- 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。 深度强化学习可能在整篇论文[4] [22] [21] [12]和博客文章[15]中都受到了最多的关注，这些论文研究了某些结果的高度差异。 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- 来自专栏铭毅天下
ChatGPT-4: 半年的深度使用思考
几个月的时间一直在使用 ChatGpt-4，以口述语音转文字的形式说一下自己的体会。 1、选择版本 大前提：我使用的都是 GPT4 的版本。也就是说至少每个月要付费20$。 2、效率提升 GPT4 的确能极大的提高我们的编码，文字撰写等的效率。这是毋庸置疑的事实。 当然，个人认为国内的大模型至少短期内是很难达到 GPT4 的能力。 一种说法这是情绪不稳定，深层次的原因应该是对gpt4形成的过度依赖。 4、如何平衡依赖关系？ 我个人那个做法就是我在自己的办公桌前会放一个纸和笔。 这个也是我在反复验证或思考以后得到的本质答案。当然，或许这也是咱们很多同学提前就已经知道的答案。 7、提高问题准确性的策略 对于发散性的问题如何提高准确性？我甚至专门听了b站上的一门儿外国大佬的课。 8、不要期望GPT4能解决一切问题。 如果遇到新的技术点，遇到新的挑战点，就寄希望于GPT4。这其实是自我愚昧的一种方式。 我们更多的如前所述，应该把 GPT4 当成工具。
71920编辑于 2023-09-09 - 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。 （4）AI系统需要更高效的持续测试方法。由于AI模型随着时间的变化，数据的演化，性能会下降，这时说明该模型已经无法拟合当前的数据，因此需要高效的测试方法，尽快训练、测评、部署更新版的模型。 （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 ? 比如，模型离线评估主要是评测AI模型对未知新数据的预测能力，即泛化能力。泛化能力越强，模型的预测能力越好。 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。 基于AI / ML应用程序的测试。 关于AI应用测试，可以总结概括4个关键要点，算法、数据质量、业务场景、分层专项。 ?
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”。 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）。 4. 熵（Entropy）与系统耗散 软件工程本质上是一个对抗熵增的过程。我们将无序的需求变成有序的代码。 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。 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 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- 来自专栏明明如月的技术专栏
GPT-4 插件和插件化的思考
一、前言 最近 ChatGPT 的 Plus 用户在 GPT-4 中新增了插件功能， GPT 在插件的加持下如虎添翼。 那么常用的插件是哪些？插件化是什么？插件化有什么好处？ 开发者可以为 OpenAI 贡献新的功能和改进，这可以帮助 OpenAI 不断改进并保持其在 AI 领域的领先地位。 商业模型：插件化也为 OpenAI 提供了新的商业模型。 四、GPT 插件存在的问题 虽然 GPT 插件很强大，但是现在 GPT 插件还存在一些问题： 现在只能选择 3 个插件，而不是让 AI 自动选择用哪些插件 。 五、总结 本文介绍了 GPT-4 一些好用的插件，介绍什么是插件化、插件化的好处插件化和设计模式的关系和 GPT 插件目前还存在的一些问题。
1.3K40编辑于 2023-05-31 关于使用国内镜像安装 MathlibLean4思考
之前按照https://zhuanlan.zhihu.com/p/680690436文章安装lean4非常方便，但是现在发现这个文章已经失效了，而且那个glean看起来就是个鸡肋，怎么都是安装不了，里面安装方法还有个问题就是上海交大的那个源地址变了 elan-init.exe下载后会有个powershell脚本进行安装，如果选择default安装，可以看到在C:\Users\用户名\.elan生成一些文件，而且打开查看有部分文件明显是lean4里面的东西 不难想到这个就是为了安装lean4而已，其实你可以不用elan-init.exe安装 可见上面2个exe都是辅助工具，其实你懂背后安装原理只是为了照顾初学者让他们更快安装上lean4 可见其实都是可以手动下载文件进行解决 ，希望能帮到安装lean4的困扰的童鞋。
71510编辑于 2025-07-22- 来自专栏phodal
如何构建全流程辅助的 AI4EE 能力：从 Team AI 到企业级 AI 辅助研发的思考？
年前，我们分析、调研了大量国内外 DevOps 工具链企业的 AI 采用点，思考 2024 的总体趋势， 即《2024 年 AI 辅助研发趋势预测》。 从趋势上来看，领先的企业 已经在探索和构建端到端的 AI 辅助研发能力，相似的，我们也在 UnitMesh 开源方案中融入了一部分的思考。 除了从现有的代码库提取作为示例之外，现有的架构规范等也需要重新思考如何动态切片化，以便于 AI 工具进行更加精准的生成。 企业级 AI4EE 能力构建 AI4EE是指 "AI for Engineering Efficiency"，即应用人工智能（AI）技术来提升工程效能。 基于上述的思考，从工具与平台构建的角度来看，AI4EE 的企业需要具备的四项要素，即： 流程：知识流转的规范化流程 知识：研发资产管理与知识显性化 示例：团队实践与规范作为示例 工具：知识、实践与、规范到代码的动态结合
84110编辑于 2024-03-13 - 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
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。 全文和向量数据库的最小规格需要 4GB 甚至 8GB 的内存，而 seekdb 的第一个版本在实现多合一的前提下只需要 2GB 内存，且后续还会进一步优化到 1GB 乃至 500MB。
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。 4在十字路口避让：自动驾驶汽车的大脑：深入探讨了自动驾驶汽车的决策过程，包括感知抽象、比赛策略和自动驾驶汽车的复杂系统。 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。 三、能力越强，风险越深当我们惊叹于GPT-4通过律师资格考试、Claude能编写完整游戏时，另一面也在浮现：幻觉：模型会以极自信的语气编造事实，因为它的目标不是“求真”，而是“使条件概率最大化”。 能源代价：训练一次GPT-4级别的模型，碳排放相当于数百辆汽车终身排放。推理成本虽在下降，但规模化使用仍不容忽视。更深刻的哲学挑战是：我们能否将“理解”定义为可操作的行为指标？ 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Flutter入门到实战
光头强引发的Java设计模式的思考4
这里以光头强为例贯穿整个23种设计模式 ---- 4、建造者模式： ---- 一、基本使用 光头强家里的锯子坏了，他想要一个新的锯子，于是去了镇子上的五金店铺，，光头强心理嘀咕着：“不光能砍树，还能吓跑熊大熊二
63730发布于 2019-08-22
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