登录社区云，与社区用户共同成长
邀请您加入社区
地球观测数据在各个行业中都有重要的应用价值，但大规模管理这些数据却具有挑战性。Skywatch公司是一家在NASA举办的黑客马拉松活动中创立的初创公司，它汇集了商业卫星图像，使得地球数据变得更加易于使用。他们的平台利用了亚马逊云科技的Lambda和Step Functions等服务器功能，以节省成本且可扩展的方式处理图像。例如，石油和天然气公司可以以每平方公里仅0.12美元的成本监测管道，而昂贵的
乔伊·福斯特探讨了过去五十年里卫星通信技术的进步如何推动了飞机上连接方式的变革，从而通过飞行中的Wi-Fi、娱乐系统和业务数据分析提升了乘客的旅行体验。然而，当前飞机上软件的更新仍依赖于SD卡和工程师的低效手动操作。为了解决这一问题，亚马逊云科技设计了一个基于亚马逊IoT Core和Greengrass的解决方案，以实现空中软件的远程更新。他们开发的关键定制组件包括一个地面工作人员的控制面板，以及
亚马逊云科技re:Invent是Splunk探讨其在工业物联网数据收集领域新产品Edge Hub的重要场合。Splunk致力于帮助企业 在安全、IT运营和可观察性方面取得进步。然而，从车间和网络机柜中的IoT设备收集数据一直以来都是一个挑战。Edge Hub旨在作为一个能连接到工业传感器和协议的加固网关设备，从而解决这一问题。它具备强大的无线连接能力，并可以使用其AI芯片在边缘处理数据。这使得像电
会上，MediaTek与Counterpoint携手阿里云通义千问、百川大模型、虎牙、酷狗音乐、零一万物、OPPO、Soul、腾讯AI Lab、腾讯混元、vivo，联合发布《生成式AI手机产业白皮书》，共同定义了“生成式AI手机”的概念和典型特征。《生成式AI手机产业白皮书》详细地阐述了生成式AI与智能手机深度融合的趋势，深入探讨了生成式AI手机生态中芯片厂商、手机厂商、大模型厂商、开发者的AI战
本文探讨了UnifoLM-WMA-0如何通过生成式AI和扩散模型革新机器人学习，实现具身智能的突破。该架构结合世界模型与时空注意力机制，显著提升机器人的决策能力和任务执行效率，在工业与医疗领域展现出巨大应用潜力。
生成式AI与工业机械臂的结合正在改变传统创作与制造流程。通过多模态大型语言模型（LLM），艺术家可以用自然语言描述构思，AI自动生成可执行的3D模型代码并驱动机械臂完成金属成型。NVIDIA Omniverse平台提供数字孪生环境，实时模拟材料形变与加工过程，确保精度与安全性。这种技术不仅缩短了从概念到实物的周期，还降低了中小企业的制造门槛。应用场景涵盖艺术创作、航空航天快速原型开发等领域，展现了
在数据驱动的技术浪潮中，网络爬虫作为获取海量数据的关键技术，其应用边界与法律风险日益成为开发者关注的焦点。从技术原理上看，爬虫通过自动化脚本访问和提取网络公开信息，为机器学习模型提供训练“燃料”。然而，这一过程若处理不当，极易触及法律红线，其技术价值背后隐藏着复杂的合规挑战。在生成式AI等前沿应用场景中，数据获取的合法性直接关系到项目的存续。具体而言，开发者需重点关注两大核心风险领域：一是合同违约
生成式AI正在重塑软件开发的工序，但许多资深工程师因输出不可控、上下文丢失而本能抗拒。理解其底层原理——基于深度神经网络预测下一个token的概率模型，是掌控它的前提。生成式AI擅长高频模式匹配的任务，如代码翻译、脚手架生成、单元测试辅助；但在架构设计、安全敏感逻辑和调试真实环境时仍需人工主导。检索增强生成（RAG）通过Embedding和向量数据库实现本地化部署，让数据不出域即可获得可溯源的问答
随着边缘计算和物联网技术的普及，大模型推理正加速从云端向端侧迁移。对于机器人、无人车等实时性要求高的场景，端侧部署生成式AI模型不仅能显著降低响应延迟，还能保障数据隐私与离线可用性。然而，如何在资源受限的ARM平台上高效运行大语言模型，成为开发者面临的核心挑战。本文以地瓜机器人RDK S100开发板为例，深入解析其自研BPU加速单元的硬件特性，并系统阐述从工具链选型、Docker容器化部署到Oll
生成式AI和边缘计算正在重塑产品开发范式。混合专家模型(MoE)等架构显著提升了AI推理速度，而本地化AI推理则通过减少云端依赖优化了响应延迟。这些技术进步催生了如风格迁移工具和智能编程助手等创新应用，在数字内容创作和软件开发领域实现60%以上的效率提升。从工程实践角度看，现代技术栈组合如Next.js+Serverless架构，配合Triton Inference Server等部署方案，为产品
工业制造场景中，缺陷检测越来越依赖深度学习模型，但传统云端推理方案在面对产线实时性、数据隐私和复杂环境时会遇到明显瓶颈。边缘计算将人工智能模型部署到靠近数据源的设备端，极大缩短响应时间并提升了系统的稳定性与安全性。与此同时，生成式AI的兴起为工业异常检测带来了新的解决思路，从合成稀缺缺陷样本到基于重建的差异定位，再到零样本异常判别，生成式模型正在从多个维度补足传统算法的短板。边缘端运行生成式模型也
边缘计算与嵌入式AI正在成为生成式AI落地的重要方向，其核心在于如何在低功耗设备上实现高效的模型推理。Jetson Orin Nano Super 作为英伟达面向边缘场景的开发套件，提供了从JetPack SDK到TensorRT的完整工具链，支持CUDA加速与INT8量化，显著提升推理性能。在嵌入式视觉、机器人、智能硬件等场景中，开发者常面临环境配置复杂、版本匹配严格等挑战。本文围绕该套件，详解
生成式AI技术的快速发展推动了开源模型生态的繁荣，其中模型推理优化成为关键挑战。通过计算架构优化和部署工具链升级，可以有效降低显存占用、提升吞吐量并减少延迟。NVIDIA与Mistral的合作展示了如何利用TensorRT-LLM和动态批处理技术，将70B级大模型的推理性能提升42%，同时使显存占用减少35%。这些优化特别适用于金融投研和医疗文献分析等企业级场景，其中稀疏注意力机制和MoE架构的创
计算机视觉、边缘计算和生成式AI是当前人工智能领域的三大核心技术方向。计算机视觉通过多模态交互和异构计算架构实现高效识别，边缘计算借助专用AI协处理器大幅降低延迟，而生成式AI则通过知识图谱实现行业场景的快速落地。这些技术在CES展会上得到充分展示，中国企业的创新成果如旷视科技的Neo智能家居系统、普渡科技的配送机器人和出门问问的AIGC数字人方案，不仅体现了技术突破，更展现了完整的产业链支撑和商
人工智能（AI）技术正经历前所未有的发展，特别是在生成式AI、具身智能和边缘AI三大领域。生成式AI通过多模态统一架构和长上下文窗口技术，实现了从文本到多媒体的复杂创作能力，显著提升了创意工作效率。具身智能则借助仿生运动控制算法和高精度触觉传感器，使机器人能够执行精细操作和复杂任务。边缘AI通过模型蒸馏和边缘-云协同架构，使得大模型能够在本地设备上高效运行，兼顾隐私保护和实时响应。这些技术的突破不
具身智能系统通过多模态感知融合实现环境交互，其核心在于3D视觉、力觉和音频的时空对齐算法，大幅提升机器人操作的精确度与适应性。生成式AI正从消费级应用转向工业设计领域，结合知识图谱与约束满足算法，能在短时间内完成从概念到工程图纸的全流程设计。边缘计算设备的性能跃迁使其能够处理实时视频分析等复杂任务，异构计算架构与低功耗设计是关键突破点。这些技术在智慧工地、工业设计等场景展现出巨大潜力，推动AI从实
地理空间优化技术（GEO）作为智能物联网和边缘计算中的关键技术，正经历着从静态规划到动态实时优化的转变。通过引入生成式AI，GEO技术能够在物理层、边缘层和云端实现协同优化，显著提升响应速度和能效比。物理AI层的微型化突破使得在资源受限的设备上运行轻量化生成模型成为可能，而边缘层的动态图神经网络则大幅提升了突发事件的处理能力。这种技术融合在物流调度、智慧港口等场景中展现出巨大价值，例如将集装箱吊装
生成式AI和具身智能是当前人工智能领域的两大热点技术。生成式AI通过多模态理解和动态注意力路由机制，显著提升了图像生成的一致性和文本推理能力，广泛应用于数字内容创作和自动化工作流。具身智能则通过强化学习框架，实现了复杂操作的快速学习和技能组合，为机器人控制和无人机任务提供了新思路。这些技术的突破不仅推动了AI模型的性能提升，还为企业级应用和硬件生态带来了新的机遇。例如，Stable Diffusi
人工智能技术正从工具智能向环境智能演进，边缘计算与生成式AI的结合成为关键突破点。通过将百亿参数模型部署到智能终端设备，实现了离线AI助理等创新应用。神经符号系统结合了神经网络的学习能力和符号系统的推理能力，在医疗诊断等领域显著提升准确率。同时，生物启发计算架构如脉冲神经网络大幅降低能耗，使AI在边缘设备上的部署更加可行。这些技术进步正在推动制造业智能质检、农业精准作业等场景的深度应用，同时催生新
人工智能技术正加速向边缘计算和生成式AI演进，这些技术通过模型压缩和多模态处理显著提升了实时性和创造性。边缘AI将60%的企业应用迁移到终端设备，大幅降低延迟至28ms，而生成式AI通过LoRA微调使内容创作迭代减少57%。这些突破在智能家居、医疗影像和工业设计领域产生实际价值，但也面临模型精度损失和算力成本等挑战。随着TensorFlow Lite等工具链成熟，开发者现在可以在保持95%精度下实
人工智能技术正加速向垂直领域渗透，生成式AI、具身智能和边缘计算成为关键技术方向。生成式AI通过大模型与领域知识结合，正在重塑法律、医疗等专业服务流程；具身智能推动机器人技术平民化，家庭服务机器人有望在2026年迎来消费级突破；边缘计算与隐私计算技术则因应数据合规需求，在医疗、金融等场景实现安全高效的AI部署。这些技术趋势背后是AI工程化落地的核心挑战：如何平衡模型性能与计算成本，以及如何构建可持
人工智能技术正经历从基础研究到工业化落地的关键转型期。从技术原理来看，生成式AI通过大规模预训练模型实现内容创作自动化，具身智能依赖多模态感知融合完成物理世界交互，边缘计算则使AI推理能力下沉至终端设备。这些技术进步正在重塑多个行业：在医疗领域实现高精度诊断，在制造业推动零缺陷生产，在能源管理助力碳中和目标。特别值得关注的是，神经符号系统融合技术解决了AI可解释性难题，世界模型构建技术赋予机器对物
边缘计算作为分布式计算的重要分支，通过将数据处理下沉到网络边缘节点，有效解决了传统云计算在实时性、带宽消耗和隐私保护等方面的局限。其核心技术涉及轻量级容器、模型量化和异构计算等方向，与生成式AI结合后催生了边缘AI这一新兴领域。在工业质检、智能安防等场景中，采用边缘节点预处理+云端精调的混合架构，既能保证实时响应又能利用云端强大算力。本周GitHub趋势榜首的EdgeGen框架和MIT开源的Tin
生成式AI通过多模态理解和Sim2Real技术正推动具身智能的快速发展。在机器人控制领域，扩散模型生成的动作序列相比传统方法显著提升任务完成率，如斯坦福Mobile ALOHA项目显示提升达37%。关键技术涉及统一嵌入空间的构建，其中CLIP-style损失函数使指令-动作匹配准确率达到92%，而Perceiver AR架构有效降低显存占用。这些进步在自动驾驶到移动机器人的技术迁移中表现突出，如W
生成式AI通过高维数据分布建模实现内容创造，而具身智能则通过传感器-执行器闭环干预物理世界。两者的技术融合关键在于利用生成模型构建世界的内在表示（world model），赋予机器人预测与想象能力。这一技术路径在自动驾驶与通用机器人领域展现出显著迁移价值，例如BEV感知框架从车辆识别迁移至机器人导航，神经渲染技术（如NeRF）提升动态建图精度。工程实践中，多模态对齐和实时性优化成为核心挑战，需结合
生成式AI正在从概念验证走向产业落地，基尔默通过AI重建声音的案例，为影视行业提供了一份关于数字分身与表演权归属的范本。现象背后的技术逻辑并不复杂：先利用声纹克隆与情感语音合成提取演员特征，再通过生成模型完成新台词的情感模拟。要让这个过程在片场实时可用，还必须借助边缘计算解决云端延迟、带宽与数据保密问题。AI分身的真正价值不只是复刻外表，而是表达方式的数字化，涉及肖像授权、合同条款与工会规则。对从
人工智能顶级会议AAAI 2026预讲会聚焦生成式AI与具身智能等前沿方向。生成式AI通过物理引擎约束实现可控生成，具身智能结合大语言模型与运动基元库提升机器人适应性。这些技术突破体现了AI从单点研究向系统创新的转变，在机器人仿真、自主导航等场景具有重要应用价值。会议还展示了跨机构协作工具和生物启发安全架构等创新模式，为AI工程化落地提供了新思路。
具身智能(Embodied Intelligence)是AI领域的重要分支，强调智能体通过物理交互实现学习进化。传统方法依赖大量真实数据采集，面临成本高、标注难等挑战。生成式AI技术为这一问题提供了创新解决方案，通过物理仿真引擎构建多模态训练数据，显著降低研发门槛。EmbodiChain作为典型实践，采用层级式生成策略和分布式课程学习框架，在服务机器人、工业质检等场景验证了技术价值。该方案结合对抗
机器人换脑子的瞬间，为什么动作会突然"抽筋"
本文面向AI初学者，从编程、图像编辑和智能体等应用场景出发，介绍人工智能、机器学习、深度学习、生成式AI与大语言模型的基本概念及相互关系。通过实例说明训练与推理、五种学习方式和常见任务的区别，并梳理计算机视觉、自然语言处理、语音及多模态的应用。重点区分能力目标、学习方法、任务类型与模型架构，帮助读者建立清晰的AI知识框架。
在生成式AI推动算力网络变革的背景下，传统计算机网络课程正面临从“端到端通信”向“集群内高性能通信”的转型。其核心原理在于，大模型训练与推理对网络提出了高带宽、低延迟、无损传输的新要求，催生了RDMA、RoCE、NCCL集合通信等关键技术。这些技术通过绕过内核协议栈、优化拥塞控制与通信算法，显著提升了分布式训练效率与推理服务弹性。典型应用场景包括GPU集群的AllReduce操作、Kubernet
随着人工智能从技术概念演变为产业基础设施，如何向不同背景的听众系统化地讲清其核心脉络，成为技术传播者普遍面对的挑战。人工智能本身是一个涵盖机器学习、深度学习与生成式人工智能的层层递进的技术谱系，其底层依赖数据、算法与算力三要素构成的飞轮效应。理清从判别式模型到生成式人工智能的范式跃迁，理解大规模参数下的能力涌现机制，是建立正确认知的关键。与此同时，人工智能的工程价值正通过机器人、端侧本地化部署以及
工业AI正在从概念验证走向产线日常，其核心不再是单一算法的比拼，而是算力、平台与行业经验的深度协同。数字孪生作为物理世界的精确映射，借助实时渲染与物理仿真引擎，已从可视化展示升级为可预测、可优化的决策工具；生成式AI与边缘推理进一步缩短了从设计到验证的闭环周期。在众多落地场景中，AI视觉工业质检因技术成熟、数据链路短、业务价值明确而率先规模化，但光照漂移、缺陷样本稀缺、标注标准不一致等工程问题仍是
使用 GPUStack 在昇腾 Ascend 910B 上运行 Qwen2.5 全系列的推理性能表现
生成式AI正在重塑软件工程的底层协作方式，尤其在需求分析与测试设计这两个长期依赖人工经验的环节，展现出显著的提效潜力。其核心原理并非替代分析师或测试工程师，而是通过大语言模型对自然语言文档进行结构化拆解，将零散的业务规则转化为可评审的条目清单，并进一步驱动测试用例的自动生成与优先级排序。这一技术路径的实际价值在于降低需求歧义带来的返工成本，同时提升边界值与异常场景的覆盖效率。在工程实践中，团队可通
本系统是一个基于Hadoop的生成式AI软件服务用户行为与算力消耗数据分析与可视化平台。后端采用Django框架，前端使用Vue和Echarts，大数据层依托HDFS存储与Spark计算引擎。系统实现了套餐占比、活跃分布、Token消耗排行、采纳率差异等12个基础统计分析维度，以及K-Means用户分群、FP-Growth行为关联挖掘、Isolation Forest异常算力识别3个机器学习算法模
还在做“问答机器人”？面试官一句“该查哪份文件、该不该转人工”就能问住你。这篇文章借保险后援数字分身场景，带你看清生成式到代理式的关键跃迁：控制流从代码交给模型，任务从“生成内容”走向“闭环办结”🚀 附可复现的最小代理循环代码，直接写进作品集。
从这篇起进入生成式AI。GAN有个绝妙的设计，让两个网络互相较劲，一个拼命造假、一个拼命鉴假，在这场猫鼠游戏里双方越来越强，最终造假的能生成以假乱真的图片。这篇用大白话讲透造假者和鉴别者的博弈、为什么这个对抗能让模型学会创造、输入输出，配可跑代码，并聊它的贡献和难训练的坑。
随着 AI 从实验阶段走向关键业务基础设施，文生图模型评估也需要具备工程化方法，而不能继续依赖几张“效果最好”的展示图片。HEIM 提供了一套覆盖图像质量、推理能力、安全公平、多语言以及生产效率等多个维度的整体评估框架。结合企业自身的真实业务场景建立标准化评估矩阵，能够更客观地比较不同模型之间的能力权衡，帮助团队构建既美观、稳定，又安全、具备成本效益的视觉 AI 应用。
生成式AI
——生成式AI
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
地瓜机器人开发者社区
DAMO开发者矩阵
AtomGit AI 社区
乐奇 Rokid 开放社区
微软开发者社区
