- 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。 如果没有可用的代码，则你可能被迫从首要原则开始，深入思考问题，并提出新的见解。 如前所述，代码从不讲述完整的故事。你看到的发布的代码只是作为元学习者的作者发现运行良好的最终设置。 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。 希望你能够看明白和理解我上面的观点，理解了这点，你就知道如何更好的善用AI，包括你个人的思考重心究竟在哪里了？ 2. 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 2025-07-21- 来自专栏Material Design组件
页面信息设计思考2
本来没有想到会有2的，结果最近的活动让我有了一些新的思考，就赶快梳理一下～ 页面思考信息1主要梳理的是面对一堆信息时如何通过不断的划分后优雅地展示，然而如果信息量本来就超出了用户能够理解的范围该怎么办？ 在这个活动中奖励有三种 1、瓜分大额奖金 瓜分条件： ·步数达到500步 ·全市/全区步数达到5000000步 影响因素： ·步数越多瓜分金额越高 2、政府背书的证书（类似于蚂蚁森林种树） 获得条件： 2、是否能进行删减 因为瓜分奖金是活动主体，但是如果仅有奖金瓜分就显得有些功利，无法突出“绿色出行”概念，所以看看能不能删掉证书/公益。
94620发布于 2019-03-06 AI 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 2026-09-152小时思想碰撞，10000字深度思考：人类会被AI淘汰吗？
本期为第2期，旨在剖析AI推动的“技术平权”的本质、影响面以及大众的应对策略。 编辑 苏扬 陌通 开源大模型能力的提升，正在加速AI平权时代的到来。 2月13日，腾讯科技、腾讯研究院发起的《AGI之路系列直播》第二期，邀请中国人民大学吴玉章讲席教授刘永谋、经济观察报专栏作家《比较》研究部主管陈永伟，全面解读以DeepSeek为代表的大模型，所推动的这场 就像刘永谋教授的担忧一样，这场对谈促使我们思考一个问题：在这个算法解构一切的时代，究竟需要防止AI取代人类，还是避免人类在长期的技术依赖中“AI化”？ 2）另外一个就是AI做不了的部分，人能不能做。AI毕竟不是人，涉及情感与社交的工作还是要由人来完成。 但同时，我们也应该注意锻炼慢思考的能力。 卡尼曼双系统思维模型示意图 现在大模型就是这样，有擅长快速给出结果的，也有擅长慢速思考推理的。
1.1K30编辑于 2025-03-03- 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 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。 当 Warp 内部的线程分支到不同的执行路径时，就会发生分支执行冲突，比如当存在 Path 1 和 Path 2 两个分支路径时，可以使得不同时间执行不同的路径，但是这样会增加时耗。
73710编辑于 2024-11-27 - 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”。 2. 高增益系统的风险 AI 是一个高增益放大器。你输入一句简单的 Prompt（少量信息），AI 可能会生成几百行代码（大量信息）。 这种“高增益”带来了巨大的风险：熵增和失控。 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）。 它会将大需求拆解为 2-5 分钟的微任务，并生成详细的文件路径规划。 这种“小步快跑”的交互模式，能显著降低 Token 消耗并提高准确率。 2. ZenFlow ：多模型编排的大师 定位：集成了 SDD（规范驱动开发）理念的全流程开发工具。
28910编辑于 2026-06-22 - 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。 （2）AI系统测试通过的准则很难确定。比如，生成对抗网络(GAN)中如何判定GAN生成图像的质量与真实样本足够相似？这个问题，目前只能靠人眼主观判定，定量测评方式的研究才刚刚起步。 （2）测试数据与训练数据需要独立同分布。 （3）测试数据与训练数据正负样本的比例也需要尽量保持一致。 （4）对于监督模型，测试数据的标签需要保证正确。 2.4 AI系统测试与分析 ? 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。
1.3K40发布于 2019-08-18 - 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 - 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。 2、AI领域最大的蛋糕，一定会出现在应用层和C端。 底层大模型类似于操作系统，技术门槛太高，对资源的要求极高，且是一个竞争极度激烈的领域，只适合实力雄厚的玩家。 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)。 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 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 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。 当 Warp 内部的线程分支到不同的执行路径时，就会发生分支执行冲突，比如当存在 Path 1 和 Path 2 两个分支路径时，可以使得不同时间执行不同的路径，但是这样会增加时耗。
65010编辑于 2024-12-11- 来自专栏深度学习与python
AI原生数据库的思考
为了更准确描述这一能力，我们把它称为 AI 原生混合搜索（AI native search）。 现代数据架构 从一体化架构开始，OceanBase 一直在思考现代数据架构。 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。 AI 原生场景 DataAgent DataAgent 的一个核心目标是通过自然语言的交互方式直接操作数据库，这里面涉及到一项重要能力：Text2SQL/NL2SQL。
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。 2.自动驾驶汽车：挑战不可能：描述了自动驾驶汽车的技术挑战，包括路径规划、导航和感知环境等。 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 - 来自专栏呆呆熊的技术路
关于最近项目的思考-databus2
快速充电 当有些知识很基础,但是你不知道的时候,网上是有大量资源供你学习的,提前把一些感觉需要了解的书籍加到自己的书架,把一些博客文章在手机端收藏下来,地铁时间可以详细看一遍，在阅读过程中静下心思考下, logs 查看binlog信息 SHOW BINLOG EVENTS [IN 'log_name'] [FROM pos] [LIMIT [offset,] row_count] 查看具体事件信息 2. 重置binlog(慎用，可能导致主从问题) reset master; 5. databus重启,删除位置检测点,否则之前的binlog不同步 client > databus2-checkpoints
99530发布于 2019-07-16 - 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 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。 它的核心数学形式其实很简洁：P(w_t | w_1, w_2, ..., w_{t-1})即给定前面所有词，预测下一个词的概率分布。 import AutoModelForCausalLM, AutoTokenizermodel = AutoModelForCausalLM.from_pretrained("meta-llama/Llama-2- 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MyJie的个人日记
软件测试进阶之2——沉下心来思考
这是一个千古难题，现在就需要沉下心来，结合实际来思考 为什么说要结合实际： 1、因为学习，往往伴随着实践。 学来的东西，如果没有地方去实践，要不了多久，就会遗忘掉，忘掉的东西一般不会再去拾起 2、自己想学什么，先把目标定小一点，别一口气想成胖子。找一个能够有地方实践的，并且当前想学的技术下手。 沉下心来思考
47410发布于 2019-11-20 - 来自专栏鱼皮客栈
说说我的 2 个思考
offer 选择的核心在于 2 点，一是尽可能多地收集各公司的信息，二是明确自己的核心诉求和职业发展规划，结合这两点去综合对比分析，应该很快就能做出抉择。 这篇文章我就给大家分享 2 个自己关于 offer 选择的思考角度、以及一些个人建议，相信不仅能帮大家选择 offer，也会有一些编程学习和职业发展上的启发。 比如了解公司的业务背景、产品的思考、客户需求、市场竞争、项目盈利情况、商业模式等。一般公司晋升也不是看你技术学得多牛，而是看你负责的业务好不好、你有没有能力推动业务的发展。 2、业务类别 从个人技术提升和发展前景来看，一般来说 ，做 toC 业务 >= toB 业务 >= 内部工具。 为什么呢？
48420编辑于 2023-10-29
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