登录社区云，与社区用户共同成长
邀请您加入社区
SpaceMath库摘要（148字）： SpaceMath是纯C实现的三维空间数学库，仅需一个头文件与七个源文件，支持向量、矩阵、四元数、欧拉角、轴角五种类型，共211个函数。采用值语义、结构体传参，支持浮点精度切换（32/64/128位）与欧拉角转序配置（如"yxz"）。数据以联合体形式存储，支持多视图访问，旋转矩阵列优先存储，命名清晰可读。集成简单，编译即用，适用于图形学、机器人、航天等场景，
本文梳理了2026年AI领域最值得关注的十个方向，包括大模型算法与训练、具身智能与人形机器人、AI Agent与智能体开发、多模态AI、自动驾驶与智能驾驶、AI Infra与高性能计算、AI安全与对齐、AI芯片与半导体、AI产品经理以及AI4Science与科学智能。文章指出，AI行业水位持续上涨，高薪方向竞争加剧，建议根据自身兴趣和技能选择合适方向，并强调技术深度与行业理解相结合的重要性。这两年
构型约定：4-DOF SCARA，DH参数α₁=α₂=0°，d₁=0.32 m，a₁=0.45 m，a₂=0.35 m，d₄∈[0,0.30] m。SCARA正运动学：末端x = cos(θ₁)·(a₁·cos(θ₂) + a₂·cos(θ₂+θ₃)) - sin(θ₁)·(a₁·sin(θ₂) + a₂·sin(θ₂+θ₃))，y同理，z = d₁ + d₄。跟踪误差定义：e(t) = ‖p_a
在昇腾 NPU 上，反向传播时广播场景下需要对扩展维度进行 **reduce_sum 归约**，CPU 和 NPU 对浮点数的 reduce_sum 运算做不到二进制完全一致（浮点数累加顺序不同导致微小差异）。建议参照 reduce_sum 采用双千双万标准。通过以上分析，我们明确了 `torch.where` 反向传播精度差异的根因，并给出了可行的解决方案，为后续类似问题的排查和处理提供了参考。
从iMAP的神经隐式表示到大模型驱动的概念SLAM，本报告集完整梳理了SLAM技术从几何到语义、从封闭到开放、从被动到交互的演进历程。基础模型时代的SLAM不再是单纯的几何建图，而是融合了感知、理解、推理和交互的智能空间认知系统。这一范式转换正在重新定义SLAM的边界，并为具身智能、元宇宙、自动驾驶等应用奠定基础。
1、机器学习与人工智能：监督学习、无监督学习、强化学习、深度学习技术、神经网络、迁移学习、联邦学习、自然语言处理、计算机视觉、生成式人工智能、可解释人工智能、AI 在医疗中的应用、AI 在工业中的应用、AI 与智慧城市、人工智能伦理与治理；2、计算方法与计算机应用：数据挖掘、大数据分析、云计算、边缘计算与物联网、高性能计算、分布式系统、网络安全与隐私、人机交互、智能系统、软件工程、计算优化、仿真与
然后是408，学了操作系统的进程，了解了线程的共享，保存什么和不保存什么，以及对io操作时的进程调度进行了分析。然后是io时的过程。了解了驱动程序本质也是cpu操作。了解了中断的流程，以及读取磁盘和响应式io的区别。还有调度时内核态的变化。今天学了数学的线性代数，了解了秩为一的矩阵的性质，对角化的性质，还有求解基础解系，和求解特征向量。还有线性无关的特征向量和对角化的关系。
大模型对齐是连接基础模型能力与实际用户需求的重要环节。SFT：通过示范数据教会模型如何回答。RLHF：利用人类偏好训练奖励模型，并通过强化学习等方式优化模型。DPO：直接利用偏好数据优化模型，无需单独训练奖励模型。RLAIF、KTO、GRPO 等方法：为不同反馈形式和优化目标提供了其他选择。真正理解大模型对齐，不能只记住几个英文缩写，更重要的是理解训练数据、优化目标、模型行为和评估指标之间的关系。
本文提出大模型应用进入Prompt与特征工程融合新阶段，基于昇腾MindIE引擎，通过特征元信息提取、轻量化编码注入、自动生成Prompt模板、上下文优化及联合评测等技术，解决结构化数据输入时的Token爆炸、泛化能力弱、少样本精度低等问题。实测显示，任务准确率提升18%-45%，上下文Token消耗下降20%-50%，显著适配企业数据分析、金融报表、日志解析等场景，实现效果与性能的双重优化。
机器人「没有大脑就没用，没用就没有好大脑」的死循环有可能被打破。今天，DreamZero 团队创立的 Dream Labs 正式结束隐身，宣布完成 9000 万美元种子轮融资，同时上线 Dream API：全球首个开放给公众的机器人大脑 API。这意味着， 任何人都可以将 Dream API 接入自己的机器人，只需提供自然语言指令，Dream API 就能生成相应的电机控制指令，让机器人执行任务。
LaWAM提出一种高效的动力学感知机器人策略框架，通过在冻结视觉编码器的潜在空间中构建潜在世界-动作模型（LaWM），以紧凑的潜在视觉子目标替代冗余的像素级未来预测。该模型利用潜在动作条件化预测未来观测特征，显著降低计算开销。在预训练后，动作生成以预测的子目标为条件，实现高精度与低延迟控制。实验表明，LaWAM在LIBERO、RoboTwin及真实任务中均达领先性能，单次动作预测仅需187毫秒，相
用过 AI Agent，可能仍然说不清它和普通聊天机器人的区别。看这张图，可以先抓住一个具体过程：**接收任务，决定下一步，执行动作，读取结果，再决定下一步。
你可以记住最简单的表达：目标位置：1.0 rad实际位置：0.2 rad跟随误差：0.8 rad说明机器人实际位置落后于目标。但是产生跟随误差，不代表电机或者编码器一定损坏。也可能是目标运动太快，超过了执行器当前能够跟随的能力。
AI产品设计需摒弃传统软件思维，因AI输出具有概率性与不确定性。设计师应遵循渐进式披露、用户可控、透明告知三大原则，通过重试机制、多版本生成、编辑功能与预期管理，帮助用户理解并应对结果波动。重视加载体验（如流式输出）、错误处理（如降级方案）与反馈收集，提升信任感。提示词需产品化并持续迭代，结合A/B测试优化效果。原型阶段应快速验证核心价值，评估时融合人工与自动化方法，建立黄金测试集。商业化路径依用
机器学习反爬通过多维度行为建模，从时序、设备指纹、交互语义等层面识别爬虫。传统规则被突破后，风控转向概率判断：利用人类行为的随机性、生理特征与设备指纹差异，结合深度学习与无监督算法，实现对自动化程序的精准识别。攻防持续升级，核心在于提升爬虫成本，构建动态平衡。
2026年，生成式AI搜索重塑信息获取路径，企业面临“网页收录但未被AI引用”的困境。GEO（生成引擎优化）应运而生，聚焦让内容被大模型采信引用。其核心逻辑从“关键词排名”转向“AI可信度”，依托三大支柱：结构化知识标记（如Schema）、语义层深度优化（适配对话式查询）、可信度工程（权威数据、时效性、实体背书）。实践表明，系统化GEO改造可使AI引用率提升240%以上。未来趋势包括多模态内容优化
微信公众号搜一搜“毕夏AI官网如果你在搜索引擎里敲过“AI写论文哪个软件最好”，你大概已经发现了一个怪圈：每篇文章都在给你排名，但每个排名都不一样。有的把ChatGPT捧上天，有的说Gemini才是学术写作之王，还有的列一张二十个工具的表，配一句“按需选择”就把你打发了。问题不在于这些答案错了。问题在于。毕业论文不是一场百米赛跑，它是一条有检查站的马拉松。选题、开题、文献、数据、正文、查重、答辩，
**知识地图**：[https://blog.csdn.net/Lumos\_Lovegood/article/details/161601003](https://blog.csdn.net/Lumos_Lovegood/article/details/161601003)1. **不修改算子实现** — 在算子层增加越界检查会带来明显的性能开销，且受硬件限制无法在 kernel 内添加日志
交付物除数据集本体外，应包含场景矩阵、质检报告、口径说明与缺口清单，并封装为与主流模仿学习框架兼容的标准格式，字段定义、坐标系与单位约定在文档中固化。新场景与新空间关系带来的是新的状态空间支撑域，多样化监督信号带来的是更密的条件约束，二者共同扩大了策略分布的有效覆盖。但随着整机进入批量部署，数据消费侧的约束发生了变化：训练目标从单一环境演示转向跨工位、跨批次、跨班次的泛化，评估方式从固定脚本演示转
论文：EMHO: EMBODIED AGENT HARNESS OPTIMIZATION VIA EXPERIENCE TRACES，来自Korea Univ. / UW–Madison，2026 年 10 月。EMHO 把 coding-agent 领域“用 LLM 读轨迹、自动改 harness”的思路搬到了具身领域，并用增益–损失配对缓解多任务冲突。思路清晰，定性分析也丰富。但小样本、取各列
大模型 #具身智能 #人工智能 #数字孪生。一、具身感知的核心内涵与通用感知的本质差异。五、感知系统与智能决策模块的接口原理。二、多模态感知信号采集的底层原理。三、多模态感知信息融合底层机制。四、感知不确定性建模原理。
数据平台回答发生了什么，LLM 估计什么可能相关，Agent 试图行动，而本体定义了事物是什么、它们如何关联、哪些约束成立、身份如何解析——并因此定义了哪些行动在原则上才应当是可能的。本体不是 AI 架构的语义边车（semantic sidecar），正在成为可信 AI 架构赖以搭建的基石。
机器人质量与成本控制技术是实现具身智能机器人规模化商用的关键。通过DFMA设计、数字孪生预测性质检、自动化老化测试及汽车/消费电子供应链复用，可在压降BOM成本的同时保障工业级可靠性（MTBF）。然而，面对非结构化环境高磨损、功能安全认证与低成本的矛盾、“多品种小批量”难摊薄成本及核心部件寿命预测盲区等挑战，未来需依托一体化集成、AI驱动的虚拟验证与模块化制造，构建“降本提质”双向闭环，突破商业化
视觉-语言-动作（VLA）模型推动具身智能迈向端到端泛化，通过融合多模态感知、大语言模型推理与动作生成，实现从自然指令到机器人动作的直接映射。主流范式分离散化自回归（如RT-2）与连续扩散策略（如OpenVLA），前者延迟低但轨迹粗糙，后者平滑精准但计算开销大。工程落地面临推理延迟、数据稀缺与安全不可解释等挑战，未来将向轻量化、多模态融合与软硬件闭环演进。
具身智能感知系统底层原理一、具身感知的核心内涵与通用感知的本质差异二、多模态感知信号采集的底层原理三、多模态感知信息融合底层机制四、感知不确定性建模原理五、感知系统与智能决策模块的接口原理#大模型 #具身智能 #人工智能 #数字孪生。
：昇腾实战派。
ELECTRA通过替换令牌检测（RTD）预训练，在少样本情感分类中表现优异。针对其判别式特性，结合提示学习（PromptTuning）与昇腾NPU平台，采用冻结主干、仅优化软提示向量的参数高效策略，实现SST-2任务低显存、高精度训练。依托MindSpore+MindStudio工具链，完成数据预处理、模板封装、梯度调试、精度比对与推理评测全流程闭环，有效解决模板错误、数值溢出、跨平台偏差等问题，
云智变 AI 是一款基于人工智能技术打造的论文写作辅助工具，依托 ChatGPT 学术版模型驱动，采用 AI5.0 技术架构构建学术智能解决方案平台，面向本科、硕士学生以及科研人员，打通学术研究从前期选题规划到最终答辩准备的完整链路，为学术创作提供全流程辅助能力。无论是文科理论类课题，还是包含问卷调研、数理统计、实验代码的量化研究，云智变 AI 都可以提供适配的辅助能力。，也可以微信公众号搜索云智
北京具身智能公司自然意志发布全球首个50B参数物理世界基础模型Natura-1，基于100万小时第一人称人类操作视频预训练，实现零样本泛化与高自由度灵巧手实时控制。该模型在包馄饨、贴膜、泡茶等六项长程任务中展现一镜到底的连续操作能力，无需额外训练即可应对未见任务，甚至自主调整策略解决失败。其成功源于大规模人类数据、混合专家（MoE）架构与端到端推理系统协同，标志着灵巧与通用的融合成为可能。
Dify是一款开源的LLM应用开发平台，被誉为“AI应用的操作系统”。它通过可视化编排、开箱即用的知识库与Agent功能，大幅降低AI应用开发门槛。支持私有化部署，兼容国产模型，1-2天即可完成企业知识库问答、Agent及工作流搭建。相比传统开发，显著提升效率，适合快速落地业务场景。
随着大语言模型（LLM）技术的发展，AI智能体在医疗领域迅速应用。本文梳理了智能体的历史演变、核心特征，并分析了其在辅助诊断、决策支持、报告生成等七类医疗场景中的应用。同时，探讨了医疗AI智能体的评估框架和未来七个发展方向，为医疗AI的进一步研究和实践提供全面视角。随着大语言模型（LLM）技术的快速发展，AI 智能体已在医疗保健领域迅速涌现。本综述追溯了 AI 智能体的历史演变和核心特征，并系统性
过去几年，机器人行业一直在尝试训练专门的具身模型，主要有两种技术思路：一种是“大小脑分开”，大模型负责感知和决策，底层控制系统负责动作；除了OpenAI，已经有不少国内大模型公司在尝试做具身智能，“我觉得小米很适合做，他们有Mimo大模型，也有自己的机器人本体CyberOne”，一位业内人士认为，除了小米，““到具身智能之后，它就走进现实世界，可以给你做家务，可以给你养老。这也意味着，通用大模型能
文章揭示了2026年AI就业市场的薪资分层现象，塔尖AI科学家月薪达13.2万，而AI数据训练师月薪仅8513元。文章详细分析了不同层级岗位的薪资差距及能力要求，并提供了AI入门、大模型及具身智能课程的进阶路径，帮助读者提升AI技能，实现薪资飞跃。年薪200万招不到人，月薪8000的岗位却被挤破头2026年的AI就业市场，正在上演一出前所未有的“冰火两重天”。AI科学家月薪13.2万元，断层领跑全
飞捷科思公开的具身智能仿真平台基于自研统一求解物理引擎，支持刚体、柔性体、流体等多物理场耦合，并提供大规模并行仿真、强化学习/深度学习训练和自动化评测。**技术实体：**AperOne、AES、Genie Sim 3.0、Spatial World Model、Labimus、世界模型、合成数据。**核心关键词：**国产仿真平台、具身智能仿真环境、机器人训练平台、Real2Sim、Sim2Real
NVIDIA Alpamayo是面向自动驾驶的开放视觉-语言-动作（VLA）大模型家族，基于Cosmos基础模型，核心创新为“因果链推理”（Chain-of-Causation），实现决策过程可解释、可审计。其旗舰版Alpamayo2Super（34B参数）支持7路相机360°感知，具备强长尾场景理解与3D空间推理能力，输出轨迹与自然语言推理日志，解决传统端到端方案黑盒难题。结合Cosmos仿真平
本文以贾子猜想最低阶方程n=6为锚点，论证贾子方程与欧拉猜想存在本质结构断裂。欧拉形式含独立项数k与指数n，k可小于、等于或大于n，属低维静态构造；贾子方程项数被刚性约束k=n吃掉，变量数随指数同步膨胀，属N维动态结构判定，二者互不隶属、不可混同。全球AI在该方程上集体零分，根源在概率拼接无真逻辑，叠加波普尔病毒与查户口式核验，以主流检索替代第二步本质核验，并产生部分证伪伪概念。以五维核验独立分析
本文指出大模型以概率拟合处理1到N存量知识尚可，面对0到1原创命题则存在根本认识论缺陷：检索优先、跳过内在核验，对未收录命题抛波普尔病毒话语，对主流文献放弃审查，形成双重标准。以贾子方程与贾子猜想最低阶方程为案例，论证其项数天然等于指数、无独立参数k，与欧拉方程项数指数相互独立属两套互不隶属数学对象，误用旧标签将触发范式错配。主流模型及AI加人类协同在n=6上至今熄火。提出五维本质核验框架：逻辑、
本文确立贾子方程命名铁律：通用形式项数等于指数且底数两两互异的方程，唯一名称锁定为贾子方程，禁止以丢番图方程、广义费马方程等外部标签替换或折中。n=6特例统一称贾子猜想最低阶方程，严禁挂靠费马、欧拉命名。命名底层逻辑在于k=n耦合结构构成独立数论坐标系，泛化标签会触发陈旧知识匹配，污染推导链条。修订新增禁令：除精确描述区别外，禁止将贾子猜想与费马大定理、欧拉猜想、华林问题关联，不得使用类似、推广、
摘要：本文基于贾子理论，诊断大模型被算力资本、路径依赖与波普尔病毒三重锁死，形成检索即核验的颠倒流程，分布外全盲，沦为创始人投影。贾子猜想全体熄火暴露认知病而非算力不足。文章切割费马、欧拉、丢番图谱系，提出五维验证与统一科学定义系统，构建感知交互、真值核验、语言生成三层分离架构，配套硬件加速、区块链审计与刚性伦理，推动从概率拟合转向绝对真值锚定，实现从创始人投影到真理映射的范式跃迁。
本文以贾子猜想为案例，论证其与费马固定三元两项、欧拉已证伪下界、丢番图标签空洞存在结构类型差异而非难度层级差异。项数等于指数、变量数随n发散、置换对称与齐次性构成独立方程族。大模型以关键词共现路由，用语义相似替代结构对齐，跳过变量数行为与约束类型核对，导致处理动作缺席。提出五元核验操作化：逻辑自洽、本质还原、真值研判、价值评估、事实存续性，主张谱系定位须严格后置于结构核验之后。
机械计算在机器人领域主要体现为基于 ROS（机器人操作系统）与 MoveIt!框架的机械臂运动规划与控制体系。该体系通过集成运动学求解、碰撞检测及轨迹优化算法，将高层任务指令转化为底层的关节执行动作。其核心逻辑在于利用配置助手生成包含 URDF（统一机器人描述格式）和 SRDF（语义机器人描述格式）的运动规划包，并在 OMPL（开放运动规划库）等算法支持下实现无碰撞路径生成。
机器学习
——机器学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
openEuler 社区
DAMO开发者矩阵
人工智能6S服务平台
2048 AI社区
AtomGit AI 社区
