首届AI与智慧治理论坛前瞻
讲座信息主题一智慧治理：数据赋能与科技助力Smart Governance: Data Empowering and Tech Boosting演讲嘉宾周傲英，华东师范大学数据学院教授摘要智慧治理旨在推动社会治理的数字化变革。数字化转型已成不可逆转的潮流，代表着深层的自我革新。互联网重塑了生活与生产模式，引领全面转型，并深化了人们对数据价值的认知。数据之于数字化，恰如电力之于电气化，构成了赋能的底层逻辑。数字技术的核心在于实现数据赋能。数字化即数据化与数智化的融合，体现了互联网与数据思维。信息化需向互联网
2026最全AI Agent学习路线：从零基础到独立开发智能体实战指南
近年来，随着ChatGPT、DeepSeek、Claude、通义千问等大模型的快速迭代，AI领域正在经历深刻变革。单纯的与大模型对话，已经不再是核心竞争优势当前真正火爆、企业争相招聘、未来3年最具发展潜力的方向，只有一个：AI Agent智能体。许多程序员、开发者、技术爱好者都在困惑：AI Agent究竟是什么？Java/后端开发者如何转向AI领域？学习智能体需要掌握哪些技术？多久能够开发出真正落地的AI产品？本文结合2026年最新主流技术栈，为大家整理了一套最完整、最实用、可直接参照学习的AI Agen
澳国立全额资助博士项目：聚焦AI基础设施与向量数据库研究
近年来，大型语言模型的兴起催生了一个新兴研究领域—AI基础设施。大众熟知ChatGPT、DeepSeek、Claude等应用，却鲜少了解支撑这些模型运转的底层技术。从向量数据库、检索增强生成，到高性能计算、分布式系统，这些构成未来AI时代的关键基石，也是全球高校和科技巨头重点投入的研发方向。若你志在投身AI核心技术开发，或追求深造并产出高影响力论文，那么这个澳大利亚国立大学的博士机会不容错过。项目概述澳国立计算机学院推出全额资助的AI基础设施博士项目，由导师团队引领探索下一代AI底层架构，提供全面奖学金支
AI圈今日三件大事:顶尖人才转向安全阵营、阿里开源向量数据库、DeepSeek实现AI自主研究
今日 AI 领域传来三条重要动态：AlphaFold 项目负责人 John Jumper 结束在 Google DeepMind 近九年的工作生涯，宣布加入 Anthropic，顶尖人才持续向安全导向型公司聚集；阿里正式开源其内部向量数据库 Zvec，仅需一条 pip 命令即可免费使用，功能对标 Pinecone 每月 70 美元的服务；DeepSeek 研究团队成员 Deli Chen 开源 AutoResearch 框架，首次实现 AI 完全自主完成 285B 参数模型的强化学习研究全流程。下面为大家
AI十事|美为AI电力开绿灯,G7密谋对华设限
端午安康。今日的人工智能领域，一面是美方不惜打破常规为AI供电亮绿灯，另一面则是科技巨头在G7宴席上密谋对华设限——这两条线索交织，宣告AI角逐已迈入“不择手段”的时期。国内同样波澜起伏：银行信贷不再由AI独自定夺，本土AI芯片商试水家用电脑市场，甚至有个AI雇员静悄悄地揽入两千万美元营收。1｜G7宴席上，AI巨头筹谋将中国拒之门外6月17日，在G7峰会的闭门午餐会上，Anthropic掌门Dario Amodei与Google DeepMind负责人Demis Hassabis联合建言：构建由美国牵头的
AI 百词详解：Embedding 的核心逻辑
🌟 AI 百词系列之 Embedding【核心解读】💡 Embedding = 将文本转化为 AI 可运算的"数字坐标" 初次涉足知识库、RAG 或向量数据库领域时，你总会遇见这个术语。它乍听之下技术感十足，但原理并不晦涩——人类阅读句子关注的是含义，而计算机无法直接读懂"含义"，必须将文字转译为一串数字序列。 ——————————— 【实例演示】👇 "客户寻求融资援助" "企业面临资金周转压力" "该公司拟申请贷款" 尽管表面措辞各异，但核心语义高度趋同。经由 Embedding 转化为数字向量后，AI
AI长期记忆：智能体发展的新关键
过去两年，外界最关注的是模型的规模、参数数量和算力消耗。而如今，真正的技术分水岭已从训练能力转向推理效率，从单次应答转向连续任务处理，从简单的对话窗口深入到企业流程的整合。推理越频繁，记忆就越关键。如果AI每次启动都像初次见面，即使再强大，也仅能充当临时帮手。它必须清楚地记住客户信息、项目进度、代码修改记录、合同环节以及企业内部信息的访问权限。因此，H200芯片之争，实质上是AI长期运行所需基础设施的争夺。算力让AI运转，而记忆则决定了AI能否真正落地生根。人工智能的显著短板，正在于它虽然擅长联想，却难以
RAG技术：为AI配备外部记忆系统
检索增强生成（Retrieval-Augmented Generation）深入解析你是否也有过这样的体验——考试时大脑一片空白，但允许查阅资料时却能迅速作答？这其实体现了RAG的核心机制。首先明确一点：大语言模型（LLM）本质上是“闭卷答题高手”。它在训练过程中学习了海量的文本数据，将知识“压缩”到神经网络参数中。这就像一个人花时间背下了整本百科全书——看似强大，但问题也很明显：它的知识有明确的截止时间。如果你问它“今天A股是否上涨”，它只能告诉你它的训练数据截止到某年某月。它可能会“编造”。当它不知道
AI原生数据库发展五大趋势预测
AI原生数据库并非简单的“数据库+AI”组合，而是对数据库内核进行的根本性重构。在接下来的三年里，数据库的智能化水平将比存储容量更能体现企业的核心竞争优势。基于此，本白皮书提出五大核心洞察：从“存储”到“智能”的范式转型：数据库正在从被动存储向主动理解过渡，语义解析、相似度计算与跨模态关联能力成为关键，向量数据库已跃升为AI时代不可或缺的核心基础设施。从“外部插件”到“智能内核”的架构变革：AI功能正全面融入数据库核心，形成“AI驱动数据库”与“数据库服务AI”的双向协同。内置智能内核在数据传输效率、响应
让AI不再胡言乱语：SpringAI与Azure向量数据库的完美结合
前几天，公司来了个新需求。老板一脸神秘地把我叫进会议室：“小米啊，我们现在接入了 AI 聊天机器人，但它老是胡说八道。有没有办法，让 AI 能真正理解我们自己的知识库？”我一听，笑了。这不就是典型的：“AI 学霸考试不带小抄”么？你想想。大模型像一个超级聪明的大学生。它什么都懂一点。但如果你问：公司报销流程？内部商品编码？客户历史合同？私有知识库内容？它立马开始：“一本正经地胡说八道。”于是，真正的 AI 项目里，最重要的事情来了，给 AI 配一个“记忆仓库”，而这个仓库就是：SpringAI + Azu
为何 AI 始终面临存储荒
AI 堪称“数据饕餮”与“带宽黑洞”，其存储需求呈指数级暴涨，而产能与物理极限却难以企及。以下分五点详述：一、模型规模激增，直接撑爆内存- 大模型参数从数十亿跃升至数千亿，未来更将达万亿级。- 训练阶段，全量参数需载入 HBM 或高速 DRAM 方可运行。- 推理阶段，需储备海量 KV 缓存（上下文状态），上下文越长、并发用户越多，内存消耗越巨。- 结论：模型越庞大，内存越捉襟见肘；并发越高，短缺越严峻。二、训练数据：只进不出，无限累积- 训练涵盖全网文本、影像、视频、日志及对话，均需永久留存。- 全球数
AI 入门首讲：三层架构拆解核心知识体系
涉足全新领域，首要任务是绘制出该领域的知识全景图。众多初学者，含笔者自身，初探 AI 深水区时，往往会被海量术语弄得晕头转向。诸如 ChatGPT、gpt-5.5、Claude、claude opus4.6、Gemini、gemini-3.1pro、DeepSeek、Llama、Cursor、Claude Code、Agent、RAG、向量数据库、LangChain、n8n、提示词工程、上下文工程等概念层出不穷。故而，搭建一套理解框架以便将这些概念归类定位，显得尤为关键。以下是经与 AI 探讨后提炼出的认
告别胡说八道：教AI正确“查资料”的方法
AI技术驿站RAG究竟是什么？技术应用指南之前我们探讨过向量数据库——一个能够“按语义搜索”的高效检索工具。但你是否曾思考过：检索到的内容究竟由谁来使用？这就引出了今天的主角：RAG（检索增强生成技术）。简要概括：RAG=AI的专属知识库，遇到问题随时查阅，拒绝凭空杜撰。向量数据库=精准的搜索助手，确保查找既准确又全面。两者协同工作，构成企业知识问答、系统操作指南、设备故障诊断的黄金搭档，真正让AI契合企业实际需求，提升办公效率。
智谱推出GLM-5.1旗舰开源模型：可连续工作8小时，价格上调一成
4 月 8 日，智谱对外发布新一代开源模型 GLM-5.1。官方表示，这是当前全球能力最强的开源模型，也是首个可实现 8 小时级持续运行的开源模型。在贴近真实软件开发场景的 SWE-bench Pro 基准中，GLM-5.1 也成为首个成绩超越 Opus 4.6 的国产模型。 据 OpenRouter 信息，随着此次新模型上线，智谱 GLM 的价格同步上调 10%。调价之后，GLM-5.1 在 Coding 场景中的缓存命中 Token 定价，已经接近 Anthropic 旗下 Claude Sonnet