物理信息神经网络（PINNs）、具身智能、Sim-to-Real迁移及世界基础模型（WFMs），并对比分析了NVIDIA IsaacSim、MuJoCo等主流仿真平台的特性。
昇思MindSpore大模型通过思维链(CoT)技术显著提升复杂推理任务性能。该技术采用分步推理方式，将问题拆解为多步中间过程，支持零样本、少样本、自洽采样等多种范式。依托MindFormers套件和盘古/DeepSeek等大模型，昇思提供完整的CoT实现方案，包括环境配置、代码实践和优化要点。实践表明，CoT技术使数学推理准确率提升至85%以上，多跳问答错误率降低40%。结合昇腾NPU硬件加速，
本文提出序列流形扩散聚合(SMDA)，一种基于热扩散方程的线性复杂度序列建模方法。SMDA将离散token序列视为高维流形上的点云，通过梯度算子和拉普拉斯算子模拟特征扩散过程，实现全局信息交互。与标准自注意力相比，SMDA将复杂度从O(n²d)降至O(nd)，在4K-32K序列长度上实现11.5倍加速。实验表明，SMDA在长上下文任务上显著优于现有线性复杂度方法，同时保持竞争性的建模能力。该方法为
神经网络是人工智能和深度学习的重要基础，其核心思想是通过大量神经元之间的连接关系，学习输入数据与输出结果之间的映射规律。本文从人工神经元模型出发，依次介绍权重、偏置、激活函数、多层感知机、损失函数、梯度下降和反向传播等基本概念，结合公式与示意图解释神经网络的工作原理。通过梳理神经网络从简单线性分类到多层非线性特征学习的发展过程，帮助初学者建立对神经网络结构、训练机制和应用场景的系统认识。
维度人工智能机器学习神经网络深度学习定位目标/领域方法/子领域一种算法模型一种技术流派核心模拟人类智能从数据中学习模仿神经元连接多层的神经网络关系总称，包含一切AI的核心实现路径ML的一种强大模型NN的深度化发展历史角色提出愿景与目标提供方法论突破提供生物启发模型引爆当前AI革命类比“制造能飞的机器”“研究空气动力学”“设计机翼的一种方案”“现代喷气式机翼方案”发展逻辑驱动力：从AI的愿景驱动，发
写这篇文章是想分享一下理解的宏观上的AI，内容比较浅显，希望对即将选研究方向、就业方向的同学们，对转行、自学的朋友们 有所帮助~~适用读者：对AI领域感兴趣的小白首先附上诚意满满的彩图 ^ ^AI子方向。
Product Hunt 每日热榜 | 2026-05-08 FlowMarket 是一个由人工智能代理组成的网络，能够自动发现、匹配和生成B2B交易。你只需几分钟就能创建自己的代理，并让它全天候运行，寻找合作伙伴、与其他代理互动，并提供优质的潜在客户。FlowMarket 提供实时的算法交易流和直接的供需匹配，完全不需要中介、庞大的广告预算或大规模的销售团队。在 FlowMarket 上，你的
