AI术语快速指南
本文不聊深奥理论，主打“短平快”。将这20个术语划分为四大维度，每个词用一句话讲清楚。建议收藏，下次开会可悄悄对照使用。AI01 与“大脑”相关（模型基础篇）这些术语决定了你使用的AI究竟有多智能。•预训练：AI的“九年义务教育”。在正式出道前，它阅读了互联网上的所有书籍和文章，掌握了语言和常识，但尚未学会如何听从指令。•基座模型：刚毕业、尚未经历职场磨练的“大学生”。知识渊博，但不懂规矩，问什么答什么，甚至可能口出秽言。•Transformer：现代AI的“大脑架构”。可理解为AI的“神经元连接方式”，
重磅|南京信息工程大学发布NUIST-WE能源气象AI大模型
南京信息工程大学能源气象AI大模型（NUIST-WE）正式上线当前，在我国“双碳”战略目标的指引下，构建清洁化、多元化、智能化的现代能源体系已成为行业发展核心方向，新能源替代进程正在不断加快。风能、太阳能、水能等可再生能源比重持续增加，正逐渐成为我国新型电力系统的供给主体。根据全球能源行业最新统计数据，截至2025年底，全球风电累计装机容量已突破1299吉瓦，其中中国风电装机占比达49.6%，位居全球首位；在2025年全球新增可再生能源装机中，风电占比更是达到23.9%，成为推动全球可再生能源增长的核心引
AI认知 005：揭秘模型能力是如何被“训练”出来的
AI 认知导图005🗺️在上一篇中，我们探讨了“模型架构”。架构决定了信息在模型内部的流动，而参数则决定了这些流动中的具体权重与关联。然而，文章结尾留出了一个疑问：架构搭建完毕，参数也已填入，模型为何能展现出实际能力？刚开始时，即便架构复杂，初始参数也缺乏实际意义。模型并不会天生就知道“苹果”在什么语境下指代水果，何时指代公司，也不会自动掌握总结文章、回答问题或编写代码的技能。那么，这些能力源自何处？答案便是：训练。训练的核心任务在于：如何将一组初始参数，优化为能够胜任特定任务的参数组合。许多人对“训练”
AI 进化史：从规则机器到全能大模型的跨越
导语：昨日我们探讨了一个核心议题：究竟何为大语言模型？在此快速复盘：大语言模型好比一位博览群书的“语言天才”，通过吞噬海量文本来精通语言逻辑，胜任写作、总结、翻译、编程及陪聊等任务。然而，许多人心中或许仍有疑问：其实早在上世纪 50 年代，科学界便已开启探索：1950 年，英国数学家艾伦·图灵提出了举世闻名的“图灵测试”。其核心逻辑是：让人类同时与机器和真人对话。若人类无法分辨孰真孰假，便可认定该机器具备某种智能。这是否让你联想到今日与 AI 助手的交互场景？只不过彼时的计算机体积庞大，算力也极为捉襟见肘
AI大模型技术详解与职业发展指南
AI大模型领航就业班抓住数字经济红利时代第一波高薪机遇！AI大模型，通常指参数量巨大（通常达到数十亿甚至万亿级别）的人工智能模型。它们大多基于Transformer架构，通过在海量数据上进行预训练（Pre-training），学习通用的知识和模式，再通过微调（Fine-tuning）等方式适应特定任务。其核心能力包括但不限于高级自然语言处理（如对话、写作、翻译、摘要）、代码生成与理解、逻辑推理、数学问题求解，以及日益重要的多模态理解与生成能力（如图文、音视频交互）。保障就业年薪杭州数字人才实训基地保障就业
深度学习大牛Karpathy转投Anthropic:从OpenAI元老到特斯拉AI负责人,为何他看好Claude
五月二十日，前特斯拉人工智能主管、OpenAI联合创始人Andrej Karpathy正式宣布加入Anthropic团队，将主导预训练研究工作。这标志着继Ilya Sutskever之后，又一位顶尖AI学者向Anthropic"迁移"。午后看到这条消息时，我并未感到意外。Karpathy的职业轨迹如同一条清晰的发展脉络——他始终在追寻最具影响力的位置。2015年，人工智能尚未成为今日的热门话题，他便参与了OpenAI的创建。2017年，自动驾驶正处于技术突破的前夜，他加盟特斯拉担任AI负责人。2023年A
AI 精英争夺升温：前特斯拉大牛卡帕西转投 Anthropic
曾任特斯拉 (404.11, -5.88, -1.43%) AI 主管及 OpenAI 联合创始人的安德烈·卡帕西，现已正式入职人工智能新锐企业 Anthropic，将主导预训练研究团队的构建工作。这一动向深刻反映出顶级 AI 人才争夺战已趋于白热化。当前，科技巨头们正全力以赴招揽稀有的 AI 专家，旨在夯实自身的技术护城河。责任编辑：张俊 SF065新浪财经声明：本文内容系转载自合作媒体，新浪财经发布此文旨在传递更多信息，内容仅供参考，不构成任何投资建议。郑重声明：1.依据《证券法》相关规定，严禁编造或
Karpathy转身投向Anthropic！AI圈顶尖人才为何纷纷流向这家新贵？
一、他来了！5月19日下午，一条简洁的英文动态，在人工智能领域掀起了轩然大波：OpenAI创始人、前特斯拉AI总监，AI界传奇人物Karpathy正式宣布加入Anthropic。动态发布后，评论区瞬间炸开了锅。有人称这是2026年AI界最具冲击力的人才变动；也有人感慨OpenAI培养出的顶尖精英，几乎悉数被Anthropic收入囊中。图源Karpathy原帖评论区Anthropic随即发表官方声明，Karpathy已于本周正式入职，将在预训练团队负责人Nick Joseph的领导下，组建一支致力于利用Cl
OpenAI创始团队仅剩两人，Anthropic加速崛起：企业AI市场版图生变
若贵司正使用ChatGPT开发内部应用，或刚与OpenAI签订API协议，这条消息值得重新审视——OpenAI最初11人创始团队中，第9位成员已离职，转投直接竞争对手Anthropic。Andrej Karpathy，OpenAI创始成员、前特斯拉AI总监，日前在X平台宣布加入Anthropic预训练团队。这是三年内第三位核心人物单向往Anthropic流动。与此同时，Claude在美国企业市场的使用率刚刚超越ChatGPT，新增AI采购中约65%的企业倾向于选择Anthropic。人才、资金、估值三条赛
AI大牛Karpathy转投Anthropic，助力Claude预训练升级
导读：Karpathy将组建一支新团队，借助Claude自身来加速前沿模型开发中成本最高的环节。OpenAI联合创始人之一、全球顶尖AI专家Andrej Karpathy于本周一宣布加入Anthropic。对于Claude的开发商Anthropic来说，这无疑是一次关键的人才引进，有助于其在大型语言模型研发领域维持竞争优势。Karpathy将加入由Nick Joseph领导的Anthropic预训练团队，他将在那里创建一个全新团队，致力于一个引人关注的递归目标：借助Claude自身来加速预训练研究。预训练
Nature子刊重磅研究:预训练数据构成如何影响视网膜基础模型的泛化与公平性
《Nature Communications》刊登了一篇研究论文《Understanding pre-training data effects in retinal foundation models using two large fundus cohorts》。该研究首次借助英国与中国上海的两大超大规模眼底影像队列（各含90余万张图像），全面分析了预训练数据的组成特征对视网膜AI基础模型泛化能力与公平性的影响；研究结果显示，虽然基于不同地区数据训练的模型均表现出色的跨中心泛化性能，但预训练数据中年龄
大模型落地的关键：LLM对齐技术详解
在日常工作和开发过程中，很多人都遇到过大模型表现差异明显的情况：同样是大型语言模型，有的能准确理解"帮我整理一份1页的Q3项目进度表，把超支项标出来"这样的具体需求，直接输出可用的结果；有的却给你返回一篇3万字的行业综述，完全答非所问。很多人认为这是参数规模导致的差异，但实际上真正的差距在于是否做好了LLM对齐——这正是ChatGPT能够爆发的核心原因，也是当前大模型商业化落地最关键的工程环节。💡 核心定义LLM对齐指的是将大模型从"机械地预测下一个文字的工具"，训练成"能够理解人类意图、满足实际需求的智
AI行业每日观察 2026年05月10日
今日汇总 20 项 AI 产业新闻 | 由「坤哥学AI」智能编辑1. 马斯克痛失华裔核心人才，xAI Grok 预训练主管庄钧堂正式离职原标题：《xAI 痛失华裔骨干：预训练主管宣布离职，马斯克再度遭遇人才流失》xAI 再度失去一位华裔核心成员，预训练主管庄钧堂昨日公开宣布离职决定。在此之前，庄钧堂已在 xAI 任职达两年之久。任职期间，他全面负责 Grok 系列模型的预训练工作，并承担 Grok 在 X 平台和 Tesla 车载系统的语音模型预训练任务...
AI回复像拆盲盒？掌握生成原理就能稳住
你在用AI的时候，有没有冒出过这样的疑问：为什么有时它给出的回答又准又精彩？为什么有时却像是在“正确”地胡说？聊天窗口后面，究竟在不停运转着什么流程？这篇文章想带你一段路，用一个形象比喻把AI大模型讲清楚。等你下次再跟AI聊，就知道怎么把它用对，不必再像拆盲盒那样碰运气。01 一句话介绍假设你手里有一台机器，它最擅长的只有一件事：接龙。你说一句，它就接下一句。理解AI大模型，我们同样从这一步开始：把它当作一台超强的“词语接龙器”。02 一个比喻：词语接龙机器想让这台机器读得懂人话、能答题、还能帮你把事办成
大模型的本质：统计预测如何涌现智能
"用统计模式替代逻辑推导，用关联性替代因果关系"——这句话几乎概括了大模型的底层逻辑。你是否也有过这种体验：向 AI 提出一个问题，它给出的答案看起来格外机灵。你不免会想："它真的在思考吗？"随后你又会看到另一种说法："它不过是在做概率预估，压根不知道自己在说什么。"那这两种观点，究竟谁更接近真相？结论是：两者都沾边，但都不完整。要真正看懂大模型，我们必须深入它的技术底层，弄清这个由数千亿参数拼成的"数字大脑"究竟怎样工作。先从一个最基本的问