- 综合排序
- 最热优先
- 最新优先
- 来自专栏量化投资与机器学习
AI的思考
如果你考虑的是未以学术论文形式发表其结果的从业者，从事与AI相关的工作的人数可能会增加10-25倍。 在[11]中，作者发现优化器超参数在评估更大的计算预算对优化器表现的影响时至关重要。 8 把研究作为艺术 在更多地讨论激励措施之前，让我们退后一步，思考一下研究的内容。我们所讨论的大多数问题都是针对以基准为基础的经验研究。 科学中重要的事情不是获得新事实而是发现新的思考方式。〜William Bragg爵士 可复制性和可重复性既不是影响研究的充分条件，也不是必要条件。 同样，由于每个人都在努力使NNs超越现在的最新基准，因此我们可能忽略了AI其他领域的巨大潜力，这些潜力可以利用我们为深度学习创建的庞大数据集和新基础架构。
59810发布于 2020-07-08 AI时代的思考模式-从内思考到外思考
AI和大模型时代-我们应该如何保持独立思考的能力？ 这篇文章其实重点强调了独立思考能力实际跟是否AI时代没有任何关系，同时提到了在AI时代知识的广度比深度更加重要。 解决问题过程中采用什么样的方法工具技术，这个是内思考的过程。在AI时代到来后，人大部分的思考重心都应该转入到外思考，而内思考则逐步被AI大模型能力替代。 即AI时代独立思考能力的提升是将外思考和内思考分离，将面向问题域的思考和面向解决问题的思考分离，然后将内思考转移到AI。个人思考重心转移到外思考。 AI自己会完成问题分解，集成，深度思考和推理过程。包括现在AI大模型的深度思考能力，思维链和推理能力。 对于问题分析和解决原来属于慢思考里面的深度思考和推理过程，那么在AI时代大家要注意，这个应该由AI辅助来完成并逐步被AI替代。
61510编辑于 2025-07-21AI 真的“会思考”吗？
你跟 AI 聊天，问它"今天吃什么好"，它认真给你分析了天气、你最近的运动量、附近餐厅评分，像极了一个贴心的营养师。 你心里是不是冒出一个念头：它真的在思考？ 不是的。今天用大白话把这个事讲清楚。 你可能要说："可是 AI 能做数学题、能写代码、能分析问题，这不就是在思考吗？" 再讲一个例子。 你教一个小孩子做数学题，做了 100 万道，背下来了所有答案。 AI 也是这样。 它做数学题，是见过类似的推导步骤；它写代码，是见过类似的代码结构；它分析问题，是见过类似的问题被怎么拆解。 它的"聪明"来自见过的多，不来自会思考。 那 AI 和人到底有什么区别？ 人的思考 懂 → 能用到新地方 理解原因和原理 真正明白"为什么" AI 的"思考" 见过 → 能模仿回答 不知道"为什么" 可能"一本正经胡说八道" 所以 AI 有时候会说一些听起来很专业、但完全不对的话 明白了 AI 不会思考，你就能用得更聪明： 第一，别让它做需要真正理解的事。你问它"你觉得哪个方案更好"，它能给出一堆理由——但这些理由是"看起来像样的"，不一定是真的对。
14810编辑于 2026-09-15- 来自专栏AI系统
【AI系统】从 CUDA 对 AI 芯片思考
本文将主要从流水编排、SIMT 前端、分支预测和交互方式等方面进行分析，同时对比 DSA 架构，思考可以从英伟达 CUDA 中借鉴的要点。 英伟达生态的思考点从软件和硬件架构的角度出发，CUDA 和 SIMT 之间存在一定的关系，而目前 AI 芯片采用的 DSA 架构在编程模型和硬件执行模型上还处于较为早期的状态，英伟达强大的生态同样离不开 面对新的 AI 芯片，在流水隐藏方面，实现架构层面的隐藏流水编排机制，提出一个形式上与 SPMD 没有关系的编程模式，而且易用性堪比 CUDA 的软件是可能的。 编程模型上缺乏统一的标准，因此需要专门搭建编译器和编程体系，硬件主要以 AI 加速芯片（TPU、NPU 等）为主。 借鉴与思考点流水编排在指令流水线编排方面，最重要的是从硬件设计上解决 SIMD data path 流水编排问题。
73710编辑于 2024-11-27 - 来自专栏Chasays
AI测试的思考与探索
然而，由于AI是一种新的编程范式，无论是学术界还是工业界，对于AI测试的研究还刚刚起步。 AI测试及挑战 AI 作为一项变革性的技术已经渗透到了各行各业，随着AI在各行各业的应用日益广泛，对AI系统测试的需求也与日俱增。 此外，AI测试需要高效的持续测试，所以AI测试尤其需要测试环境快速部署的能力。 结语 AI是一种新的编程范式，需要测试人员具备机器学习、统计学、大数据分析等综合知识和能力，因此AI测试人员的稀缺将成为AI企业的现实问题。 AI的全流程的测试将不仅仅是测试团队的任务，而需要算法开发人员、系统运营人员的共同参与。 此外，AI测试技术也需要不断演进，来适应并解决AI测试带来的挑战。
1.3K40发布于 2019-08-18 - 来自专栏测试技术圈
面向AI应用的测试思考
“ 人工智能（AI）已无处不在，AI正在为各行各业赋能，并以前所未有的速度全方位地改变着我们的生活。 然而，由于AI是一种新的编程范式，无论在学术界还是工业界，对于AI测试的研究和实践尚处于起步阶段。” AI引导了新一轮的产业变革，随着AI在各行各业的应用日益广泛，对AI应用测试的需求也与日俱增。 由此可见，对于AI应用的质量保障显得愈发重要。 1 AI测试面临挑战 关于AI应用（系统）的组成，通常是由软件工程和机器学习模型结合。 对于AI产品业务的测试，可以从两个方面着手，数据验证测试和AI应用测试。 2 AI测试的主要策略 基于数据验证的测试：验证数据集，消除数据偏差。 总之，对于AI/ML模型的测试问题与传统软件测试问题有较大不同，且存在着诸多技术挑战。但伴随着业界越来越多地使用AI技术来构建其系统和应用程序，对AI应用的测试方法和实践将在未来迅速发展和逐步完善。
2K51发布于 2020-09-08 - 来自专栏联远智维
AI大模型的基本思考
过去几个月里，基于AI大模型的各种应用层出不穷，例如：AI能够接入微信客服，能够帮人写一篇新闻稿，能够帮人们编写代码等。 在这个背景下，我们重新审视了AI大模型在工业元宇宙、数字孪生以及物联网等前沿领域的应用潜力，探讨了其可能为我们带来的益处~，在本推文中展示一些个人看法~图片ChatGPT的应用场景 相信很多人都体验过 物联网技术社区的运行维护；2.数据的理解及后处理等；下边展示了一些基本的工作：实现方式 我们采用gradio 框架，做了一些基本的 AI 应用，通过定义 predict 函数，输入输出参数， txt.submit(**predict_args))cancel_handles.append(submitBtn.click(**predict_args)) 3月初，跟伙伴花了部分精力去了解AI 大模型，学习了chatgpt_academic项目，后续在此基础上进行了修改，添加了一些自己的ai 应用（后续非常适合将不同的按钮集成为专门的 AI 模型），具体如下：图片附件：附1：希望国内早早做出优异的大模型
71540编辑于 2023-06-02 - 来自专栏张师傅的博客
AI 编码的探索与思考
本文由 gemini 自动整理自 2026 年 1 月 16 日做的《AI 编码的探索与思考》分享的文字稿。 引言：打破刻板印象 AI 编码领域的变化可谓“一日千里”。 而现在，他直接让 AI 生成代码，“中间商（我自己）被干掉了”。他直言，AI 写得比他自己好太多了。 AI 模式的陷阱： AI 编码充当了一个降维过滤器。 开发者通过自然语言（低 Variety）指挥 AI。 AI 生成了复杂的逻辑代码（高 Variety）。 在 AI 编码中，开发者不再直接与代码交互，而是与“AI 代理”交互。 黑盒化： AI 模型是一个黑盒。代码库本身因为生成速度太快，对人类来说也逐渐变成了黑盒。 在 AI 时代，这句话可以辩证地看。对于我不懂的技术（如 Rust），我可以先让 AI 创造出来，然后我通过阅读、调试、向 AI 提问来反向理解。
28910编辑于 2026-06-22 - 来自专栏老张的求知思考世界
近期对AI的几点思考
找到应用场景并构建能解决具体问题的AI应用，会是今年AI领域竞争的核心。 虽然目前还未出现出圈爆火的AI应用，但按照前面三年AI技术的发展，今年下半年大概率会出现出圈的AI应用。 AI工具在当前阶段最大的作用，就是让人摆脱对信息的存储、检索和浅加工，转为深度思考和创作。 我个人认为，当前阶段我们和AI的关系，更像一个“合作互补型”的关系。 我们提出核心原则和思考(问题和方向)，AI负责解析我们提出的问题(以prompt的形式)并进行信息遍历和加工处理，这个过程中双方不断的互动(训练调优)。 提示词会是我们学习掌握AI的第一道门槛，想象力以及基于此的产品设计和执行能力是能否很好应用AI的第二道门槛。 4、AI并不会取代所有工作，但标准化的执行岗位注定会被AI取代。 当你的工作有标准化的工作流程和评判标准，当你的工作只是执行任务，而非思考并落地解决方案的话(很多互联网大厂有大量类似的岗位和工作)，那么很容易被AI替代。
38710编辑于 2025-05-19 - 来自专栏企鹅号快讯
ai量化系统架构的思考
ai量化系统架构的思考 背景 现在很多群体，尤其是有点金融背景或兴趣的程序员群体，“大量”进入量化交易这个领域。 以quantopian为蓝本，做出to c的quant平台。 偏爱python，深度关注互联网趋势，人工智能，AI金融量化。致力于使用最前沿的认知技术去理解这个复杂的世界。
1.7K70发布于 2018-01-16 转载：【AI系统】从 CUDA 对 AI 芯片思考
本文将主要从流水编排、SIMT 前端、分支预测和交互方式等方面进行分析，同时对比 DSA 架构，思考可以从英伟达 CUDA 中借鉴的要点。 英伟达生态的思考点从软件和硬件架构的角度出发，CUDA 和 SIMT 之间存在一定的关系，而目前 AI 芯片采用的 DSA 架构在编程模型和硬件执行模型上还处于较为早期的状态，英伟达强大的生态同样离不开 面对新的 AI 芯片，在流水隐藏方面，实现架构层面的隐藏流水编排机制，提出一个形式上与 SPMD 没有关系的编程模式，而且易用性堪比 CUDA 的软件是可能的。 编程模型上缺乏统一的标准，因此需要专门搭建编译器和编程体系，硬件主要以 AI 加速芯片（TPU、NPU 等）为主。 借鉴与思考点流水编排在指令流水线编排方面，最重要的是从硬件设计上解决 SIMD data path 流水编排问题。
65010编辑于 2024-12-11- 来自专栏区块链与猫Buboo
2020年，关于【区块链运营】工作的11条思考
临近2020年年末，深夜把这一年的数据和记录下来的思考做个整理，以便以后回顾。 11. 创意容易被抄袭，模式也可能被复制，但1000个铁杆用户的理论不会过时。 以诚待人，项目需要以诚待社区和投资者。
82660发布于 2020-12-22 - 来自专栏算力游民
AI 对组织架构变革的思考
真正值得问的是：当企业把思考、讨论、复核、决策、执行拆成多个 AI 角色时，组织结构、权力、责任、学习和员工身份会怎么变？ AI 又没有责任主体。 第三，把 AI 反对意见制度化。 否则 AI 组织会变成混乱的模型市场。 第五，把员工从 AI 使用者训练成 AI 组织者。 未来的关键能力不在 prompt 写得好不好。 真正的组织变革命题 AI 进入组织改变六件事：注意力、知识整合、异议、决策权、责任、学习；真正稀缺的是人—AI 复合组织能力 站在组织行为学和管理学的角度，Sakana AI 和 Hermes MoA
29400编辑于 2026-06-30 - 来自专栏深度学习与python
AI原生数据库的思考
基于这些思考，我们在 OceanBase 中逐步增加 AI 数据库能力，并基于 Apache 2.0 协议开源了 AI 原生数据库 seekdb。 接下来的几个部分会深入探讨 AI 数据库的思考，包括： <<从向量搜索到 AI 原生混合搜索>>：介绍 AI native search 背后的思考。 <<AI Ready的现代数据架构>>：介绍现代数据架构的设计逻辑。 <<从 AI Ready 到 AI Native>>：介绍数据和模型融合背后的思考。 以蚂蚁集团在 2025 年 11 月 18 日推出的全模态通用 AI 助手“灵光”为例，灵光的右上角有一个用户喜欢的功能“闪应用”，使得每个即便不懂技术的普通用户都能够创建自己的 AI Agent，每个 2025 年 11 月 18 日，我们在 OceanBase 年度发布会正式发布并开源了 AI 原生数据库 seekdb(官网：https://www.oceanbase.ai/）。
90010编辑于 2025-12-24 - 来自专栏Dance with GenAI
AI图书下载：智能机器如何思考？
这本书名为《智能机器如何思考》（How Smart Machines Think），作者是肖恩·格里什，由张羿翻译，中信出版集团出版。 作者肖恩·格里什介绍了自己对人工智能和机器学习的好奇，以及写作本书的初衷，即分享他在研究中学到的知识，帮助读者理解智能机器的思考方式。 11. 能听、能说、能记忆的神经网络：探讨了神经网络在语音识别、语言理解和记忆方面的能力。 12. 理解自然语言：讨论了自然语言处理的挑战，以及IBM的“沃森”如何攻克《危险边缘》比赛。 13. 我个人的信念是，人类也是机器，我们是模拟机器，如果我们相信人类 可以思考，那么就没有什么能阻止我们有朝一日设计出可以思考的数字计算机。 我们的机器总有一天会思考，这是大势所趋，它们会产生情感、观点和自我保护的愿望，这些总有一天会与我们人类发生冲突。
41510编辑于 2024-11-14 AI大模型：当机器学会“思考”的方式，却依然不懂“思考”
2026年的今天，我们已经习惯了与AI对话、让它写诗、画图甚至辅助诊断。但若退后一步，问一个朴素的问题：大模型究竟在做什么？ 答案或许比“它在思考”更惊人，也比“它只是统计”更微妙。 链式思考（CoT）与自我一致性 鼓励模型显式输出推理步骤，并通过多次采样投票，提高复杂问题的正确率。而更具野心的方向是将大模型与形式验证结合——让模型生成代码或数学证明，再由符号系统自动检验。 那时，AI将不仅“猜”，还能“保证”。也许十年后回头看，2026年的大模型就像蒸汽机时代的早期原型：笨重、低效、充满安全隐患，但已燃起了范式转移的火种。
20810编辑于 2026-08-26- 来自专栏AI多栈
AI时代下的多栈开发思考
本文将探讨如何通过AI技术提升多栈开发的效率与创新能力。一、什么是AI驱动的多栈开发？ 在这种模式下，AI不仅是工具，更是参与者，它可以为每个技术栈提供支持：前端：通过AI生成个性化内容、智能交互设计。后端：使用AI增强业务逻辑、优化数据流转。 数据层：借助AI进行智能数据管理和自动化分析。运维层：通过AI实现自动监控、智能扩容和问题预测。 四、AI驱动多栈开发的挑战与应对尽管AI为多栈开发带来了前所未有的可能性，但仍面临一些挑战：技术复杂度提升开发团队需要掌握AI相关技术，如模型训练、推理部署等。这要求团队具备跨技术栈的学习能力。 五、未来展望：AI重塑多栈开发借助AI技术，多栈开发的边界正在被打破，形成一个更加开放、智能和高效的生态。
85173编辑于 2024-12-03 - 来自专栏【腾讯云开发者】
AI软件工程范式革命的思考
投到 AI 软件工程上： 经典软件工程：人在写代码 AI 软件工程：人在设计"AI 写代码的系统" 这是身份的转变，不只是工具的转变。 问题在于，每一个 AI 节点都受限于上下游的"人化"接口。AI 节点之间没法直连，被人节点切成了孤岛——每个 AI 节点只能在"人节点夹缝中"做局部优化，没办法形成端到端的 AI 主导流程。 编码与测试节点（革命性最强） AI 为中心：核心不是 AI 写代码，而是建立一个自动生成、自动验证的循环——AI 生成代码 → AI 生成测试用例 → AI 执行测试并修复 → 直至通过所有验证。 ↓ 专家被迫思考从未遇到过的场景 → 输出新知识 → 入库 这个方向的妙处是让 AI 的"知识盲区"反过来变成蒸馏的杠杆。AI 不知道的越多，能问出的好问题就越多，专家被逼出的隐性知识就越多。 11、人的位置：从"人肉编译器"到"产线设计师" 11.1 过去五十年程序员的真实角色 我想用一个有点戳人的说法重新定位过去五十年程序员的角色：很大一部分软件从业者，其实是在充当"人肉编译器"——把模糊的业务需求翻译成精确的机器指令
87041编辑于 2026-06-02 AI测试热潮下，我们需要冷思考
AI测试的热潮，正在精准地复刻这个剧本。 一个金融行业的测试负责人曾分享过他们的经验：第一个季度，他们只做一件事——让AI测试智能体在核心支付链路的回归测试上跑稳。 这些问题琐碎、难以展示，但不解决它们，AI测试就只能在演示环境里好看。 三个月后，他们才把这套已经跑稳的模式复制到下一个场景。 AI测试引入之后，“追热点式”团队最常汇报的数字通常是： AI生成测试用例数量提升了X% 测试执行时间缩短了Y% 自动化覆盖率从Z%提升到了W% 这些数字本身没有问题，问题在于它们没有回答最重要的那个问题 结尾：冷静，不是保守，是为了走得更远 读到这里，你可能会问：所以我应该放慢脚步，不要跟AI测试的热潮？ 不是这个意思。
57311编辑于 2026-04-14“快思考”与“慢思考”：AI如何成为人类决策的终极外脑
人类几百万年进化下来，这两个系统配合得天衣无缝：快思考让你活下来（老虎来了先跑），慢思考让你活得好（老虎走了再想想怎么建围栏）。但到了2026年，这套古老的操作系统遇到了最强的外挂——AI。 它正在把“快思考”和“慢思考”同时提速、提纯、提效，让我们第一次有可能把决策从“艺术”变成“科学+艺术”的混合体。先说快思考这块，AI已经几乎成了人类的本能外置加速器。 AI的量化模型在微秒级捕捉异常，自动对冲、平仓、甚至反手做空。人类快思考的极限被指数级拉伸。 但真正改变游戏规则的，是AI对慢思考的入侵。慢思考最痛苦的地方在于：信息不对称、变量太多、时间跨度长、不确定性高。你的大脑一次只能同时处理7±2个东西（米勒定律），超过这个数就开始短路。 人类团队可能花半年做模型，AI现在一周就能把上百种情景跑完，还能实时更新——油价跳一次，它就重算一遍。所以AI不是取代慢思考，而是把慢思考从“痛苦的脑力劳动”升级成“高质量的脑力奢侈品”。
55410编辑于 2026-01-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号