NetSol Q3营收刷新历史记录达到1980万美元，GAAP每股收益0.11美元
人工智能驱动的资产融资解决方案供应商NetSol Technologies于周四发布了截至2026年3月31日的第三财季经营数据。公司营业收入创出历史新高，GAAP净利润达到130万美元，折合每股收益0.11美元。 营收创历史新高，毛利率显著扩大 财务报告显示，公司第三季度总净营收较去年同期增长13%至1980万美元，创下历史最高季度营收纪录。其中，周期性订阅与支持收入同比增长11.7%至880万美元。许可费用收入达到470万美元，而去年同期仅有约1000美元，主要源于一份为期四年、价值5000万美元的一
AI入门笔记：透过函数看AI本质
AI 模型本质上是一个可学习的、复杂的非线性函数；但需要注意的是，它并不是一个明确的函数公式；而是一个类似黑盒的预测工具：你不需要了解具体原理，那是符号主义关注的；我们只需要让结果尽可能接近完美即可。其核心思想是联结主义，即通过简化函数获得真实结果的近似解。接下来我将简要回顾我的学习历程。如果大家想了解AI的话推荐观看b站up主闪客的视频：【【闪客】一小时从函数到 Transformer】 https://www.bilibili.com/video/BV1NCgVzoEG9/?share_source=
爱可可AI前沿速递(5.12)
LG - 机器学习 CV - 计算机视觉 CL - 计算与语言 AI - 人工智能1、[LG] 想象空间内的训练机制 2、[LG] 深度网络谱动力学：特征习得、异常规避与学习率迁移 3、[CL] 极速字节潜变量Transformer 4、[LG] 探究神经缩放律的普适性与不变性 5、[AI] 生成式AI模型代际更迭中认知能力的非均衡演进摘要：探讨“想象”式训练、深度网络谱动力学、快速字节潜变量Transformer、神经缩放律的不变性及普适性、生成式AI代际演进中认知能力的非均衡表现N Timor, R
揭秘AI大模型：无意识的统计机器
如今我们日常频繁接触各类人工智能大模型，无论是聊天、撰写文案、编程还是解答问题，它们似乎样样精通、智慧超群。然而多数人并未意识到一个关键事实：当前所有AI大模型都不具备真正的思维能力，缺乏理解力，更没有自我意识。它们并非具备思考能力的大脑，而是一台高度精密的数学统计预测系统。要真正理解AI的本质，需从基础出发：神经网络是什么？大模型如何运作？为何看似聪慧却存在幻觉、遗忘和易受操控等固有缺陷？未来具备逻辑推理与自主意识的AI应具备怎样的形态？AI的起源可追溯至神经网络。其设计灵感源自对人脑神经元连接结构的简
TransLit 新增两步法：在信度与效率间找平衡
在 TransLit 旧版里，“AI Review”模式主要是为了解决 Gemini 2.5 Pro 偶尔出现的语言混淆。那时模型翻译常夹杂外语词，我想通过二次校对把这些词剔除。研读思果的《译后交稿或付印前的检查工作》后，思路变了。我认为“校对”不仅是修正错误，还能优化中文表达。因此，我依据书中的原则重新设计了校对提示词。实测发现，这种仅靠译文的校对法在科普类书籍上表现尚可，但在小说上准确率骤降。因缺少原文约束，模型在追求“精炼”时易产生语义偏差。这让我联想到许多中译本（即二次翻译），不禁对译文质量产生了
揭秘AI：大语言模型、Transformer与Token的奥秘
我们每天都在与AI互动，但你是否好奇它在幕后是如何运作的呢？如今，AI已渗透到我们日常生活的方方面面。无论是撰写文案、润色简历、编写代码、提炼摘要、构思标题、分析数据，还是进行日常对话……像ChatGPT、Claude、Gemini、豆包、通义千问、Kimi、DeepSeek这类AI的名字，想必大家早已耳熟能详。然而，我们不禁要问：这些AI究竟是什么？为何它们能理解人类的语言？又是如何一边领会我们的意图，一边生成有用的答案的？它们常提及的LLM、Transformer、Token又分别代表着什么？本文将摒
AI安全系列：Transformer架构初探
本篇是原定的AI与AI安全系列的第一篇。当然后面由于各种原因，一个是AI投毒事件，一个是我想试试讲课，被拖到第三篇。这篇和https://www.bilibili.com/video/BV183ojBuE1Y（同样的，点击阅读原文）配套，同时如果两边的描述有不一致，介于两者创作的时间差——尽量以视频为准（当然鉴于直播时要把讲的部分串起来，所以本文中的很多其他原理部分就没有涉及）。首先，由于笔者苯人也不怎么懂。所以在这个系列里我们不太可能进行数学上的探讨。本系列中所有关于原理的解释，都仅致力于让读者简单理解
KV Cache：大模型推理的“加速器”与“内存条”
您是否好奇，像ChatGPT、DeepSeek这样的大语言模型，为何能逐字生成回应，而不是一次性输出整段文字？实际上，在生成下一个字词前，模型需要重新审视并利用之前已生成的信息。这听起来似乎效率不高，对吧？驱动大模型实现高效推理的关键技术之一，便是我们今天要探讨的主角——KV Cache，其中文含义为“键值缓存”。一、优化思路的必然产物KV Cache并非凭空出现，而是源于Transformer架构的内在特点与实际推理需求的冲突。2017年，Google发布的里程碑式论文《Attention Is All
AI如何洞察图像：像素级标记的智慧与挑战
AI是如何「理解」一幅图像的：语义分割背后那件出乎意料的事情我们可能误以为AI在「领悟」画面，实际上它在执行一项既朴素又精妙的任务——为每个像素赋予一个标签。这种方法看似粗暴，但正是这种“粗暴”，赋予了机器前所未有的「洞察力」。不妨先思考一个问题：你如何分辨路面上的灰色区域是道路而非一辆同色的汽车？你或许觉得这是显而易见的，但很难清晰阐述「为何」能分辨——是依靠形状、质感、位置，抑或是整体场景的关联？人类的视觉系统将这些线索融合得如此天衣无缝，以至于我们几乎意识不到其内在的复杂性。语义分割，正是致力于将这
神经计算：AI的底层驱动力
本质核心：基于数据的自动化特征挖掘，无需人工预设规则，通过联结强度的持续调整逼近数据内在模式；理论架构（从原理到应用的递进关系）：神经计算→人工神经网络→深度学习→大语言/多模态大模型。1943年M-P神经元模型问世，宣告神经计算正式开启；1949年赫布学习规则确立神经网络学习的理论根基。1957年感知机模型诞生，掀起首轮神经网络浪潮；1969年明斯基证实单层感知机无法破解异或难题，相关研究陷入十余年低谷。1982年Hopfield网络使研究再度升温；1986年BP反向传播算法突破多层网络训练瓶颈，引爆第
人工智能学习机制的演变
第三章：AI中的学习我们之前探讨过AI中的知识本质——简单来说就是人类语言的空间结构和规律特征。AI通过压缩与提炼过程，从互联网海量文本中捕捉到人类语言的空间结构与常见规律。我之前提到生成式AI的训练分为预训练和后训练两个阶段，真正决定AI能力上限的是预训练阶段。预训练看似复杂，其实质就是完形填空。通过对互联网数据进行大规模的完形填空训练，AI掌握了人类语言的空间结构和内在逻辑，这正是AI能够根据你的开头续写全文的原因。由于编程语言属于人类广义语言的子集，AI因此能够生成代码。只要你使用的术语和编码属于人
人工智能演进历程：从图灵之问到智能涌现
在当下这个时代，仅仅能够使用人工智能或许已显不足，因其发展速度迅猛，诸多领域已然超越人类。诚然，“打不过就加入”是一种应对策略，但另一方面，我们仍需深入探究其内在机理。我计划对人工智能的发展脉络、内部运作机制以及相关产业进行系统梳理，今日便从它的演进历史谈起。图灵是我颇为欣赏的那类人，他们能够进行深入而持久的思考，直至触及问题的本质。1950年，图灵在他发表的论文《计算机器与智能》中提出了一个划时代的问题：“机器能够思考吗？”并为此设计了著名的“图灵测试”——倘若一台机器能够通过文字对话迷惑人类裁判，使其
AI七十年：寒冬蛰伏与爆发式增长
若以工程师的眼光审视这段旅程，AI的演进堪称一部在"寒冬"与"暖春"之间反复震荡的编年史，更是人类执着于"赋予机器智能"这一梦想的不懈征程。 一、种子期：理想主义的黎明（1950s–1980s） 追溯源头，一切始于图灵1950年的追问：机器能否具备思考能力？ 这一问如石破天惊，在学界掀起层层波澜。1956年达特茅斯会议首次确立"人工智能"概念，当时青年学者们意气风发，预言十年内即可实现智能机器。 然而现实泼下冷水。早期符号主义与专家系统虽在限定场景表现尚可，却脆弱不堪——一旦超出预设范畴便全面失效。算力匮
Transocean获东地中海钻井船合约
海上钻井承包商越洋公司（Transocean）旗下"Deepwater Asgard"号钻井船在东地中海成功斩获一份五口井的钻井作业合同。该合同作业周期预计为390天，客户信息暂未公开，计划于2026年第四季度启动，预计将为合同积压订单贡献约1.58亿美元（不包含额外服务及调动与撤离补偿费用）。越洋公司指出，结合近期公布的挪威"Transocean Barents"号以及巴西"Deepwater Orion"号、"Deepwater Aquila"号和"Deepwater Corcovado"号等合同项目
人工智能是如何逐步进化的？一篇清晰的科普解析
最近几年，你肯定频繁接触到关于人工智能的各种新闻：它能够创作文章、绘制图画、进行对话，甚至协助人们编写程序。许多人对此感到惊奇，同时也会产生一个疑问：👉人工智能究竟是如何从一个“简单的机器”，逐渐演变成如今这般模样的？这篇科普文章，我们将避开艰深的专业词汇，仅通过一条清晰的“发展脉络”，让你看懂AI的演变历程。用一句话概括AI的进化道路：人工智能的进步，实质上是一个持续“模拟人类”的过程：在早期阶段，AI其实并不“智能”。它更像一个“仅掌握单一技能的机械工具”。例如：这类AI系统都有一个共同特征：只能执行