AI：从计算到算计的赋能
我试图提出，人类近期基于“器”的一次飞跃，可形象地概括为：“计算→算计”的加持，这种理解只求尽可能贴近，不追求完全精准。这个观点是否引人深思？一、先解字：计算与算计这两个词在中文里的细微差别，恰好能精准映射此次飞跃的本质：“计算→算计”的跨越，方向把握十分准确。二、但需区分：AI 当前做到的，是“算计”还是“模拟算计”？这里有一个必须诚实面对的问题：> 真正的“算计”蕴含**意图**——我知晓自己在为何谋划，拥有目标、立场及价值取向。目前 AI 所行之事，更准确地说：基于海量人类“算计”的痕迹（文本
AI如何变革精英篮球表现分析？从数据统计迈向比赛洞察
近年来，人工智能（Artificial Intelligence，AI）正迅速革新竞技体育的发展模式，篮球无疑是其中最典型的应用领域之一。以往，篮球比赛分析主要依靠投篮命中率、篮板球、助攻等常规技术数据；如今，借助机器学习（Machine Learning）、计算机视觉（Computer Vision）、运动员追踪系统（Player Tracking）、可穿戴设备（Wearables）以及自动视频解析等技术，篮球分析已迈入以数据驱动（Data-driven）和智能决策（Decision Support）为
智能协作重塑软件交付：多智能体驱动的AI DevOps新架构
本文范畴界定：本文重点探讨AI DevOps的协同框架、基础能力层和规范化构建，涉及从需求到上线的完整多智能体协作模式。有关AI时代的DevOps度量体系（如AI智能体效能评估、交付品质指标、智能体协同效率衡量等），将在后续篇章单独阐述。关于需求评估：在实际研发流程中，产品经理递交需求文档后往往会经过需求评估环节——由技术、测试、业务等多方对需求进行校准和共识，评估通过后方才正式启动开发流程。本文的架构设计以需求评估完成、需求文档已确定为出发点，需求评估阶段本身不在本文讨论之列。作者背景：云原生及AI D
AI巨头厮杀背后：模型越强，算力需求为何反而暴涨？
随着OpenAI、Anthropic、谷歌、Meta、xAI持续发布新模型，市场往往会产生一种错觉：竞争越白热化，存活下来的巨头越少，行业红利也会随之缩水。然而对于黄仁勋和英伟达来说，情况恰恰相反。模型厂商之间的厮杀，未必会缩减算力蛋糕；只要竞争迫使各方不断训练更庞大的模型、降低服务成本、抢占更多用户、普及智能体应用，整个行业消耗的计算资源就可能不断攀升。换言之，黄仁勋无需精准预判谁将成为最终的霸主。他真正下注的逻辑是：不管谁胜出，人工智能都将从极少数人的实验工具，演变为企业、软件、机器人及基础设施的通用
算力发展进入新阶段 终端应用驱动CPU需求攀升
人工智能领域正经历从追求算力规模的上半场向追求应用和场景落地的下半场转变。 近日，光合组织2026智能计算应用大会在郑州成功举办。会议聚焦智能计算应用与发展范式、AI基础设施创新、国产开放计算生态建设等议题，旨在推动国产人工智能算力从关注建设转向关注应用，从评价单一参数转向注重系统能力，从局部场景迈向大规模迁移。 本次大会上，中国首个全国产十万卡AI超集群——曙光8000（登峰）正式落成，并同步接入国家超算互联网。这标志着AI基础设施建设开始从万卡级迈向十万卡级部署阶段。系统采用海光等国产芯片算力底座，进
AI负责计算，人类负责决策
自从接触AI以来，我一直觉得生产线上最容易被替代的岗位就是检验这类工作。外观检查时，质检员需要逐个查看产品，眼睛很容易疲劳。很自然就会想到使用视觉检测，用相机替代人眼。但有一次让相机检测电线长度的经历，改变了我的看法。不是说AI不行，而是它的判断有时很难明确界定。对员工说“这种算外观明显不合格，那个不影响性能可以放行”，有时候连人都说不清楚。AI再强大，也无法理解你脑海中那个模糊的标准是什么。那么AI到底能做什么、不能做什么？我的判断很简单：AI无法判断的地方，由人来处理；AI容易落地执行的部分，人退出来
AI 智控煤矿岗位：根除睡岗空岗，筑牢安全防线
煤矿绝大多数安全事故的导火索，并非设备故障，而是人员管理失控、岗位职责缺失。煤矿井下及地面关键岗位，构成了安全生产的最后一道屏障。皮带巡检、泵房值守、变电所监控、井口安检、机房操作等重点区域，必须确保 24 小时有人值守、实时监控设备运行、即时处置突发隐患。然而在实际矿山生产管理中，夜班值守、单人岗位及偏远岗位长期存在睡岗、脱岗、空岗及在岗不作为等违规情况。一旦岗位无人看管，设备异常、巷道隐患、突发险情便无法在第一时间被发现和处理，小隐患极易演变为停产事故或安全险情，这是煤矿安全管控中难以根治且反复出现的
AI基建狂潮席卷航空货运 市场结构巨变
受全球AI数据中心建设加速的驱动，大量用于部署AI设备的大型服务器机架与晶圆半导体深度压缩了全球航空货运的产能空间。在传统电商低价包裹发货量趋缓的背景下，高附加值科技硬件的紧急运输正促使航空货运市场呈现出逆势上扬的态势。 国际航空运输协会（IATA）的最新统计显示，今年5月从亚洲发往北美的航空货运量同比激增了近20%，显著高于同期全球航空货运总量6%的增幅。美国商务部数据显示，5月份美国商品进口总额升至3170亿美元，同比增加15%，其中半导体及计算机核心配件等AI基建物资成为核心增长动力。物流分析机构X
物理AI获巨额资本加持：为何能源领域智能化不能依赖大模型？
近日，江行智能成功完成数亿元B++轮融资。朝希资本担任领投方，晨道资本、晶科能源、兖矿能源、建发新兴投资联合注资。融资规模并非关键。投资方的构成才是焦点：这绝非单纯的"财务投资"——而是产业链上下游携手入场，用资金为一项技术路线背书。他们聚焦的概念名为物理AI（Physics-AI）。江行智能的使命是：成为全球能源基础设施的"中枢神经系统"。本文不展开概念阐述。我们深入剖析三个核心问题：1. 为何纯粹的数据AI在能源行业难以落地？物理AI的技术护城河究竟何在？2. 为何是&
面向非计算机专业的人工智能通识精品教材专题
▊《大语言模型通识》本书围绕大语言模型展开系统讲解，内容涵盖：基本概念、模型原理、网络结构、数据标注、预训练数据、开发流程、分布式训练、提示工程与微调、强化学习技术、智能体构建、应用框架、技术伦理与约束、模型评估及未来发展趋势等。本等。本书风格鲜明、通俗易懂，既适合高校及职业院校中人工智能、信息技术相关专业的学生使用，也适合对人工智能及大语言模型感兴趣的广大读者阅读。▊《人工智能通识讲义》全书共设5个单元、14章内容，从人工智能的发展历程入手，以语音、图像、生活中的典型场景及伦理议题为核心知识载体，围绕实
三星AI PC专用加速芯片"GAIA"曝光：4nm制程、剑指2027年大规模量产
三星电子正在研发一款专用于人工智能个人电脑（AI PC）的加速芯片，研发代号为“GAIA”，预计将在2027年进入量产阶段。据业界消息透露，GAIA由三星电子设备解决方案（DS）部门旗下的系统LSI事业部主导研发。当前，三星已向联想、惠普等主流个人电脑制造商提供工程样品，开展性能评估与适配验证工作。GAIA采用4nm先进制程，核心架构围绕神经网络处理器（NPU）构建。区别于传统的中央处理器（CPU）和图形处理器（GPU），该芯片专注于生成式人工智能相关运算任务。此外，三星正在积极推动GAIA与存内计算（P
三月技术类新书推荐：AI/自动化/电子信息方向
「新一代人工智能：从深度学习到大模型」作者：张重生ISBN：978-7-111-77002-2定价：89.00本书聚焦新一代人工智能理论与技术的深度剖析，共19章，系统涵盖深度学习基础、优化方法、卷积操作、损失函数、经典卷积网络架构、目标识别、度量学习、目标检测、图像分割、生成对抗网络、蒸馏学习、长尾学习、图像增广，以及Transformer、预训练、大语言模型、视觉-语言模型和视觉大模型等前沿技术。▊《PLC原理及工程应用 第2版》「PLC原理及工程应用 第2版」作者：黄彬 孙同景ISBN：978-7-
揭秘微观穿墙术：量子隧穿如何重塑科技未来
在肉眼难以察觉的微观宇宙中，量子隧穿赋予了粒子一种“合法穿越”墙壁的能力。这绝非奇幻魔法，而是确凿存在的量子法则，更是半导体、显微镜及精密电子设备诞生的根基，深深嵌入我们的日常电子用品里。量子穿墙理疗是真的吗？芯片越做越小的关键绝活是否就是它？国家级人才、国家重点研发计划首席科学家、北航教授周苗将带我们一同揭开量子科技的神秘面纱。 若置于宏观视角：一颗皮球撞击厚墙，若动能匮乏，必被弹回，绝无可能凭空穿过，这是经典物理的铁律。但在微观层面，电子、质子等量子粒子却打破常规：即便自身能量不足以翻越障碍，仍存在一
中国团队横扫太空AI挑战赛金奖
新华社日内瓦7月9日电（记者王其冰）全球首个太空计算主题国际赛事“人工智能（AI）与太空计算挑战赛”评奖结果日前在日内瓦举行的2026年人工智能造福人类全球峰会上揭晓，来自中国的科研团队包揽挑战赛全部三个赛道的金奖。 该赛事由国际电信联盟、中国之江实验室和中国信息通信研究院联合发起，2025年12月启动，吸引来自36个国家的258支团队参赛，设“太空智能赋能粮食生产”“太空智能促进清洁饮水”“太空智能赋能韧性城市与社区”三大赛道。最终，中国、巴西、印度、巴基斯坦、瑞典和美国等12国共41支团队获奖。浙江工
驱动智能制造升级：AI视觉质检系统架构与质量闭环详解
在制造业加速迈向智能化与数字化的当下，产品质量管控已成为企业立足市场的生命线。传统依赖人工目视抽检或全检的做法，正面临严峻考验：人力疲劳带来的漏检、标准不一造成的误判，以及高产能节奏下难以实现的即时监控。随着深度学习和计算机视觉技术的进步，AI视觉质检系统的研发，已成为提升良品率、降低成本与提高效率的核心技术途径。AI质检系统的关键优势在于其对缺陷特征的捕获与辨识能力。开发此类系统并非简单的图像处理，而需构建一套复杂的深度学习算法体系。首先，卷积神经网络（CNN）作为视觉识别的基础，能通过多层次特征提取，