- 综合排序
- 最热优先
- 最新优先
- 来自专栏人工智能与演化计算成长与进阶
16推荐系统3-4协同过滤算法
Note 对于上述电影推荐系统的问题仅仅建立在每位用户都对数个电影进行了评价，并且每部电影都被数位用户评价过的情况下，这样才能重复这个迭代过程来估计出 和 协同过滤算法 指的是当你执行算法时，要观察大量的用户的实际行为来协同地得到更佳的每个人对电影的评分值 把这两个特点结合起来就能得到真正的协同过滤算法。 如果你有电影的特征，你就可以解出以下的最小化问题，找到用户参数 ? 协同过滤算法可以同时学习这两者。我们的优化目标便改为同时针对 x 和 θ 进行。 ? 协同过滤算法使用步骤： 初始 x(1),x(2),...,x(nm)，θ(1),θ(2),... ,θ(nu)为一些随机小值 使用梯度下降算法最小化代价函数 在训练完算法后，我们预测 θ 为用户 j 给电影 i 的评分 通过这个学习过程获得的特征矩阵包含了有关电影的重要数据，这些数据不总是人能读懂的
93211发布于 2020-08-14 边缘AI与端云协同架构
边缘AI与端云协同架构概述 边缘AI将人工智能模型部署在边缘设备（如手机、传感器、嵌入式设备）上，实现本地实时处理；端云协同通过边缘与云计算的协作，平衡计算负载、隐私与延迟。 通过MQTT协议实现边缘与云通信。 案例2：工业设备预测性维护 架构设计： 边缘端：传感器采集设备振动数据，运行LSTM模型预测故障。 云端：聚合多设备数据，训练全局模型并下发更新至边缘。 interpreter.invoke() output = interpreter.get_tensor(output_details[0]['index']) print("边缘端输出:", output) 端云协同通信 通过案例与代码可见，边缘AI与端云协同能显著提升响应速度并降低带宽消耗，但需权衡模型精度与资源限制。
72810编辑于 2026-01-20- 来自专栏GoCoding
AI 编程工作流与协同范式
AI 编程，我体验后的感悟，就如上一回的分享『大模型：价值取决于人』：大模型，懂得人用，才是武器。不懂的人用，则是引导者。 我的 AI 编程工作流与协同范式，都在问题里了。而 AI 的回答则做了进一步的阐述，你也可以这样提问试试。一问：AI 怎么用好？AI 的 MCP 或 Skill 本质是不是优化描述做输入？ 最后，还会用另一个 AI，如 DeepSeek，来做代码审查、查漏补缺。回答：你正在实践的是目前最前沿的AI协同编程范式！ 你正在实践的是目前最前沿的AI协同编程范式！ 这种“主编程模型+辅助审查模型”的组合，实际上是一种多智能体协同工作流，非常有远见。让我来分析这种实践的价值和优化方向。 ，它：超越了单一模型的限制：通过分工协作实现1+1>2的效果模拟了真实开发流程：创作与审查分离，专业化分工为AI团队协作奠定了基础：展示了多个AI如何协同完成复杂任务这种模式最像MCP中的多Server
41710编辑于 2026-03-14 - 来自专栏全栈学习
AI协同写作应用-Tiptap 与 React 集成
刷新页面后内容保留EditorProvider：✅工具栏按钮正常工作✅按钮高亮状态正确✅字符数和单词数统计Next.jsSSR：✅页面正常加载✅无服务端渲染错误9.本章总结在本章中，我们深入学习了Tiptap与React
26510编辑于 2026-03-24 协同办公领域AI发展与应用实践报告
第一章：报告基础信息 •报告标题：协同办公领域AI发展与应用实践报告 •发布机构：IDC（国际数据公司） •发布时间：2025年 •行业标签：零售,汽车,金融,医疗,教育,政务,能源,工业,泛金融,法律服务 #智能机器人 #AI合同助理 #电子签章 第二章：报告背景和目标 随着AI大模型技术的持续突破，企业界正迫切希望应用AI驱动变革，优化业务流程并提升效率。 •第四章 企业协同办公AI场景的落地建议 •第五章 企业协同办公实践案例 01 IDC案例解读 02 企业实践案例 •关于IDC 第四章：方法论说明 •研究方法：本报告采用定性分析与定量分析相结合的方法 • 破局策略：构建以业务流为核心、端到端的全面协同办公AI能力。关键在于两个技术领域：面向场景的能力封装与面向应用的深度优化。 • 全面的产品矩阵：提供从企业微信（月活>95%）、腾讯会议（支持MRA级联与Rooms）、腾讯文档（AI版式生成与数据分析）、腾讯乐享（知识库与AI陪练）到腾讯电子签（全生命周期合同管理）的全链路解决方案
9900编辑于 2026-05-30- 来自专栏AI科技大本营的专栏
AI加速器与机器学习算法：协同设计与进化
ML硬件的分类：CPU、GPU、AI加速器、FPGA和ASIC “硬件感知（Hardware-aware）”的算法和“算法感知（Algorithms-aware）”的硬件 AI加速器与高效ML算法的协同进化 针对推理的AI加速器与高效算法 针对训练的AI加速器与高效算法 AI加速器的未来 为什么需要专用AI加速器？ 硬件和软件的协同可以带来更好的性能和更高的能效。 AI加速器与高效ML算法的协同进化 AI加速器分为两类：(1)用于训练的AI加速器；(2)用于推理的AI加速器。 如果偌大的公交车每次只载一个人，其油耗/乘客数之比将变得极高。而推理加速器就像跑车，其速度比公交车快，只载一人时能效比公交车高（跑车的单名乘客油耗比公交车低）。 2016年，NVIDIA在Pascal架构中首次引进了FP16精度类型，而最新的Ampere和Turing架构GPU均体现了“硬件与算法的协同进化”。
1.5K52编辑于 2022-12-10 - 来自专栏子母钟系统
AI算力：PTP时钟同步高精度协同人形机器人
AI算力：PTP时钟同步高精度协同人形机器人核心概念：什么是PTP？PTP 的全称是 精确时间协议，其标准是 IEEE 1588。 所有设备（主机器人、从属关节、传感器、相机等）都遵循同一个“心跳”，而不是各自为政。与NTP的区别：常见的网络时间协议（NTP）通常在互联网上提供毫秒级同步。 PTP时钟同步对这些组件至关重要，原因如下：协同运动与全身控制：当机器人执行一个连贯动作（如行走、抓取）时，所有关节电机需要在完全相同的时刻接收到新的位置/扭矩指令。 力控与视觉结合：例如“眼看手抓”，需要知道“看到物体”的瞬间和“施加力”的瞬间之间的精确关系。事件驱动系统的基石：人形机器人越来越多地使用事件相机。 启动与重同步：系统上电时，所有设备需要快速收敛到同步状态。网络拓扑变化或主时钟切换时，需快速恢复同步。总结对于人形机器人而言，PTP时钟同步不是“锦上添花”，而是“神经系统”的基准心跳。
42410编辑于 2026-01-16 《生成式 AI 与预测性 AI 中 Together 规则引擎的协同应用与价值》
与 Together 规则引擎协同内容生成控制：在医疗报告生成场景中，Together 规则引擎可预设医学术语规范、隐私保护规则（如隐去患者敏感信息），确保生成式 AI 输出符合行业标准；在营销文案生成中 2预测性 AI 与 Together 规则引擎协同决策自动化：在供应链管理中，预测性 AI 预测到库存低于安全阈值时，触发 Together 规则引擎执行补货流程，并根据预设规则（如优先选择性价比最高的供应商 3两者与 Together 规则引擎的三方协同个性化营销闭环：生成式 AI 根据用户画像生成定制化广告文案（如 “针对 25-35 岁女性的护肤品推荐语”）；预测性 AI 评估不同文案的转化率，筛选高潜力内容 五、协同应用案例（强化规则引擎价值）1医疗保健生成式 AI：生成合成医疗数据时，Together 规则引擎确保数据抹去真实患者标识，符合 HIPAA 等隐私保护法规。 三方协同价值：规则引擎作为 “AI 与业务的桥梁”，既能约束生成式 AI 的输出边界，又能赋予预测性 AI 决策落地的 “执行力”，形成 “数据输入 - 智能处理 - 规则化输出” 的完整闭环，推动 AI
35900编辑于 2025-07-21腾讯金融云AI协同办公架构与场景落地实践
应对金融业务增长与分散创新痛点 根据麦肯锡的理论模型，生成式AI正加速崛起，成为驱动金融业务创新与增长的核心引擎。 同时，大型机构内部普遍面临对分散创新赋能和链接的困难，导致工具孤岛化，系统耦合度过高，跨团队协同壁垒严重阻碍了开发效率与运维降本。 部署“混元+DeepSeek”双引擎重构协同办公流 针对上述行业痛点，腾讯金融云专家周梦薇提出了一套贯穿员工全生命周期的AI协同办公基座。 针对线下Rooms会议，支持按声纹拆分发言人，并在音频中添加人耳无感的隐形水印，支持盗录后通过后台提取溯源，提升系统安全性。 构建细化到人的企业级合规知识库：乐享知识库支持企业级、部门级、团队级的三层架构。
12110编辑于 2026-05-302025 IDC 企业协同办公AI落地趋势与全景洞察
,#智能合同对比,#智能合同审批,#智能协作编辑,#合同风险智能审核,#合同归档,#智能代码生成,#智能测试验证,#智能项目管理,#智能需求分析,#智能简历筛选,#AI智能面试,#人岗智能匹配,#绩效数据采集员 本报告旨在从CIO视角梳理协同办公场景中的落地难题，通过全景图与趋势预判，为企业实现AI与业务流的深度集成提供决策依据。 第五章：核心观点 • 痛点描述：企业协同办公面临三大核心挑战——不同部门场景需求复杂导致端到端协同困难；协同办公应用与业务系统、AI能力与工作流对接割裂；数据分散造成资产沉睡或低效流转，企业知识难以沉淀 • 解决方案：以业务流为牵引，通过AI智能体整合技术与业务，针对不同单元落地场景化能力：法务单元实现智能合同全生命周期管理，研发单元覆盖需求分析至测试验证全流程，HR单元完成从简历筛选到人岗匹配的全链路智能化 • 场景适配性：基于企业协同办公AI全景图，腾讯云可提供面向法务、研发、HR等业务单元的场景化能力封装，解决应用割裂与数据分散痛点，实现AI能力与工作流、业务流的无缝整合。
12910编辑于 2026-05-30《协同办公领域AI发展与应用实践报告》核心概览
报告标题：协同办公领域AI发展与应用实践报告 发布机构：IDC中国 发布时间：2025年 行业标签：通用SaaS,技术服务 产品标签：#腾讯会议 #企业微信 #腾讯文档 #腾讯乐享 #腾讯问卷 #腾讯电子签 报告目录 第一章 协同办公领域的前沿趋势 01 AI正在改变企业的生产和工作模式 02 AI协同办公为企业发展注入新动能 03 企业协同办公最新趋势研判 第二章 企业协同办公领域AI能力落地痛点 01 不同人群在协同办公领域对AI的能力期待 02 AI时代，CIO视角下的协同办公难题 第三章 提升办公效率的AI落地场景 01 破局企业协同办公难题的策略策略 02 AI技术在通用办公场景的应用实践 CIO）、定量分析（企业调研数据） 样本规模：覆盖制造业、能源、零售、金融等超10个行业 调研对象：企业CIO、数字化负责人、业务部门管理者 核心模型：企业协同办公AI全景图（业务流与工作流双轮驱动模型 ROI衡量需量化业务价值：自建系统需评估硬件/运维成本，外采需计算订阅费与迁移成本，AI价值需关联业务指标（如销售响应速度提升20%）。
14610编辑于 2026-05-30AI 社区综合治理系统：让社区管理从“人盯人”变成“智能协同“
社区，是城市治理的最小单元，却承担着最复杂的管理任务——治安巡查、环境卫生、事件上报、老幼关怀、矛盾调处、公共设施运维……但现实中却存在明显痛点：信息收集靠“人跑腿”，事件处理慢物业、居委会、街道多头管理 AI 社区综合治理系统 的出现，就是要让社区治理从“人工摸索”进化为“数据驱动、智能协同”。让社区变得安全、透明、可管理、可预测。 2）智能分析：AI 风险识别与分类分级系统自动识别治安风险、公共隐患、环境违规、特殊人群行为异常等。3）自动决策：事件调度 + 处置建议系统基于规则 + AI 分析给出最优处置方案并分派给正确的部门。 03｜ 适配层：智能决策与跨部门协同引擎基于“事件类型 + 严重程度 + 位置 + 时间段”自动生成：最优处置流程部门分派（物业/居委会/街道/社工/警务室）预计处理时长资源调度（保安、维修工、网格员） 02｜ 社区智能调度与协同处理中心事件出现后，系统立刻：自动分派任务提供处理建议联动物业、城管、网格员推送居民进度提醒失败自动升级到上级部门从“谁负责不清楚”，变成“系统自动告诉你谁来处理”。
56410编辑于 2025-11-18AI 图纸表格识别与智能文档协同处理技术介绍
以下从技术层面，详细介绍涵盖表格识别、数据导出、EBOM 转换 MBOM 及智能文档协同处理的完整技术方案。 一、表格识别与表格解析技术表格识别与解析是实现图纸表格数据结构化的核心环节，主要通过以下三步技术流程完成：1. 二、智能文档协同处理技术智能文档协同处理技术围绕图纸及表格数据的全生命周期管理，提供文档存储、版本控制、协同编辑与权限管理能力，具体技术实现如下：1. 当文档内容（如图纸修改、表格数据更新）发生变更时，系统自动创建新版本，记录版本号、修改人、修改时间及变更内容（如表格单元格数据修改前后对比）。 协同编辑与批注技术针对表格数据的协同编辑，采用 OT（Operational Transformation）算法实现多人实时协同。
1.1K10编辑于 2025-08-26- 来自专栏帅云霓的技术小屋
大模型与AI底层技术揭秘 (13) 大纵深与协同作战
这是苏联电影《解放·炮火弧线》中，纳粹德国南方集团军群司令曼斯坦因元帅与希特勒的对白。 在库尔斯克战役中，苏联的大纵深战役理论得到了充分的发挥，而大纵深战役理论的核心就是不同军兵种的协同作战，如步坦协同、空地协同等。 通过优秀的协同作战，苏军就可以让劣势的武器装备战胜德军优势的武器装备，T34构成的钢铁洪流淹没德军的虎王坦克编队。 在分布式计算中，异构计算单元的协同技术也是一门飞速发展的科学。 在前几期，我们介绍了通过GPU进行分布式大规模计算所依赖的计算、存储、机器内部IO与网络IO基础技术。 首先，它使用了AMD处理器；其次，它对PCI-E总线进行了深度优化设计；另外，它还采用了SMX子卡与主板分离的设计。
59910编辑于 2023-12-13 AI+知识库：解锁个人与团队协同新效率
不管是做成网页挂件嵌入官网，还是对接钉钉、飞书、企业微信做聊天机器人，甚至和IDE、代码仓库做联动，都能快速实现，让知识在「需要的地方」直接可用。 二、不同场景的实操玩法：从个人专属「第二大脑」到团队协同中枢这类AI开源知识库的最大灵活性，在于能适配从「个人」到「团队」的全场景使用，不用做复杂的配置，就能快速搭建出符合需求的知识体系。 对接企业常用的飞书，做成专属聊天机器人，产线员工遇到问题时，直接在飞书群@机器人提问，比如「XX型号机床开机报警E01怎么处理」，机器人会直接返回知识库中的解决方案，附带清晰的图片和操作步骤。 这也印证了，这类AI开源知识库不仅适合技术团队，传统行业的知识沉淀也能轻松适配。场景3：中小技术团队的协同管理——从「文档散养」到「标准化知识体系」这是最经典的使用场景，也是我自己团队的落地情况。 个人使用时，它是专属的AI知识助手，帮你整理、检索、创作，让知识沉淀更高效，再也不用面对散落的资料束手无策；团队使用时，它是协同的知识中枢，让知识在团队内高效流动，解决经验传承、沟通低效、新人上手慢等实际问题
76110编辑于 2026-03-052025 IDC《协同办公领域AI发展趋势与落地》发布
第一章：报告基础信息 • 报告标题：《协同办公领域AI发展趋势与落地》（协同办公领域AI发展与应用实践报告） • 发布机构：IDC（崔凯丨IDC中国助理研究总监）与腾讯云联合发布 • 发布时间：2025 智能问卷 第二章：报告背景和目标 在“人与AI协同办公时代”到来的背景下，AI技术的发展正重塑企业运作模式，甚至催生了无需雇佣员工即可达十亿美元估值的“独角兽”企业。 企业协同办公AI全景图：划分“80%通用办公场景”与“20%深度业务集成”两大模块，涵盖视觉、语音、NLP等多模态底层AI能力。 • 应用与数据割裂：协同应用与业务系统脱节，分散的应用造成企业沉睡的低效数据，知识难以沉淀。 • 安全与价值挑战：云端部署及出海面临严格的数据合规考量；AI带来的实际业务价值难以精准测算。 2. 第六章：为什么选择腾讯云 作为本报告的联合发布方与全球化云服务商领军者，腾讯云在协同办公AI演进中展现了强劲的技术先进性与生态领导力： • 前瞻的AI原生架构设计：精准卡位报告指出的“智能体即应用”演进方向
16910编辑于 2026-06-01- 来自专栏AIOps
没有银弹，但有飞轮｜运维治理与AI的协同演进
但这并不意味着「先把治理做好，再来建AI」。我们观察到一个更有价值的模式：治理与AI可以协同演进，相互加速——扎实的治理让AI落地更可靠，而AI本身也可以成为持续提升治理质量的有力工具。 治理是AI落地的基础，AI是治理持续改善的加速器。两者协同演进，是Agentic Ops落地最优路径。 1.2 ITSM 流程数字人智能体1 场景描述流程数字人（AI员工）是面向特定任务场景的智能执行单元，打破传统AI场景封闭模式，构建可无限拓展的智能服务体系。 .2→Lv.3（人机协同）的AI能力。 飞轮的双向转动，正是体现在这里：AI落地场景和AI治理工具共享同一套基建和平台，相互促进，协同演进。
16510编辑于 2026-06-01 - 来自专栏全栈学习
AI协同写作应用-TipTap简介
─────────────────────────┐│││编辑区域（只有这个）│││└─────────────────────────────┘↓你可以自由设计任何UI优势：✅完全自定义UI和交互✅与你的设计系统完美融合 （CollaborationFirst）内置对协同编辑的支持。 TypeScriptAI代码解释//类型提示和自动补全editor.chain().focus().toggle//←IDE会提示所有toggle开头的方法.run()2.完全自定义的UI特点：无预设UI，完全由你控制与任何 Y.js（CRDT）的实时协同编辑。 指南Y.js文档CRDT原理无头CMS概念最后欢迎大家一起来学习企业级前端AI和基建项目实战！
52410编辑于 2026-03-13 - 来自专栏从头开始学习测试开发
Skills、Rules 与 MDC：AI 编程时代三大能力范式的辨析与协同
摘要：在 2026 年 AI 原生开发（AI-Native Development）浪潮中，**Skills（技能）、Rules（规则） 与 MDC（Model-Driven Context，模型驱动上下文 因此，明确三者的定位与边界，是构建健壮 AI 工程体系的前提。 二、定义与技术本质 2.1 Skills（技能）：结构化 SOP 的可执行封装 定义： Skills 是将人类专家在特定任务中的标准操作流程（SOP） 封装为可复用、可调用、可版本化的 AI 能力单元。 Rules 是底线，守护安全与规范的不可退让边界； MDC 是眼睛，赋予 AI 理解复杂工程上下文的能力； Skills 是双手，执行那些需要专业知识与步骤的任务。 在 AI 编程的新纪元，让我们摒弃“非此即彼”的思维，拥抱“协同共生”的智慧——因为最好的 AI 开发者，从来不是一个人，而是一个系统。
2.5K10编辑于 2026-01-29 - 来自专栏具身小站
多机器人协同全覆盖路径规划
REF：面向多机器人协作的路径规划与跟踪 控制研究 1. 避障与路径跟踪约束：基于轨迹点到障碍物、参考路径点距离、偏离全局路径最大不惩罚边界、最小安全距离等 速度与加速度约束：速度与加速度在有限范围变化，由相邻位姿与时间信息计算机器人状态，得到线速度、角速度、 路径长度：各机器人所需路径的总长度，路径长度越短，说明任务执行效率越高 覆盖率：表示机器人实际覆盖区域与待覆盖区域的比值，覆盖率越高效果越好 任务执行时间：整个多机器人系统完成全覆盖任务所需的时间，分别统计各机器人的执行时间 ，约束机器人速度向量与目标方向之间夹角的余弦值 位置计算：从动态障碍物的预测轨迹中，选择一个与机器人位置最近的点作为预测点 时间计算：分别计算机器人和障碍物到达该预测点的时间 计算时间差：评估机器人和障碍物到达预测点的时间差 根据机器人与障碍物的相对位置，动态调整选取的预测点索引 障碍物距离约束：对机器人路径点与障碍物未来预测位置之间的距离进行约束 避障时间约束：预测机器人与障碍物同时到达同一位置的可能性，并确保两者之间存在足够的时间间隔
56010编辑于 2025-11-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号