- 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。 7 激励自身利益 这里讨论的大多数问题似乎都有直接的技术解决方案。 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 2025-07-21- 来自专栏agent平台
技术思考问题7：AI应用越多，人均产出为何不涨？
AI应用越多，人均产出为何不涨？接入数量上去了，有效产出却没动，问题出在口径。 上个月我参与了一个客服与工单平台的技术复盘，会议室里挂着两组数字：一组是“AI已接入场景数”和“每日AI调用量”，曲线很漂亮；另一组是“人均有效处理工单数”和“单工单综合成本”，半年几乎没动。 配套的考核口径也很自然——每周统计接入场景数与AI调用量，接得越多说明用得好。为了不出错，所有AI生成的回复都要人工点一次“确认发送”，抽取出来的字段也由人工校对一遍。 第二层是返工：AI抽错字段，业务侧要退单、重填、重新排队。第三层是平台排期：集成维护与失败恢复吃掉人力，新需求被推后。到最后，管理层看到的是“AI投入在涨、人均产出不动”，耐心会先耗尽。 会算再动手能退才敢上高频先小步依据要留存13、思考回到最初那个问题：AI应用越多，人均产出为何不涨。答案并不在模型侧，而在账本侧——被考核的是接入，被记录的是调用，被忽略的是审核、返工、集成与合规。
1011编辑于 2026-10-11 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PHP在线
PHP7性能提升之后的思考
导读] 时下不少人拿PHP7的高性能与HHVM来做比较，那么问题来了：随着PHP7性能的提升，我们能预测出未来PHP这门语言会用PHP写出来么？ 时下不少人拿PHP7的高性能与HHVM来做比较，那么问题来了：随着PHP7性能的提升，我们能预测出未来PHP这门语言会用PHP写出来么？
1.1K80发布于 2018-03-08 - 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。 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- 来自专栏玩转JavaEE
Maven 的这 7 个问题你思考过没有？
本文作者：张丰哲 原文地址：https://dwz.cn/7owgWNoR 在如今的互联网项目开发当中，特别是Java领域，可以说Maven随处可见。 上面描述了我们对Maven的一些使用方式，下面我们进行一些思考： 1、本地仓库？Maven到底有哪些仓库？它们什么关系？ Maven仓库： ? 本地仓库路径配置： ? 现在，我们可以思考下了，比如工程中需要引入A、B，而A依赖1.0版本的C，B依赖2.0版本的C，那么问题来了，C使用的版本将由引入A、B的顺序而定？这显然不靠谱！ package：打成Jar or War包，会自动进行clean+compile install：将本地工程Jar上传到本地仓库 deploy：上传到私服 7、关于scope依赖范围 既然，Maven的生命周期存在编译
77820发布于 2019-08-01 - 来自专栏数据分析之旅
数据指标体系搭建的7个思考点
为了对现状进行监测和预警，我们常常会建立起一套数据指标体系，同时搭建和完善体系也应该是数据分析师的一项基本功，结合实际工作中经验，总结了这个搭建过程的7个思考点： 1. 数据维度 数据维度，是数据分析的一些思考角度，常见的有：渠道来源、地域等，不同业务也会有不同的角度，一般业务部门对这块会更加熟悉一些，所以要多向业务同学取取经 3. 数据字典 数据字典也是数据指标体系的一部分，可包括内容：指标名称、类型、统计周期、业务逻辑、数据源、数据逻辑等内容 7.
1.2K31发布于 2020-08-13 - 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。 可以预见，AI 数据库将从“AI Ready”逐步演进到“AI Native”。 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。
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。 7用奖励教导计算机：介绍了强化学习的概念，以及如何通过奖励来训练智能体。 8DeepMind使用强化学习来掌握这些雅达利游戏。使用这种技术的计算机程序通过得到偶然的奖励或惩罚来学习做事情。 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。 AutoModelForCausalLM, AutoTokenizermodel = AutoModelForCausalLM.from_pretrained("meta-llama/Llama-2-7b-chat-hf ")tokenizer = AutoTokenizer.from_pretrained("meta-llama/Llama-2-7b-chat-hf")prompt = "人类的意识是否可以被计算？" 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- 来自专栏猿人工厂
猿思考系列7——索引不就那么点儿事儿？
看完上一个章节，相信你已经充分的掌握了数据库事务的一些事情，猿人工厂君也知道，内容对于新手而言，理解起来还是比较很吃力的，文中提到的原理和内容，有兴趣的可以和我一起探讨，猿人工厂君就不一一赘述了。今天我们继续讨论和数据库有关的事情。
45110发布于 2020-07-28
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