登录社区云，与社区用户共同成长
邀请您加入社区
自动驾驶场景生成，是指构建包含道路、建筑、交通参与者、天气、光照等多要素，且兼具空间与时间动态特性的虚拟交通环境，用于自动驾驶系统的感知、决策、控制等功能测试。完整的自动驾驶场景需实现空间建模（道路、设施等静态环境）与时间演进（车辆、行人等动态行为轨迹）的结合，也就是行业内关注的4D场景生成，其核心是满足自动驾驶仿真测试对真实性、复杂性、多样性的需求。康谋自动驾驶基于3DGS核心技术，打造了“数据
摘要：企业AI项目失败的主要原因是缺乏对企业上下文的深入理解。研究表明，过度依赖模型能力、忽视决策过程信息以及项目制的短期性，都会导致AI无法真正融入业务。成功的替代路径是先构建企业级上下文系统，将隐性经验结构化，再运行持续学习的智能体。这种方法使AI判断更贴合实际、执行效果可优化、经验可积累，从而产生长期价值。企业应将"上下文"视为核心资产，才能让AI从尝试转变为可持续的生产
GraphRAG：知识图谱与大模型融合的关系感知智能技术 摘要：GraphRAG是一种创新的检索增强生成技术，通过将大语言模型与知识图谱深度结合，解决了传统RAG在关系推理和多跳检索方面的局限。本文系统介绍了GraphRAG的技术原理、架构实现和应用价值，重点分析了其关系感知检索机制、图数据库与向量检索的混合策略，以及如何支持复杂推理任务。文章还提供了GraphRAG的构建方法论，对比了不同技术方
在人工智能快速发展的今天，生成式 AI 已经成为技术革新的前沿。微软推出的 "Generative AI for Beginners" 课程为初学者提供了一个全面而系统的学习路径，帮助开发者从零基础入门到能够构建实用的生成式 AI 应用。这门课程由微软云计算倡导者团队精心打造，包含 21 个精心设计的课程，覆盖了生成式 AI 的核心概念、实践技能和应用开发。本文将深入解析这个优质的开源学习资源，帮
数据建模就像给数据办身份证，让信息管理更高效。专业上分为概念、逻辑、物理三阶段建模，将业务需求转化为清晰的数据结构。生活中类似整理衣柜或记账，通过分类标识让数据不混乱。没有建模会导致数据打架（如客户信息不一致），而科学建模能确保数据身份统一、口径一致，为决策提供可靠依据。本质上是通过"数据建档"解决信息混乱问题，就像给每件衣服贴标签一样简单有效。
本文介绍如何通过ComfyUI与Dify的集成，实现AI图像生成与业务逻辑的端到端自动化。ComfyUI提供精细化的生成控制，Dify赋予语义理解与任务调度能力，二者结合可构建可复用、可管理的AI生产流程，推动生成式AI在电商、内容创作等场景的落地应用。
《生成式AI工程师》培训项目介绍
本文探讨了MidJourney生成式AI技术在智慧农业中的融合应用，涵盖农田规划、病虫害识别、品牌推广等场景，提出通过提示词工程、模型微调与系统集成实现农业可视化智能决策支持。
本文探讨如何利用ComfyUI构建可复用、可控制的AI工作流，实现中国传统皮影戏角色的风格化生成与创新设计。通过节点式架构结合ControlNet、IP-Adapter等技术，确保生成图像保留传统工艺特征并支持实际制作输出，推动非遗文化的数字化活化。
Stable Diffusion通过文本生成图像技术革新游戏角色设计，提升创作效率与多样性，支持风格化生成、动作控制及后期优化，推动AI与人工协同的新型工作流。
TreaAI IDE存在三大不足：分析偏离用户核心需求，处理问题效率低下且缺乏结果导向，智能交互能力薄弱无法适应用户反馈。相比之下，CursorAI IDE展现出明显优势：专业代码分析能力直达底层原理，精准聚焦用户需求，响应速度快且输出简洁高效，具备智能自适应能力能根据用户要求调整分析模式。两者在专业性、响应速度和智能交互方面形成鲜明对比。
生成式 AI 代表了一场技术革命，要充分释放这种潜力，企业需要的不仅是强大的模型，还需要一套全面的运维框架。这正是 GenAIOps 的作用所在。通过掌握 Prompt 工程、RAG 和代理系统等技术，以及建立强大的 GenAIOps 平台，企业可以将生成式 AI 从一个概念转化为现实的业务价值。这不仅需要技术能力，还需要战略性的思考和规划，以确保生成式 AI 的应用能够满足实际需求，并在不断变化
生成式人工智能是人工智能领域的重要分支，一种基于算法和模型生成文本、图片、声音、视频、代码等内容的技术，不同于传统AI的分析功能，生成式AI能学习并生成具有逻辑的新内容。
生成式AI可通过语义分割与图像生成技术，将卫星影像自动转换为结构化矢量地图，识别道路、建筑、水域等地物，减少人工标注成本（如使用U-Net或Transformer模型）。生成式AI（如GAN、扩散模型等）和大型语言模型（LLM，如GPT系列）在地图制图领域的应用潜力巨大，正在改变传统制图方式。生成式AI与LLM正在推动地图制图从“人工主导”向“AI协同”演进，但其落地需紧密耦合地理信息科学（GIS
【摘要】迪士尼与OpenAI的10亿美元战略合作，通过资本、授权与应用三方绑定，为Sora模型注入顶级IP。此举不仅重塑内容生产链路，也为AI与娱乐产业的合规融合树立了行业标杆。
【摘要】探讨生成式AI对阅读与写作的重塑。分析AI在提升信息获取效率的同时，如何挑战人类的深度思考与原创能力，并提出人机协同下的新范式与应对策略。
大语言模型“三大能力”与“一大缺陷”不容忽视张钹院士进一步探讨了生成式人工智能的核心优势及其可能带来的挑战。目前，在大模型发展的进程中，已呈现出“三大能力”和“一大缺陷”。其中，生成式人工智能具备三大核心能力为：01第一，强大的语言生成能力，即在开领域生成多样性的、语义连贯的、类似人类的文本。这是大语言模型区别于其他计算机生成语言的灵魂和优势所在；02第二，强大的自然语言对话能力，即在开领域实现人
本文系统讲解了 Stable Diffusion 图像生成中的关键细节，涵盖模型版本（SD1.5、SD2.x、SDXL）及其兼容性、采样器与调度器的选择、步数设置对生成质量的影响，以及 CFG Scale 与图像尺寸对构图和细节呈现的重要作用。同时强调了随机性在生成过程中的影响，并提供实用策略以提高生成图像的质量。本文适合希望深入理解 Stable Diffusion 参数调优与高质量图像生成方法
生成式AI是一种能够创造全新内容的人工智能技术，与传统的判别式AI（用于分类和预测）形成鲜明对比。生成式AI通过学习数据规律，利用概率分布生成文本、图像、音频等原创内容，如ChatGPT、Midjourney等。其革命性在于将创作门槛和成本降至极低，使非专业人士也能产出高质量作品。核心原理是"生成+预训练+Transformer架构"，实现了从数据学习到内容创造的突破，正在重塑人类生产力格局。
随着Qwen-Image等文生图模型的发展，AI绘图工程师成为新兴职业。这类人才结合美术与技术，掌握提示工程、区域控制生成与大模型调用技能，推动广告、电商、游戏等领域的视觉生产效率跃升，重塑创意产业工作流。
生成式人工智能正逐渐改变商业领域，自动化繁琐任务并创作出引人入胜的内容，从而提高生产力。演讲者详细阐述了海量计算能力和数据集如何使我们能够构建强大且具有广泛适用性的基础模型。他概括了规划生成式AI项目的四个关键步骤：界定范围与优先级，选择合适模型，通过对模型进行提示工程及微调等优化技术进行调整，以及负责任的监控实施。在实践过程中，必须关注毒性及其他潜在风险。演讲者强调了培训利益相关者、持续推动学习
专家组探讨了生成性人工智能如何改变软件开发及其生命周期（SDLC）的问题。据杰克解释，技能正从传统数据科学转向更侧重于提示工程，以便为大语言模型提供更详细的指令。如今，数据工程师专注于知识嵌入和向量数据库领域，以支持生成性人工智能的混合搜索。斯科特强调了组建高效团队的重要性，以建立信任并评估生产力增长。奥斯马指出，生成性人工智能如何实现快速原型设计，以吸引用户并加快交付过程。专家组认为，治理对于让
本文探讨了MidJourney在游戏关卡设计中的应用，分析其技术原理与提示工程体系，提出AI辅助设计的工作流及向引擎转化的路径，并通过案例验证效率提升效果。
本文主要介绍了一种名为Amazon Bedrock的新型代理功能，该功能旨在帮助用户轻松构建和扩展人工智能应用程序。通过使用这种代理，软件开发人员可以将其任务分解成一系列协调一致的步骤，并实现与API和数据库的自动化交互。以下是一些关于此功能的详细描述和优势。首先，代理的主要优势在于它简化了提示工程的复杂过程。开发者只需提供自然语言指令，Bedrock便会自动处理思想链并生成优化后的提示，从而降低
Ali Arsanjani 提出了一个七个阶段的 生成式 AI 成熟度模型，用于帮助企业从基础的数据准备到高度复杂的多智能体系统，逐步迈向 AI 成熟度的巅峰。七个成熟度阶段概览Level 0: 数据准备重点在于数据的获取、清洗、转换和整理。数据是生成式 AI 的基础。Level 1: 选择模型与提示工程选择合适的大语言模型（LLM），通过设计有效的提示与模型交互。Level 2: 检索增强生成（
该视频探讨了Cognizant公司在实施生成性人工智能策略方面的实践，主讲人包括Naveen Sharma、Phil Walker和Nick Wills。Sharma详细介绍了Cognizant公司在收集员工意见以寻找具有重大影响的AI应用过程中的操作。他们设立了一个网络化的工作室，让客户能够学习并进行实验。Walker阐述了Cognizant公司如何运用亚马逊云科技服务（例如Bedrock和Sa
生成性人工智能正在改变企业和客户互动的方式，如今，92%的财富500强企业都在采用这种技术。然而，尽管预训练模型能够从公共数据中生成吸引人的内容，但要将其定制为贵公司的需求，还需要私人数据。面临的挑战是将各种数据资产整合到统一的平台上，同时避免敏感信息的泄露。为了解决这个问题，一种集成数据平台的解决方案应运而生，该平台可以连接贵公司现有的数据库和管道，实现数据的实时重塑和聚合。这样，提示工程就可以
Steven G，来自Workday公司的专家，探讨了如何通过低代码工具构建自定义应用程序来扩展Workday的功能。他指出，Workday的扩展功能可以将不同的系统整合到一个平台上，从而提供快速响应新需求和创新的灵活性。例如，圣卢克医院在遭受勒索软件攻击后，在短短3天内通过使用扩展功能成功地构建了一个时间跟踪应用程序。此外，Target公司也成功地将员工忠诚度应用程序集成到Workday中，从而
亚马逊云科技的Step Functions工作流工作室提供了一种可视化的、低代码的方式来创建工作流。通过使用拖放界面，用户可以轻松地以图形方式设计工作流程并对其进行修改。超过200个服务和9000个API可以通过将它们如Lambda和EventBridge等常见操作拖放到画布上来添加到工作流中。优化的集成简化了与诸如DynamoDB等服务建立连接的过程。工作流作为背后的Amazon States
亚马逊SageMaker Canvas是一款无需编码的机器学习工具，让非机器学习专家的业务用户轻松构建、训练和部署机器学习模型。该工具展示了Canvas在生成性人工智能、即插即用模型和定制模型方面的能力。对于生成性人工智能，Canvas提供了一个模型游乐场，用户可以尝试和比较不同的基础模型，如亚马逊的Titan和Anthropic的Claude。只需输入一个提示，例如“创建KPI总结”，即可看到模
约翰·贝克（John Baker）和尼古拉斯·马鲁尔（Nicholas Marull）来自亚马逊云科技（Amazon Web Services）的Bedrock和Anthropic团队，他们分享了关于大型语言模型（LLM）的一些提示工程最佳实践。首先，贝克概述了一些基本的提示工程技巧，如使用人物角色和示例来引导LLM产生预期的回应。接着，他介绍了更先进的方法，如思考链提示以引导推理，以及将响应基于
例如，虚拟助手这类的生成性人工智能可以自动化执行一些日常的安全任务，如撰写报告，从而提高工作效率并加快决策进程。这使得安全团队能够将更多精力投入到更有价值的工作中。通过运用提示工程和技术，如检索增强生成（RAG）等方法，可以降低出现错误的可能性。RAG技术可以为AI提供相关的背景文档，帮助其更好地理解上下文。虚拟助手的系统架构采用了亚马逊云科技（Amazon Web Services）的Lambd
本次演讲的核心主题在于探讨企业如何运用生成性人工智能（AI）推动数字化转型并构建定制化模型。生成式AI能够根据数据中的模式创建新内容。为了充分发挥其潜力，企业需制定一套全面的数据策略。演讲者列出了三个关键的数据策略，以支持生成式AI的发展。首先，企业应采用诸如提示工程、检索增强生成（RAG）、精细调整以及持续预训练等技术，以其数据为基础定制基本模型。其次，他们可以利用现有的数据架构（如数据湖）而非
摘要：企业级AI咨询服务正经历从机器学习驱动的1.0模式向智能体为核心的2.0模式转型。本文系统阐述了这一范式转移，提出"战略诊断-智能体编排-运营进化"的铁三角框架，详细拆解了智能体在战略、运营、营销等核心场景的落地路径。通过对比新旧范式差异，揭示AI咨询正从"决策支持"升级为"流程重塑"，从交付报告转向构建自动化能力。文章为企业提供兼
AI技术的迭代速度正在重塑城市的形态与运行逻辑，从交通信号灯的智能调度到政务服务的“一键响应”，从污染溯源的精准预判到社区治理的精细感知，AI已经从城市发展的“辅助工具”升级为“核心引擎”。但技术赋能的背后，治理体系的滞后、应用场景的碎片化、潜在风险的隐蔽性，都成为制约城市智能化升级的关键瓶颈。2025年，随着生成式AI、城市大模型、数字孪生等技术的深度落地，AI与城市的融合进入“深水区”，如何构
Agent Skills 是让 AI Agent 具备感知、推理、规划、执行与学习闭环能力的核心模块。本文系统解析其 5 大关键能力、技术构成、应用场景与行业案例，并提供构建与评估方法，助力开发者与企业实现任务自动化与自主决策落地。
我们汇集了学术界最优秀、最聪明的人才，不仅是为了竞争，更是为了共同解决生成式AI实际应用中最重要的问题之一——安全可靠的软件开发，”某机构人工通用智能高级副总裁Rohit Prasad说，“我们将这项挑战设计为一场独特的、快节奏的锦标赛，旨在加速面向实际应用的学术研究。“这项挑战赛体现了我们致力于推进负责任AI开发和安全的承诺，”某中心首席安全官Steve Schmidt表示，“通过与大学合作，我
本文揭示了当前生成式AI在处理精密几何结构（如金字塔魔方说明书）时存在的严重缺陷。研究发现，GPT-4V、Gemini等主流AI在魔方图像处理中会出现方向错乱、色块错配、文字失真等问题，主要源于三大技术痛点：3D空间感知缺失导致方向错误、局部重绘破坏颜色逻辑一致性，以及VAE压缩损耗造成文字失真。
与将查询向量与每个可能的响应向量进行比较（如果图像目录或文本语料库足够大，这将是一项耗时的任务）不同，我们的模型将查询作为输入，并生成一个单一的ID代码作为输出。GENIUS在生成式方法中实现了最先进的性能，并缩小了生成式方法与基于嵌入方法之间的性能差距。然而，现有的生成方法通常是任务特定的，与基于嵌入的方法相比性能不足，并且难以处理多模态数据。当我们随后使用传统的基于嵌入的方法对生成的顶级响应候
摘要： GEA（Generative Engine Optimization Architecture）是针对生成式搜索引擎（如Bing Chat、Perplexity）优化的系统性方法论，强调内容的可被生成引用能力。相比传统SEO关注排名和外链，GEA更注重语义完整性、事实一致性、结构化呈现和独特性。其四层架构包括： 数据层：构建结构化知识库（如JSON-LD、知识图谱）； 模型层：优化LLM语
生成式AI正在重构GEO优化系统的内容生产逻辑，通过三大核心应用场景解决传统区域化文案创作痛点：1）多维度自动创作，实现规模化覆盖；2）精准适配地域特色，提升用户共鸣；3）数据驱动动态优化，提高排名转化。技术实现需构建区域特征数据库、微调基础大模型，并搭建可视化管理系统。应用时需注意人工审核、品牌差异化、合规风险和数据质量等问题。AI赋能使区域化文案成为品牌抢占本地流量的关键竞争力。
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
2048 AI社区
火山引擎 ADG 社区
CSDN-OPC开发者社区
