登录社区云，与社区用户共同成长
邀请您加入社区
ChatGPT每周服务超过10亿人,支撑它的存储平台Habitat每秒要处理超过7000万次请求,管理的数据超过500PB。这套系统原本是Python写的,今年第二季度,OpenAI用2名工程师,加上Codex和GPT-5.5,把它整体重写成了Rust。官方的说法是"迁移语言"。但把技术细节读下来会发现,真正被换掉的不是语言,而是这套系统当初被设计成什么样。这事跟你我有什么关系?只要你用过Chat
直流电机因其调速性能优异、响应速度快等特点，在工业控制、电动汽车、机器人等领域有着广泛应用。然而，传统PID控制存在参数固定、难以应对非线性及环境扰动等问题。模糊PID控制虽通过引入模糊逻辑实现了参数自适应调整，但在复杂场景下仍面临规则库构建与参数优化的难题。本文将蚁群优化算法（Ant Colony Optimization, ACO）引入直流电机模糊PID控制系统中，利用其全局寻优能力对模糊PI
本文提出面向逻辑思维的程序设计方法下，类脑大模型大脑视觉五子网联合处理架构：感知理解子网实现场景语义化，认知推理子网驱动问答与规划，世界模型子网预测未来事件，情感子网解析八维情绪，反思创新子网归因错误并促进进化。五子网通过全局工作空间协同，形成“看清-看懂-看透-看情-看省”的完整认知链路，实现从空间事实到决策智能的跃迁，为“所见即所知、所见可决策”提供系统化架构支持。
【摘要】本周(2026年9月6日～9月12日)全球AI产业进入技术落地加速+治理规则定型的关键窗口。国际层面，OpenAI旗舰模型全面开放商用接口，英伟达联手Palantir深耕实体经济场景，加州立法开启AI强制审计时代，白宫自愿安全框架引发透明度争议；开源端侧小模型持续突破，AI能力边界不断向终端延伸。国内层面，最高法出台首部涉AI司法裁判规则，人形机器人首条自动化产线落地，算力调度与模型定价持
随着生成式AI在企业办公场景的普及，越来越多团队不再满足于用AI工具完成单次问答、简单文案润色等浅层次需求，开始寻找能够承接复杂工作流、直接交付可落地成果的智能体产品，企业级Work Agent也成为当前企业服务领域的热门落地方向。很多企业在选型阶段最核心的疑问，就是如何判断一款产品是否属于合格的企业级Work Agent，避免采购到仅能实现基础对话功能、无法适配真实工作场景的工具。
别再让ChatGPT硬编参考文献了！开题季AI工具选型实测：毕业之家、大模型、科研智能体到底怎么搭着用 又到开题季。最近被问得最多的问题是："我都开了ChatGPT Plus了，为什么开题报告还是被导师打回来？" 答案很简单： 2026年的AI工具已经高度分化，没有一个模型能包打论文全流程。 通用大模型擅长头脑风暴，却会一本正经地编造不存在的文献；科研智能体能读万卷论文，却不懂你学校的任务书模板；
论文AI工具别再乱用：从ChatGPT、Kimi、Manus到PaperRed，2026年按阶段选才不翻车 又到开学和毕业季，很多同学的论文AI使用路径都很相似：用大模型列提纲、生成初稿，再让它“润色得学术一点”，最后查重或AIGC检测直接飘红。 问题往往不是AI不够强，而是 用同一类工具干了所有环节的事 。 2026年的AI工具已经明显分层：通用大模型负责构思和推理，科研智能体负责读文献和找证据
传统软件"部署即终点"，机器人算法恰恰相反——部署才是起点。因为真实环境比测试环境复杂太多，训练数据永远覆盖不了所有场景，环境还在不断变化。算法上线后得持续收集真实数据、发现问题、再训练、再部署，这个循环转起来，算法才越用越强。——摔一下、撞一下，可能就是硬件损坏甚至伤人。怎么破？答案是。
2026年8月17日至9月12日，作者使用Trae（Agent模式+DeepSeek）在27天内从零开发出纯C11、零第三方依赖的ARM边缘LLM推理引擎，成功在15.6GiB内存的RK3588板上运行17.66GB的Qwen3-30B-A3B模型，服务峰值内存从14.23GB降至1.11GB（降幅12.8倍）。通过逐层推理、VQF格式、mmap映射与惰性分配等技术突破，实现输出一致、低延迟。过程
论文党别再瞎试AI了！从选题到"双降"，一篇帮你配齐趁手工具 又到开题季、答辩季，后台被问最多的问题就是："写论文到底用哪个AI？""为什么我用ChatGPT改完，查重过了，AIGC率却红了？""降重软件改出来的东西全是病句，专业术语还被乱换，怎么办？" 说实话，论文这件事， 没有全能工具，只有按环节分工的工具组合 。我把自己和身边硕博同学实测过的国内外大模型、学术垂直工具梳理了一遍，尤其重点说说
当前，行业对“适合装备制造业的PLM选型方案”的认知正逐步从功能清单比对，转向对底层工程逻辑适配能力的审视。尤其在华东地区制造业集群中，以上海为中心，辐射苏州、无锡、常州、南京等地的汽车零部件、轨道交通装备、能源动力装置及工业机器人企业，普遍面临BOM动态性高、构型切换频繁、物理试验与数字模型验证周期长等共性挑战。其方案注重将仿真分析中的关键变量（如温度与应变速率耦合效应、延性断裂临界条件、蠕变损
图1：机器人很得意，人低下了头。近日，一则来自复旦大学的帖子在社交平台引发广泛讨论。一名复旦学生吐槽称，翻译专业的学妹毕业一年仍找不到工作，直言“10个老教授合一块都干不过AI”。这并非孤例。中国翻译协会发布的《2026中国翻译行业发展报告》显示，人工智能技术对初级译员的替代效应已十分明显，行业正以具备丰富经验的资深人才为主体。[1] 研究数据表明，AI的采用已导致部分地区人工译员数量减少40%至
本文系统阐述了机器人运动控制中的路径平滑与速度规划技术。路径平滑通过B样条曲线等方法将离散路径点转化为连续轨迹，消除机械振动；速度规划则基于梯形或S形曲线模型生成符合物理约束的速度轮廓。两者协同工作可显著提升机器人运动的稳定性、能效和安全性。文章详细解析了算法原理、实现方法、实际应用中的挑战与解决方案，并提供了针对性面试问题分析。随着AI技术发展，该领域正向自适应参数调整和智能场景建模方向演进，为
开题报告别再乱开AI会员了：2026论文辅助工具选型指南，PaperRed、DeepSeek、Kimi、ChatGPT到底怎么分工？ 又到开学季和开题季，很多同学一上来就问：“有没有一个AI能从选题、文献、开题报告、排版到降重全部搞定？” 我的建议是： 不要指望一个工具包打天下，而要按论文阶段分工。 通用大模型适合头脑风暴，AI搜索适合查资料，文献工具适合读论文，而真正要生成一份能交给导师看的中文
本文详解在RK3568平台更换RGB或MIPI电容屏时，FT5406触摸芯片的适配流程。强调换屏即换触摸配置，需同步更新I2C地址（0x38）、复位/中断引脚（如GPIO3_B1/B2）、HDF驱动模块名、上电序列及分辨率。重点指出400kHz I2C速率常因负载过大导致NACK，应降速至100kHz；避免与GT911共存，因引脚、驱动、电源序列均不兼容。通过扫总线、核对dmesg日志、清缓存等步
电力巡检智能改造，核心是弥补人力短缺与资产增长的“剪刀差”：35千伏及以上变电站十年增30.5%，人均运维量却飙升73%。人工巡检面临工时饱和、标准不一、数据难沉淀三大瓶颈。智能巡检通过轮式、挂轨、轮足机器人按场景分工，实现多站并行巡视、数据自动归档与异常前置发现，替代约70%标准化工作。单站型适用于大型变电站，区域型则以集约化降低投资成本。效率提升源于并发执行、自动归档与早期预警，显著减轻一线负
本节课中我们一起学习了思维链方法。我们了解到，思维链方法通过将复杂任务分解为更小的步骤，提高了AI模型的逻辑推理能力和准确性。两种主要的思维链方法是：提供示例以指导问题解决的少样本思维链，以及鼓励模型独立逐步思考的零样本思维链。虽然思维链增强了决策能力和可解释性，但它也可能减慢处理速度、使简单任务复杂化，并可能延续早期步骤的错误。生成式AI提示工程：P27：思维树方法 🌳在本节课中，我们将要学习
在本节课中，我们将聆听来自人工智能领域多位专家的自我介绍。他们将分享各自的背景、专业领域以及在生成式AI方面的经验，帮助我们了解不同视角下的行业实践。以下是参与本课程分享的专家们。：我是Abhi Gagneja，IBM的人工智能主题专家和研究员。：我是Sepideh Sajadi，IBM K工程团队的一名AI工程师。很高兴能在这里与大家探讨生成式AI。：我叫Bradley Steinfeld，是I
论文AI工具别乱开会员：开题、初稿、降重、降AI，这样选才不踩坑 又到论文季，很多同学的真实状态是：用大模型写初稿时很爽，定稿前却被“重复率”和“AIGC率”两座大山一起压住。更纠结的是，现在工具越来越多——ChatGPT、Claude、Gemini、DeepSeek、Kimi、通义千问、各类科研Agent、知网维普万方、PaperPass、PaperYY，还有主打“双降”的毕业之家，看起来每个都
本文首次将反事实因果推理深度嵌入TVA架构，通过因果图谱学习器实现物理知识的自主归纳，通过干预仿真器实现轻量级物理推演，通过反事实注意力门控实现因果逻辑与神经决策的实时耦合。三大创新共同构成：✅ 首个支持do-干预与反事实查询的具身TVA架构；✅ 首个无需物理参数先验、纯从交互数据构建因果模型的端到端方案；✅ 首个将因果归因热图直接用于token级动作抑制/增强的可解释决策范式。
本文针对具身智能在能耗与资源调度方面的不足，提出了融合轻量化设计与资源调度的TVA架构。通过理论构建与实验验证，得出以下结论：首先，轻量化模块有效降低了系统计算负载与能耗。其次，资源调度网络显著提升了系统在不同任务下的资源利用率。最后，该架构在边缘计算任务中的优异表现，为具身智能从“高性能”迈向“高效能”奠定了关键技术基础。展望未来，能耗优化将向“自主感知”发展。未来的研究将聚焦于让智能体通过自我
本文针对具身智能在持续学习与知识迁移方面的不足，提出了融合在线更新与知识迁移的TVA架构。通过理论构建与实验验证，得出以下结论：首先，在线更新模块有效提升了系统对新数据的适应能力。其次，知识迁移网络显著增强了模型的跨任务与跨领域泛化能力。最后，该架构在持续学习任务中的优异表现，为具身智能从“静态部署”迈向“动态进化”奠定了关键技术基础。展望未来，持续学习将向“自主演化”发展。未来的研究将聚焦于让智
本文针对具身智能在动态环境中的适应困境，提出了融合元学习与持续优化的TVA架构。通过理论构建与实验验证，得出以下结论：首先，元学习适配有效提升了模型的泛化能力，使其能够快速适应新环境。其次，增量学习与在线优化机制显著降低了模型更新的开销，提高了系统的灵活性。最后，该架构在多环境适应任务中的优异表现，为具身智能从“静态部署”迈向“动态进化”奠定了关键技术基础。展望未来，动态环境适应将向“自组织演化”
本文针对具身智能在边缘设备上的部署难题，提出了融合轻量化设计与边缘计算优化的TVA架构。通过理论构建与实验验证，得出以下结论：首先，轻量级Transformer模块有效降低了模型复杂度与计算开销。其次，边缘计算适配器显著提升了系统在资源受限环境下的运行效率。最后，该架构在边缘部署任务中的优异表现，为具身智能从“高性能计算”迈向“低功耗推理”奠定了关键技术基础。展望未来，边缘计算将向“自主优化”发展
本文针对具身智能在安全防护方面的不足，提出了融合风险感知与防御机制的TVA架构。通过理论构建与实验验证，得出以下结论：首先，风险感知模块有效提升了系统对潜在威胁的识别能力。其次，防御网络显著增强了系统的抗干扰与自修复能力。最后，该架构在安全测试中的优异表现，为具身智能从“功能优化”迈向“安全增强”奠定了关键技术基础。展望未来，安全增强将向“自主进化”发展。未来的研究将聚焦于让智能体通过自我学习与反
本文针对具身智能在多模态融合中的信息冲突与决策失误问题，提出了融合跨模态感知与协同推理的TVA架构。通过理论构建与实验验证，得出以下结论：首先，跨模态感知模块有效提升了系统对多模态数据的融合能力。其次，协同推理网络显著增强了系统的联合决策能力。最后，该架构在多模态任务中的优异表现，为具身智能从“单点感知”迈向“多维协同”奠定了关键技术基础。展望未来，多模态融合将向“自主学习”发展。未来的研究将聚焦
2026年上半年我国机器人出口成绩亮眼：工业机器人出口62.9亿元，同比增长18.6%，销往141个国家和地区；手术机器人出口4.8亿元，增长3.3倍，市场拓展至49个；清洁机器人与智能仿生机器人合计出口180.9亿元。海关总署今年新增智能仿生机器人、清洁机器人专门税号，为其赋予国际贸易“身份证”，标志着产业进入规模化、国际化新阶段。自2025年首次成为工业机器人净出口国后，国产机器人正从“卖单机
论文人别再“一个AI用到黑”：AI写作 + AIGC检测工具搭配指南 很多同学用AI写论文的路径都很相似：找一个大模型生成大纲，再让它扩写正文，最后直接提交。结果往往是：思路确实快了，但参考文献可能是编的，段落像“正确的废话”，AIGC检测报告一出来更慌。 其实工具没有绝对好坏，关键是 让写作模型、智能体、检测工具各司其职 。 一、先分清：不同AI工具分别擅长什么 工具类型 代表产品 核心优点 更
**工具调用**：如果规划器决定需要调用工具，协调器会指令**工具执行引擎层**（如代码解释器、RAG引擎）来执行具体操作。最后，回复会经过安全层的二次审查，再流式返回给用户。***分层调度与资源管理**：通过**算力调度层**，为模型推理和工具执行分配GPU/TPU等算力资源，并可能采用**Kubernetes**等技术进行大规模集群管理。***上下文优化**：通过**Context Packe
别再让一个ChatGPT扛完整篇论文：2026论文AI辅助工具选型清单 很多同学用AI写论文的路径都差不多：先让大模型列提纲、生成初稿，再让它“润色得更学术一点”，最后信心满满去检测，结果AIGC率飘红。 问题往往不是AI不够强，而是 你用同一类工具干了所有环节的事 。 2026年的AI工具已经高度分化：大模型负责思考和生成，科研智能体负责文献和证据，润色工具负责语言，而终稿前的“降AIGC”，最
论文降重别再只靠“万能AI”：2026毕业论文辅助工具选择指南 又到论文季，很多同学的做法是：打开一个大模型，输入“帮我降重”，复制结果，再祈祷学校查重能过。但真正用过就会发现，不同工具适合的阶段完全不一样： 大模型擅长帮你“从0到1”，查重平台负责“诊断”，而垂直降重工具解决的是“标红后怎么精准改”。 下面按使用场景把国内外主流工具梳理清楚，帮你少花冤枉钱，也少走弯路。 一、通用大模型和AI智能
走进一家电子制造车间，最先看到的不是流水线，而是几台夹持着小零件的机械臂。它们动作不快，但很稳，反复抓取、旋转、放下，像在练习一个固定的动作。旁边的技师解释，这不是演示，是真在上料——把散装的螺母送到螺丝机进料口。以前这
别再拿大模型硬降标红了：论文从开题到定稿，AI工具到底怎么选 又到论文季，很多同学的问题不是“要不要用AI”，而是“工具太多，到底该用哪个”。 有人用ChatGPT把标红段落改了三遍，查重率几乎没动；有人改完句子是通顺了，但专业术语、论证逻辑和论文格式全乱；还有人文献综述还没理清楚，就先让AI生成一版，最后越改越像“AI写作”。 其实工具没有绝对的好坏，关键是分工要对： 通用大模型负责启发和表达，
论文降重别再只靠 ChatGPT：2026 AI 写作与定稿降重工具分工指南 又到论文季，很多同学的问题不是“要不要用 AI”，而是工具太多，不知道哪个真正适合自己。 有人用 ChatGPT 把标红段落改了三轮，重复率没明显变化；有人重复率降下去了，专业术语、论证逻辑和排版格式却被改乱；还有人搭了半天智能体，最后发现它并不能针对知网、维普、万方等具体查重报告精准消红。 其实工具没有绝对的好坏，关键
论文AI工具别再乱用：大模型帮你“写出来”，毕业之家帮你“降下来” 很多同学论文卡壳后的操作是：打开ChatGPT、Kimi、豆包或DeepSeek，把标红段落一贴，输入“帮我降重”。结果往往是——句子变顺了，但重复率没怎么降；专业术语被改掉了；表格、脚注、标题层级还乱了。 问题不是AI不够强，而是 工具用错了场景 。 查重系统负责“找问题”，通用大模型负责“改表达”，AI智能体负责“串流程”，学
开题报告别再只问通用AI了：2026学术辅助工具选型指南，找文献、搭框架、套模板一次说清 又到开题季。很多同学的第一反应是打开ChatGPT、DeepSeek、豆包或Kimi，输入题目，等待一份“看起来很完整”的开题报告。但真正交给导师时，常见问题马上出现：文献查无此文、研究现状像资料堆砌、技术路线空泛、格式和学校要求不一致、AI痕迹重。 不是AI不能用，而是要选对场景。通用大模型、AI智能体、学
从开题到答辩，我把2026年论文AI工具全扒了一遍：这篇选型指南，建议收藏到答辩结束 每年开学季，后台都会收到同一类私信："学长，写论文到底用哪个AI？""ChatGPT写的东西导师一眼就看出来了怎么办？""答辩PPT有没有一键生成的，我真的排不动版了……" 先说一个被很多人忽略的真相： 没有任何一个工具能包打整篇论文 。让ChatGPT编参考文献，它能给你造出一堆不存在的文献；让通用大模型排答辩
一套机器人线束，原本在模块边界留了一个连接器。降本评审时，有人提出：把两段线改成一根直连线。这样一来，连接器、端子和压接工序都可以省掉，装配时也少插一次。从图纸和物料清单上看，新方案很直接；线束做好以后也能导通，机器人可以上电，动作也没有问题。真正进入联调和维护以后，差异才出现：原来能在模块边界断开的线，变成了一整根；原来能单独拆下的模块，开始和更长的一段线束绑在一起；出现异常时，原来可以从中间断
人工智能
——人工智能
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit AI 社区
DAMO开发者矩阵
脑启社区
开源鸿蒙跨平台开发者社区
