Transformer 本质上是用注意力机制重构了神经网络的隐藏层，同时通过位置编码补全了输入层的信息，最终实现了 “全局关联 + 并行计算” 的核心优势。相比传统神经网络如RNN的 “串行局部传递”，Transformer 的结构改动，直接解决了长序列依赖建模难、训练效率低的痛点，这也是它能支撑大模型发展的根本原因。

核心特征：隐藏层自循环 + 时间步权重共享，实现时序记忆；三层结构：输入层（接收序列）→ 隐藏层（存储记忆）→ 输出层（任务输出）；关键公式：隐藏状态 ht​ 是连接历史与当前的核心，决定了 RNN 的记忆能力；变体延伸：LSTM/GRU 是基础 RNN 的隐藏层增强版，结构框架完全兼容。

（如 28×28→784×1），完全破坏了像素的空间位置关系 —— 它无法区分 “左上角的像素和相邻像素” 与 “左上角的像素和右下角的像素” 的差异，只能学习到无结构的特征。每个卷积核对应一个可学习的偏置值，在步骤 2 的点积结果上加上偏置，公式：output=点积结果+b偏置的作用是调整特征图的整体数值范围，提升模型的拟合能力。计算：0×1+0×0+0×(−1)+0×1+1×0+2×(−1)+

OpenHarmony是由开放原子开源基金会（OpenAtom Foundation）孵化及运营的开源项目，开放原子开源基金会由华为、阿里、腾讯、百度、浪潮、招商银行、360等十家互联网企业共同发起组建。目标是面向全场景、全连接、全智能时代，基于开源的方式，搭建一个智能终端设备操作系统的框架和平台，促进万物互联产业的繁荣发展。

x1​x2​ytrue​000011101110对比维度单层感知机多层感知机网络结构输入层 + 输出层（无隐藏层）输入层 + 隐藏层 + 输出层激活函数阶跃函数（硬非线性、不可导）Sigmoid/ReLU 等（软非线性、可导）优化算法感知机学习规则（局部更新）反向传播 + 梯度下降（全局优化）解决问题仅线性可分问题（与门、或门）线性 / 非线性可分问题（异或门、复杂分类）核心能力简单线性分类特征提

十多年前曾经在学校选修过一门神经网络的课程，使用神经网络的算法实现阿拉伯数字0-9的识别。没有想到今天人工智能能发展到这个程度，甚至两三年前感觉还可能马上会遇到下一个瓶颈。希望后续能逐步回顾下部分人工智能的经典算法，更好的理解神经网络的内在机制。

昇腾（Ascend）芯片是华为（海思）自主研发、专为高性能 AI 计算设计的 NPU（神经网络处理器）芯片。昇腾芯片是一个大系列，主要包含昇腾 310 和昇腾 910 两个子系列。昇腾 310主要面向边缘计算与低功耗终端，专注于完成 AI 推理任务。昇腾 910主要面向高性能计算，既能用于 AI 推理任务，也能用于 AI 训练任务。此外还有昇腾 610 也称为 MDC610，是智能驾驶芯片，用于华

Transformer的核心突破，是用“自注意力机制”实现了高效的全局信息建模，用“并行计算”解决了传统模型的效率瓶颈。从2017年的首次提出，到如今成为大模型的底层架构，它的发展历程就是AI从“局部理解”走向“全局认知”、从“低效串行”走向“高效并行”的过程。正是这一突破，才让GPT、ViT等前沿技术成为可能，推动AI进入了规模化应用的新时代。

模块化设计：各层级解耦，支持独立升级（如替换大模型、扩展数据源）。闭环优化：用户反馈日志回流到数据层，持续驱动模型和知识库迭代。多场景复用：基于同一大模型底座，通过 RAG 和工具调用实现 Chat / 问答 / 问数的一体化，降低开发成本。

AI 应用已形成 “虚拟智能（大模型 / NLP/CV）+ 实体智能（具身机器人）” 的双轮驱动格局。通用场景中，大模型提升内容创作与办公效率；垂直行业里，AI 算法赋能风控、医疗、工业等精准决策；具身智能则推动 AI 从 “脑内思考” 走向 “知行合一”，在物理世界创造实际价值。未来，跨模态融合与大模型 + 机器人的协同，将成为 AI 技术落地的核心方向。