2048 AI社区

2048 AI社区

AI资讯 AI造物社区 MCP

话题讨论活动竞赛科技篇产业对接

去全站搜索看看？

登录社区云

登录社区云，与社区用户共同成长

2048 AI社区

邀请您加入社区

欢迎加入社区

欢迎加入社区

rnn

Transformer vs RNN 差距在哪？一个类比讲清自注意力本质

Transformer相比RNN的三大优势：1）自注意力机制实现任意位置直接交互，解决RNN长距离依赖问题；2）信息传递无损耗，保持原始语义完整性；3）并行计算能力大幅提升训练效率。这三个质变使Transformer在自然语言处理领域实现突破性进展，成为当前大模型的核心架构。文章通过"喝汤"的生动类比，形象解释了RNN的顺序处理缺陷和Transformer的全局视野优势，指出其

 AIGC安琪
2026-05-12 20:57:31

 408

 8

#transformer #rnn #深度学习 +2
LLM系列：3.nlp基础入门：1.nlp与循环神经网络

摘要自然语言处理(NLP)作为人工智能的核心领域，正经历从规则系统到深度学习的技术变革。大模型的出现重塑了行业格局，传统技术岗位需求减少，同时催生了模型优化和垂直应用的新机遇。NLP处理的核心是序列数据，包括时间序列和文字序列。文字数据需通过分词转化为数字表示，中文分词面临独特挑战，现有jieba、HanLP等工具采用词典、统计和深度学习方法。序列数据的处理需要考虑时间步和语义顺序，这对算法设计

 小糖学代码
2026-05-11 19:32:48

 579

 13

#自然语言处理 #rnn #人工智能 +4
Midscene.js 原理拆解：它不是“自然语言点按钮”，而是一套会看屏幕的 UI 自动化运行时

摘要 Midscene.js 是一套基于视觉识别的UI自动化运行时系统，其核心创新点在于将传统UI自动化流程重构为四个层次：视觉理解、设备执行、结果校验和报告记录。与传统的基于元素定位的自动化工具不同，Midscene采用"先识别屏幕内容再操作"的模式，通过截图让AI模型判断目标位置，再转换为设备坐标执行操作。该系统特别适用于selector不稳定、自绘界面复杂、弹窗变化频繁以

 低调小一
2026-05-06 17:25:07

 755

 17

#transformer #架构 #rnn +2
【Scala PyTorch深度学习】PyTorch On Scala 系列课程第七章 15 ：常用神经网络RNN LSTM GRU 【AI Infra】[PyTorch Scala硕士研一课程]

本文介绍了循环神经网络（RNN）的基本原理及其在序列数据处理中的应用。RNN通过引入循环机制和隐状态来捕捉序列中的时序依赖关系，适用于自然语言处理、语音识别、时间序列分析等任务。文章详细讲解了RNN的工作原理，包括隐状态的计算过程和时间展开的可视化表示。随后介绍了如何在PyTorch中实现一个简单的RNN模型，包括nn.RNN模块的参数设置、输入输出张量的形状要求，并提供了一个基本的RNN模型代码

 Veggie张海寧
2026-04-16 09:57:38

 518

 11

#深度学习 #神经网络 #rnn
文献阅读：Step-by-Step Fact Verification System for Medical Claims with Explainable Reasoning

本文介绍了一种分步式医学事实核查系统，该系统通过大型语言模型(LLM)迭代生成问题、收集证据并验证医学主张的真实性。研究比较了传统三阶段流程(文档检索、证据提取、判决预测)与新型分步式方法在三个医学数据集(SCIFACT、HEALTHFC、COVERT)上的表现。结果显示，分步式系统显著提升了F1分数(最高提升5.2)，特别是在处理复杂医学概念时优势明显。研究还探讨了内部/外部知识源、谓词逻辑推理

 enndne
2026-03-25 15:44:31

 370

 9

#rnn #深度学习 #自然语言处理 +3
为什么提示词注入在 OpenClaw 里比普通 LLM 危险 10 倍？

本文探讨了提示词注入攻击在OpenClaw等AI代理系统中的特殊危险性。相比普通聊天场景，提示词注入在AI代理中危害更大，因为代理会将恶意指令转化为实际行为而非仅输出文字。文章通过类比SQL注入解释了该攻击原理，并以真实案例展示了攻击路径。作者指出这是LLM架构的结构性弱点，并提出了多层防御方案，包括输入过滤、权限最小化、人工确认等。最后强调在LLM无法区分数据和指令的前提下，设计安全的代理系统是

 华农DrLai
2026-03-10 09:45:40

 606

 9

#大数据 #人工智能 #rnn +1
JLT 2022：基于GCN与RNN特征提取的EON深度强化学习RSA算法

这篇文章针对弹性光网络（EON）的RSA问题，提出利用图卷积神经网络（GCN）和循环神经网络（RNN）来提取网络拓扑和路径级特征，从而让DRL智能体做出更优的决策。

m0_64611541
2026-03-06 21:39:23

 493

 15

#rnn #深度学习 #人工智能
当参数突破千亿：大数据+大模型范式与AI涌现能力的秘密

《大数据与大模型：AI发展的范式转变》摘要本文系统阐述了"大数据+大模型"这一AI发展新范式。该范式通过同步扩大训练数据规模（万亿级词元）和神经网络参数量（千亿级），产生了显著的协同效应。研究发现，当模型规模达到临界点时，会涌现出小模型不具备的新能力，如复杂推理和代码生成。这种范式虽带来通用性强、知识覆盖面广等优势，但也面临计算资源消耗大、可解释性差等挑战。目前广泛应用于AI

华农DrLai
2026-03-05 09:35:25

 500

 15

#大数据 #人工智能 #rnn +1
HoRain云--LSTM：序列处理的利器与局限

【摘要】LSTM作为RNN的改进版本，在序列数据处理中具有显著优势：通过门控机制有效解决长期依赖问题，擅长处理长序列和非线性关系，兼容多模态数据，在金融预测、机器翻译等领域应用效果突出。但其局限性也很明显：计算复杂度高、训练时间长、数据依赖性高、模型解释性差且对噪声敏感。改进方向包括模型简化（如GRU）、计算优化、数据增强及结合注意力机制。实际应用中需根据任务需求权衡选择，同时注意LSTM正逐渐被

 HoRain 云小助手
2026-03-03 10:00:00

 1204

 30

#lstm #深度学习 #rnn
溯源 AI 影像的“寒武纪”：2010-2015 萌芽期，DeepArt 与 GAN 如何埋下 Sora 的种子

**摘要：**2010-2015年是AI影像技术的萌芽期，以AlexNet、GAN和DeepArt为代表的技术突破奠定了现代AI电影制作的基础。这一时期，深度学习三要素——算力（GPU）、算法（CNN/RNN/GAN）和数据（大数据）完成历史交汇，使AI从实验室走向好莱坞。CNN赋予AI图像识别能力，RNN实现语音转文字，GAN开启“无中生有”的生成可能。AI初步应用于老片修复、音频降噪和视频分析

 求学中--
2026-03-02 13:08:04

 900

 31

#深度学习 #cnn #rnn
传话游戏的AI版：为什么RNN记不住开头说了什么

RNN的长距离依赖问题指循环神经网络难以保持远距离序列信息完整性的缺陷。在自然语言处理中，理解长句需要跨越多个词建立联系（如代词指代），但RNN通过隐藏状态传递信息时，随着时间步增加会出现梯度消失/爆炸问题，导致关键信息衰减或失真。这一问题影响机器翻译、文本生成等任务的表现。解决方案包括引入LSTM/GRU的门控机制、采用Transformer的自注意力架构，以及使用残差连接等技术。虽然RNN逐渐

 华农DrLai
2026-03-02 09:57:39

 607

 19

#人工智能 #游戏 #rnn +1
STM32环形串口队列程序：大数据串口收发的实时保障

/ 指向缓冲区的指针// 队列头// 队列尾// 队列大小这里定义了一个环形队列结构体，buffer是指向实际存储数据的缓冲区指针，head和tail分别表示队列的头和尾，size则是队列的总大小。

xEurCjvwu
2026-03-01 08:45:00

 998

 21

#rnn
从误报率30%到0.5%！XGBoost+LSTM双模型融合动态行为指纹反爬全实战

本教程仅用于网络安全技术学习与研究，所有内容均针对公开可访问的合规数据与正常业务防护，请勿用于非法爬取、攻击网站、突破防护等违规行为。请严格遵守《中华人民共和国网络安全法》《个人信息保护法》《数据安全法》等相关法律法规，尊重用户隐私与网站规则。最后想说，AI驱动的行为反爬，从来不是拼模型有多复杂，而是拼对用户行为的理解，拼数据的质量，拼落地的细节。只有真正贴合业务场景的模型，才是有价值的模型。

shanwei_spider
2026-02-28 08:08:44

 1153

 9

#lstm #人工智能 #rnn +4
为什么你的输入法这么聪明？揭秘 LSTM 的记忆魔法

LSTM（长短期记忆网络）是一种能记住长期信息的神经网络，解决了传统RNN"记性差"的问题。它通过三个智能门控机制（遗忘门、输入门、输出门）和一条信息传送带，选择性记住重要信息并丢弃无用信息。这种设计让LSTM能理解上下文关联，广泛应用于输入法预测、语音识别、机器翻译等领域。相比简单RNN的"传话游戏"式记忆，LSTM更像一个高效的记忆管理系统，使AI能够处

 棉花糖没甜
2026-02-24 15:26:21

 593

 13

#lstm #人工智能 #rnn
Datawhale 大模型算法全栈基础篇 202602第3次笔记

问题你的实现正确做法（参考材料）变长序列处理未使用，直接输入填充后的序列使用打包，避免填充干扰最终隐藏状态提取使用使用hidden状态，并根据双向性拼接序列长度传递未传递lengths给模型collate_fn返回lengths，模型接收lengths数据增强无随机 Token 遮盖Dropout 位置仅最后全连接前LSTM 层间 Dropout（时）训练/推理时长度处理未传递长度，未使用pack

weixin_44811994
2026-02-23 23:53:58

 1053

 12

#算法 #rnn
深度学习篇---Attention

Attention机制是AI处理序列数据的革命性突破，其核心思想是让模型能够动态聚焦于输入中的关键信息。通过查询(Q)、键(K)、值(V)三个角色，Attention实现了三步计算：相似度比对、权重分配和加权聚合。Self-Attention允许词之间相互关注，Multi-Head机制则从多角度理解关系。虽然Attention本身不区分顺序，但通过位置编码解决了这一问题。相比传统RNN，Atten

Ronin-Lotus
2026-02-21 23:46:18

 730

 8

#深度学习 #lstm #rnn +3
Alexa语音识别：RNN-T与说话人识别新突破

作为专注于语音技术的最大规模会议，Interspeech 长期以来一直是展示来自某机构Alexa的自动语音识别（ASR）最新研究的舞台。今年，Alexa研究人员在会议上发表了12篇ASR论文。来源：“Efficient minimum word error rate training of RNN-transducer for end-to-end speech recognition”

codeshare1135
2026-02-18 10:12:20

 813

 25

#语音识别 #rnn #人工智能
用大白话讲解人工智能(8) 循环神经网络（RNN）：AI怎么“听懂“语音

摘要：循环神经网络（RNN）通过引入记忆循环机制解决了序列数据的上下文依赖问题，使AI能理解语音、翻译句子等任务。标准RNN因"梯度消失"存在短期记忆缺陷，而LSTM通过遗忘门、输入门和输出门实现了长期记忆，广泛应用于语音识别、机器翻译等领域。尽管Transformer因并行计算优势逐渐取代RNN，但RNN在实时场景仍有价值。RNN与CNN各有所长，分别擅长处理序列数据和空间

 Coming Liu
2026-02-17 18:42:25

 845

 13

#人工智能 #rnn #深度学习
Scrum冲突调解决策框架：多智能体工具如何提升50%测试效率

敏捷开发中Scrum迭代的核心冲突源于开发效率与测试质量的博弈。通过多智能体决策工具的三层架构（感知层数据同步、决策层智能调解、执行层自动化协议），可有效解决目标错位问题，如某电商平台应用后版本争议减少70%。三大实战策略包括：工具链配置指南缩短测试周期40%、合规避坑方案、技术债量化管理。实施后调解效率提升50%，测试覆盖率增至85%。未来趋势指向一人公司模式和政策适配需求，如2026年AI测试

 2501_94480392
2026-02-14 08:46:22

 508

 11

#scrum #lstm #人工智能 +3
因果推断：破解测试活动价值评估的“黑箱”困局

《因果推断：破解测试活动价值评估困境的新范式》摘要：在敏捷开发成为主流的背景下，软件测试团队面临价值证明难题。本文提出采用工业级因果推断技术构建量化评估体系，解决传统关联分析受混杂变量干扰的问题。通过四步法（构建因果图、倾向分匹配、双重稳健估计、敏感性分析）和平台化实践案例，展示如何准确识别测试活动真实价值。某电商平台应用该方案后，将无效测试投入从37%降至9%。随着AI技术发展，因果推断正成为测

 2501_94480392
2026-02-12 11:56:01

 339

 4

#lstm #人工智能 #rnn +2
机器人算法十年演进

摘要： 2015–2025年，机器人算法经历了从预设脚本到具身智能的跨越式发展。2015–2018年依赖高精度传感器与数学模型（如SLAM），但环境适应性差；2019–2022年深度学习主导，通过仿真训练实现柔性控制与视觉导航；2025年进入具身智能时代，多模态大模型（VLA）实现自然语言交互，eBPF内核技术保障物理级安全，触觉神经网络提升精细操作能力。核心跨越包括决策从数学方程转向意图理解，安

 jzwspace
2026-02-12 10:16:44

 1621

 10

#机器人 #算法 #人工智能 +3
ControlNet十年演进

ControlNet演进史（2015-2025）：从随机生成到精确控制 ControlNet的发展标志着生成式AI从"随机抽卡"向"像素级控制"的转变。2015-2021年为卷积控制期，基于GAN实现初步图像翻译但控制粗糙；2022-2023年ControlNet通过"副本支路"和"零卷积"实现扩散模型的精细控制；到2

jzwspace
2026-02-12 10:10:08

 451

 19

#人工智能 #深度学习 #机器学习 +4
从RNN到LSTM：循环神经网络的进化之路

其实回顾两张图片的结构差异，就能明白循环神经网络的进化逻辑：RNN解决了“神经网络能否有记忆”的问题，而LSTM解决了“如何让记忆更持久、更精准”的问题。对于我们AI应用开发工程师来说，理解它们的原理，不仅能帮我们在项目中快速选对模型（比如短文本用RNN省资源，长文本用LSTM保效果），更能为后续学习GRU（LSTM的简化版）、Transformer（当前NLP的主流模型）打下基础——毕竟，所有复

 一招定胜负
2026-02-03 23:36:43

 1412

 24

#rnn #人工智能 #深度学习
深度剖析CNN/RNN/LSTM等传统大模型与GPT/BERT等大模型的核心差异

传统序列模型（CNN/RNN/LSTM）与大语言模型（GPT/BERT）并非替代关系，而是互补关系：传统模型是序列数据处理的基础，解决了“从0到1”的序列特征提取问题，在低算力、小数据场景仍不可替代；大模型是语言理解的革命，通过Transformer和预训练范式解决了“从1到100”的通用语义建模问题，在复杂语言任务中展现出碾压性优势。作为开发者，需根据任务需求、数据规模、算力资源三者平衡选型：在

 AI资源库
2026-01-30 09:00:33

 1082

 21

#rnn #cnn #lstm +4
AI-深度学习-循环神经网络RNN-注意力机制

注意力机制是让神经网络能够动态地、有选择地关注输入中不同部分的计算方法。它模拟了人类的注意力行为：我们在处理信息时，会本能地聚焦于关键部分，忽略次要信息。是什么？注意力机制是神经网络的“选择性聚焦”系统，通过查询-键-值三要素，让模型能够动态地、有选择地关注输入的不同部分。为什么？信息瓶颈→ 动态上下文按需取用对齐困难→ 软对齐自动学习长距离衰减→ 直接连接任意位置怎么办？核心计算权重 = sof

shangjian007
2026-01-25 21:36:13

 389

 11

#人工智能 #深度学习 #rnn
大语言模型核心原理（一篇足以）：大模型的底层Transformer架构深度解析（为什么用它？是什么？RNN的原理与局限性+架构分析+论文解读）

摘要：Transformer架构是当前大语言模型(LLM)的核心基础，由Google团队在2017年提出，取代了传统的循环神经网络(RNN)。其核心创新在于：1）完全基于注意力机制，实现全局依赖捕捉；2）支持全并行计算，大幅提升训练效率；3）采用多头注意力设计，可同时建模不同维度的语义关联。原始Transformer采用编码器-解码器双塔结构，通过自注意力、前馈网络等模块堆叠实现序列建模。现代大模

 A1063348628
2026-01-26 15:25:46

 1463

 32

#语言模型 #transformer #rnn +4
AI-深度学习-循环神经网络RNN-编码器和解码器

编码器-解码器是一种用于处理序列到序列转换的神经网络架构。它将一个领域的数据（如文本、图像）编码为中间表示，再解码为另一个领域的数据。编码器：理解器，将输入压缩为抽象表示解码器：生成器，将抽象表示展开为目标输出核心先理解，后生成的架构模式。

shangjian007
2026-01-25 21:13:22

 1026

 23

#人工智能 #深度学习 #rnn
ppo导航依赖第一步，那是rnn好还是transformer

RNN 像一个有“方向感”的探险家，靠经验走出第一步；Transformer 像一个“上帝视角”的规划师，但需要看到足够信息才能决策。如果你站在迷雾中的岔路口——RNN 更可能带你活下来。如果你愿意分享具体导航任务（网格大小？观测范围？是否动态？），我可以给出更定制的建议！场景 2️⃣：全观测 + 已知地图（如 A 路径规划、棋盘导航）* 智能体一开始就能看到整个地图第一步需要直接选出最优方向（

njsgcs
2026-01-25 20:21:16

 562

 10

#rnn #transformer #人工智能
PyTorch实战：用RNN从零开始实现周杰伦歌词生成

窗外的麻雀在电线杆上多嘴你说这一句很有夏天的感觉周杰伦的歌词以其独特的意象和韵律，成为了一代人的青春记忆。你是否想过，有一天 AI 也能像“方文山”一样，写出充满“杰伦风”的歌词？本文将带领大家进入有趣的文本生成领域，使用 PyTorch 框架和循环神经网络（RNN），一步步训练一个能够生成周杰伦歌词的 AI 模型。我们将从数据准备开始，到模型构建、训练，最终实现自动化的歌词创作。本案例的核心

 2301_78530027
2026-01-25 11:37:47

 1356

 27

#pytorch #rnn #深度学习
解码LSTM：给初学者的长短期记忆网络全景指南

学习LSTM时，请记住这不仅是掌握一个算法，更是理解序列建模的核心思想——如何让机器具备时间维度上的理解能力。即使未来新的架构不断涌现，这种思想仍然宝贵。从理解RNN的局限开始，到领悟LSTM的门控智慧，再到认识其在新时代的定位，这条学习路径将为你打开深度学习序列建模的大门。LSTM可能不再是技术前沿的代名词，但它作为连接过去与现在的桥梁，将帮助你更好地理解从循环网络到注意力机制再到现代大模型的技

 黑客思维者
2026-01-20 20:17:17

 1114

 34

#lstm #人工智能 #rnn
面向计算机应用的数学

计算机专业学生掌握AI模型数学公式的关键在于"应用导向"学习，重点理解公式含义、作用及代码实现。基础必备三门数学课：1）线性代数（矩阵乘法、维度匹配）；2）微积分（导数、梯度下降）；3）概率统计（选学）。进阶阶段通过《机器学习数学基础》课程衔接数学与AI模型，最后结合PyTorch/TensorFlow实战课程将数学公式转化为代码实现。学习路线建议：先线性代数（2-3周）→微积

 A1063348628
2026-01-20 17:07:57

 900

 24

#深度学习 #python #rnn +1
基于LSTM的心理健康分析系统设计与实现

本项目实现了一个从数据到模型、从前端到后端的完整心理健康分析系统，具备较强的实用性和可扩展性。通过LSTM与BERT的融合，系统不仅具备高准确率，还保留了较好的可解释性。我们希望通过开源该项目，推动AI在心理健康领域的合规、可信、有温度的应用。

weixin_55114428
2026-01-15 15:25:27

 696

 13

#lstm #人工智能 #rnn
RWKV7-G1c 系列模型 13B/7B/3B 发布，指标持续进步

RWKV7 G1c 仅需 3B 参数量，即可配合 state-tuning 可轻松完成复杂 agent 角色扮演

 RWKV元始智能
2026-01-12 11:19:46

 823

 25

#深度学习 #人工智能 #rnn +2
主成分分析十年演进（2015–2025）

摘要： 2015–2025年，主成分分析（PCA）从线性手工降维工具演变为被深度自编码器、自监督学习和多模态大模型取代的非线性动态表示技术。2015年PCA依赖协方差矩阵分解，2025年其份额不足1%，核心思想融入深度降维框架。2019年后，自监督对比学习（如SimCLR）和VAE将重建误差降至5%以下；2023年起，CLIP等VLA模型实现跨模态意图级降维，量子混合精度进一步提升性能。中国厂商（

jzwspace
2026-01-12 09:53:44

 771

 25

#云计算 #机器人 #算法 +4
随机森林十年演进（2015–2025）

摘要： 2015-2025年间，随机森林从主流算法逐渐被淘汰，全球新项目份额降至1%以下。其核心思想（Bagging+随机特征）融入现代GBDT/XGBoost及大模型框架，推动机器学习向万亿级智能跃迁。2015-2018年为黄金期，2019-2022年被GBDT取代，2023-2025年大模型时代仅用于解释辅助。中国主导技术迭代，最终VLA大模型实现全域实时决策，随机森林沦为教学工具，2030年

 jzwspace
2026-01-12 09:51:29

 907

 11

#随机森林 #算法 #机器学习 +4
BERT十年演进（2015–2025）

摘要： BERT从2015年预训练概念萌芽到2025年量子自进化大模型的十年演进，完成了从110M参数的文本理解到万亿级多模态VLA（视觉语言动作）统一模型的跃迁。2018年BERT论文开创双向Transformer预训练范式，中国厂商（百度ERNIE、华为盘古等）快速跟进并实现中文领域领先。2023年后，模型向多模态实时交互发展，2025年达到全域意图理解与行动直出，渗透率超90%。中国在千亿参

 jzwspace
2026-01-12 09:49:34

 439

 3

#云计算 #机器人 #算法 +4
算法研究员十年演进（2015–2025）

算法研究员十年演进（2015–2025）摘要 2015至2025年，算法研究员从手工调参的“竞赛刷分仔”跃升为定义智能范式的“文明级科学家”。2015年以CNN和ImageNet刷榜为主，薪资50–100万；2019年转向预训练大模型（BERT/GPT），中国华为、阿里领跑千亿参数研究；2021年MoE和分布式训练兴起，薪资突破800万。2023年进入多模态VLA时代，统一视觉语言动作；2025年

 jzwspace
2026-01-12 09:46:44

 627

 18

#算法 #机器人 #人工智能 +4
运动控制算法十年演进（2015–2025）

摘要： 2015-2025年，运动控制算法从手工PID+ZMP规则（0.1°精度/ms级响应）演进至VLA大模型+量子补偿（<0.005°/50μs），中国实现从跟随到全球领跑。核心跃迁：2019年在线辨识PID（0.02°）、2021年MPC-PID强化学习优化（0.01°）、2023年VLA意图柔顺控制，至2025年形成自进化量子鲁棒终极形态。中国企业（宇树、银河通用等）主导关键突破，推

 jzwspace
2026-01-12 09:38:16

 601

 18

#云计算 #机器人 #算法 +4
云计算十年演进（2015–2025）

摘要： 2015-2025年，云计算从IaaS虚拟机手工运维时代演进为AI原生智能云时代，中国从跟随者跃升为全球领跑者。2015-2018年以IaaS为主，2019-2022年容器化与Serverless技术大幅提升效率并降低成本80%。2023-2025年进入大模型云原生与量子混合加速阶段，支持十万亿参数训练，成本降至1%。中国云厂商（阿里云、华为云等）主导技术创新，推动AI从实验室走向普惠化，

jzwspace
2026-01-11 22:52:28

 1109

 6

#云计算 #机器人 #算法 +4
模型预测控制（MPC）十年演进（2015–2025）

摘要： 2015-2025年，模型预测控制（MPC）从传统线性优化（手工建模、秒级求解）演进至端到端VLA大模型时代（可微MPC、量子加速、社交博弈）。中国实现从跟随到领跑（小鹏XNGP、华为ADS等），实时性从秒级突破至20μs，预测时域扩展至100+步，鲁棒性升级为全场景自愈。MPC推动智驾/机器人从刚性轨迹优化迈向意图级社交预测控制，完成技术范式跃迁。

jzwspace
2026-01-11 22:51:31

 1038

 20

#机器人 #算法 #人工智能 +4
智能驾驶决策控制十年演进（2015–2025）

摘要： 2015至2025年，智能驾驶决策控制技术经历了从规则状态机到端到端VLA大模型的跨越式发展。2015年以手工调参的PID/MPC为主，决策时延达秒级；2019年后引入博弈优化和强化学习，实现社交交互；2023年进入VLA大模型时代，时延降至50ms以下，控制精度达厘米级。中国厂商（如小鹏、华为、比亚迪）从跟随到全球领跑，推动技术从“被动执行”向“主动社交”跃迁，预计2030年全域社交级控

 jzwspace
2026-01-11 22:47:17

 898

 13

#机器人 #算法 #人工智能 +4
目标检测十年演进（2015–2025）

摘要：目标检测技术在2015-2025年间实现跨越式发展，从早期基于手工特征的两阶段R-CNN（mAP约40-50%）演进为多模态VLA大模型驱动的智能检测系统（mAP>98%）。中国科技企业（华为、小鹏等）从跟随者成长为全球领跑者，推动检测技术实现三大跃迁：1）检测范式从单/两阶段转向端到端统一架构；2）应用场景从静态图像扩展到动态意图理解；3）性能指标实现零样本全场景覆盖与毫秒级实时响

 jzwspace
2026-01-11 22:42:23

 724

 7

#目标检测 #人工智能 #计算机视觉 +4
机器人算法十年演进（2015–2025）

摘要： 2015–2025年，机器人算法经历了从规则控制到智能自进化的革命性跃迁。2015年以PID+ZMP平衡为主，仅支持实验室慢走；2017–2022年深度强化学习（RL）和万级并行仿真推动性能突破（12m/s奔跑、体操动作）；2023年后多模态VLA大模型实现意图级零样本交互，2025年量子鲁棒算法进一步实现16.8m/s高速运动与全域自愈。中国从跟随者跃升为领跑者，宇树、银河通用等企业主导

 jzwspace
2026-01-11 22:35:55

 734

 7

#机器人 #算法 #人工智能 +4
多模态大语言模型（MLLM）十年演进（2015–2025）

摘要： 2015-2025年，多模态大语言模型（MLLM）从单模态孤岛跃升至万亿级具身智能系统。2015-2018年以VQA手工对齐为主，参数规模百万级；2019-2022年CLIP革命推动对比学习与融合预训练，实现零样本分类；2023-2025年进入VLA端到端自进化时代，华为、阿里等中国厂商主导十万亿级模型研发，零样本泛化率超99%，赋能智驾、机器人等实时多模态交互。中国从技术跟随者发展为全球

 jzwspace
2026-01-10 19:49:02

 529

 24

#语言模型 #dubbo #人工智能 +4
Agent十年演进（2015–2025）

摘要： 2015至2025年，Agent技术经历了从单一规则脚本到通用智能伙伴的跨越式发展。早期Agent（2015-2018）依赖固定脚本和简单规划，任务单一；2019-2022年强化学习和大模型驱动使其具备多任务能力；2023-2025年多模态VLA（视觉语言动作）Agent实现意图级自进化与量子鲁棒协作，渗透率突破70%。中国从跟随到领跑，小鹏、华为、阿里等推出领先Agent方案，推动人类与

 jzwspace
2026-01-10 19:42:46

 853

 12

#rnn #lstm #人工智能 +4
MoE（Mixture of Experts）架构十年演进（2015–2025）

摘要： 2015–2025年，MoE架构从理论复苏（8–16专家）演进为万亿级多模态VLA动态MoE（十万级专家），激活参数比例从10%降至0.1%，效率提升超1000倍。中国实现从跟随（华为盘古、阿里M6）到领跑（DeepSeek、小鹏VLA MoE），推动AI从稠密计算转向稀疏意图级专家协同。2025年MoE渗透率达80%，量子加速与自进化技术成为标配，全域具身智能实现实时决策，标志着AI文明

 jzwspace
2026-01-10 19:40:23

 789

 11

#架构 #神经网络 #学习 +4
ZeRO十年演进（2015–2025）

摘要： ZeRO（零冗余优化器）从2019年微软开源的内存优化技术，到2025年已发展为支持十万亿参数大模型训练的量子混合框架。十年间，其内存节省从70%提升至99.9%，训练效率增长超1000倍，渗透率达85%以上。中国从初期跟随（华为、DeepSeek）到主导量子ZeRO创新，推动AI从千亿瓶颈迈向实时普惠训练。关键节点包括2020年ZeRO-3支持千亿模型、2023年MoE融合、2025年量

 jzwspace
2026-01-10 19:36:42

 866

 15

#rnn #lstm #人工智能 +4
循环神经网络（LSTM）十年演进（2015–2025）

摘要： 2015-2025年间，LSTM从序列建模的巅峰技术（机器翻译/语音识别主流）彻底退出历史舞台，被Transformer/VLA大模型取代。2015年LSTM主导长序列处理，2017年引入注意力机制，2019年Transformer崛起，2021年预训练模型革命彻底淘汰LSTM。2023年后，多模态大模型（如GPT-4V）实现毫秒级全域动态意图理解，LSTM仅作为思想融入现代架构。中国厂商

 jzwspace
2026-01-09 10:12:00

 743

 18

#rnn #lstm #人工智能 +4
自动编码器十年演进（2015–2025）

摘要： 2015–2025年，自动编码器（Autoencoder）从浅层降维工具（如Denoising AE）演进为多模态自监督核心范式。2015年以手工设计为主（精度~80%），2017年VAE引入生成能力，2019年VAE-GAN提升生成质量。2021年自监督预训练（如SimCLR）推动表示学习，2023年多模态大模型（如MAE）实现掩码重建与意图理解。2025年进入VLA自进化阶段（华为盘古

 jzwspace
2026-01-09 09:59:01

 983

 14

#神经网络 #学习 #人工智能 +4
提示工程十年演进（2015–2025）

年份核心范式跃迁代表技术/提示方式零样本泛化率/效率提升主要能力/应用中国贡献/里程碑2015提示工程不存在无（模型太小）- / -无全球无概念，中国无2017初步上下文提示初探In-context Learning初稿~60–70% / 手工简单few-shotOpenAI初探，中国跟进2019Few-shot提示爆发~75–80% / 手工试错少样本任务百度文心 + 华为盘古初代few-sho

jzwspace
2026-01-09 09:53:32

 748

 20

#神经网络 #学习 #人工智能 +4

加载更多

回到
顶部

提供社区服务与技术支持

提供社区服务与技术支持

©1999-2023北京创新乐知网络技术有限公司京ICP备19004658号