- 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 - 来自专栏Material Design组件
页面信息思考3
本来没有想到会有3的，结果最近的活动又让我有了一些新的思考，就赶快梳理一下～ 当运营给了你一个需求，你该做些什么？ 在1和2中，做的事情是将信息以合适的数量与合适的方式展示出来，但是做好这些就够了吗？
56010发布于 2019-03-29 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 2025-07-21- 来自专栏AI技术体系搭建过程
AIGC: 3. AI时代程序员的生存模式思考
AI跟程序员关系思考 在 3 月 9 日央视的《对话》的开年说节目上，百度创始人、董事长兼 CEO 李彦宏先生表示： 1.基本上以后不会存在“程序员”这种职业了，因为只要会说话，人人都会具备程序员的能力 3.公司里面在大量推AI跟业务的结合，boss被触动，那么需要有预研小分队，这个时候是体现产品思维的时候，你需要在产品形态上设计好跟业务的结合形态，如果你会画原型，会沟通，你可以拿到不错的资源，然后可以结合自己在技术领域和 AI的知识图谱，拿到结果。 AI在生成代码，自我学习上确实在急速进步，硅谷也有不少敏捷小队在跟机器人结合，打算在场景上证明AI机器人可以完整替代程序员。 小结 今天主要对最近阅读的消息做了一些思考，最一个映像深刻的客服AI产品做了粗浅的产品体验。 AI会改变各行各业的工作方式，积极拥抱变化。
27311编辑于 2025-07-01 - 来自专栏python3
Android Service的思考（3
前两篇文章中可以看到Activity和Service，context.startService对应着Service中的onStart()方法，context.onBindService对应的是Service中的onBind()方法。当我们继想绑定一个Service又想在Activity停止时，Service不会停止，我们可以先StartService，然后再BindService()。这时候的流程图如下所示：点击放大
38310发布于 2020-01-08 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 2026-09-15- 来自专栏arXiv每日学术速递
以3D视角洞悉矩阵乘法，这就是AI思考的样子
选自PyTorch 机器之心编译 如果能以 3D 方式展示矩阵乘法的执行过程，当年学习矩阵乘法时也就不会那么吃力了。 现如今，矩阵乘法已经成为机器学习模型的构建模块，是各种强大 AI 技术的基础，了解其执行方式必然有助于我们更深入地理解这个 AI 以及这个日趋智能化的世界。 因为 mm 使用了所有三个空间维度，所以相比于通常的二维图表，mm 有助于直觉化的展示和激发思路，所使用的认知开销也更小，尤其是（但不限于）对于擅长视觉和空间思考的人。 在思考矩阵乘法如何表示其参数的秩和结构时，一种有用的做法是设想这两种模式在计算中同时发生： 这里还有另一个使用向量 - 矩阵积来构建直觉的示例，其中展示了单位矩阵的作用就像是一面呈 45 度角摆放的镜子 重返介绍：免费的不变性 回头看，需要重申：我们之所以能够将注意力头等非平凡的复合操作可视化并让它们保持直观，是因为重要的代数性质（例如参数形状的限制方式或者哪些并行轴与哪些操作相交），这些性质不需要额外的思考
91640编辑于 2023-10-06 - 来自专栏机器之心
以3D视角洞悉矩阵乘法，这就是AI思考的样子
选自PyTorch 机器之心编译 如果能以 3D 方式展示矩阵乘法的执行过程，当年学习矩阵乘法时也就不会那么吃力了。 现如今，矩阵乘法已经成为机器学习模型的构建模块，是各种强大 AI 技术的基础，了解其执行方式必然有助于我们更深入地理解这个 AI 以及这个日趋智能化的世界。 因为 mm 使用了所有三个空间维度，所以相比于通常的二维图表，mm 有助于直觉化的展示和激发思路，所使用的认知开销也更小，尤其是（但不限于）对于擅长视觉和空间思考的人。 在思考矩阵乘法如何表示其参数的秩和结构时，一种有用的做法是设想这两种模式在计算中同时发生： 这里还有另一个使用向量 - 矩阵积来构建直觉的示例，其中展示了单位矩阵的作用就像是一面呈 45 度角摆放的镜子 重返介绍：免费的不变性 回头看，需要重申：我们之所以能够将注意力头等非平凡的复合操作可视化并让它们保持直观，是因为重要的代数性质（例如参数形状的限制方式或者哪些并行轴与哪些操作相交），这些性质不需要额外的思考
98160编辑于 2023-10-04 - 来自专栏算法一只狗
3个Agent多模态感知秘诀，让AI真正具备“思考+执行”能力！
因此 Agent 真正的概念在于：能够让 AI 自主的完成任务。 比如最著名的那道数学题目：为了提升模型的规划能力，从而引入思维链COT：让大模型思考，再进行回答。本质上就是让模型再回答之前，先主动拆解一下问题，一步一步进行回答。 Everyday Decisions）：适用简单、常规性的决策•易出错（Error Prone）：容易受到偏见和认知偏误的影响LLM模型 level 2：•慢（Slow）：需要花费时间和认知资源进行深度思考
83610编辑于 2025-04-03 - 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 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。 3 模型测试的常用方法 黑盒和白盒测试 测试ML模型涉及黑盒和白盒测试，非常类似于传统测试方法。但获得足够大且足够全面的训练数据集以满足 "机器学习测试" 的需求是一个重大挑战。
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， cancel_handles.append(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
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”。 3. 艾什比必要多样性定律 (Ashby's Law) 控制论中有一个重要定律：“只有多样性才能吸收多样性”。简单来说，控制器的复杂度和状态数，必须至少等于被控系统的复杂度和状态数。 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）。 工作流：你可以同时指挥 3 个 Agent：Agent A 修 Bug，Agent B 写新功能，Agent C 做重构。你只需要坐在指挥台上进行 Code Review 和合并。 2. 3. Vibe-Kanban：从“心流”到“工作流” 概念来源：源自 Linus Torvalds 的 "Vibe Coding"（凭感觉编程）与敏捷看板的结合。
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。 （3）AI 系统的输出结果随时间变化。比如，推荐系统的准确率，在某一段时间可以满足业务需求，但随着用户数据的变化，一段时间后其准确率可能会下降，而无法满足需求，模型则需要重新训练，重新评估与测试。 （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。 投资单个股票的时候，投资者有3种选择，做多、做空，和不投资。我们用1, -1, 和0分别表示这三种行为，那么action space= 在每一个时间点，我们都需要决定选择什么样的投资行为。 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。 3、AI是前所未有的强大创作工具和个人认知扩展工具。 过去三年，大家对AI和大模型的认知，大致分为两种： 第一种，大模型是新质生产力，只有嵌入到具体应用场景中才能发挥其价值。 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 - 来自专栏猿人工厂
猿思考系列3——一文学会思考的正确姿势
有童鞋反映说之前的两篇思考，内容有些深了，不是太好理解，猿人工厂君决定调整下思路，换个简约点的话题，希望简约而不简单。
47130发布于 2020-07-28 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- 来自专栏猿人工厂
猿思考系列3——一文搞懂单例和思考的套路
有童鞋反映说之前的两篇思考，内容有些深了，不是太好理解，猿人工厂君决定调整下思路，换个简约点的话题，希望简约而不简单。
44220发布于 2020-07-28 - 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。 embedding，bge-m3，bge-large-zh-v1.5 等； Rerank 模型：之前使用 bge-rerank 居多，随着大模型的发展，qwen3-rerank 的效果经常更好； Generate
90010编辑于 2025-12-24
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