- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
7-7 输出全排列
点这里 7-7 输出全排列 请编写程序输出前n个正整数的全排列（n<10），并通过9个测试用例（即n从1到9）观察n逐步增大时程序的运行时间。 输入格式: 输入给出正整数n（<10）。
1K10发布于 2019-11-08 - 来自专栏深度学习与python
Agent规模化落地前夜，AI Infra的难题全都暴露了
InfoQ 特别邀请 IDC 高级研究经理张犁、智诊科技产品总监罗龙生、腾讯云异构计算高级产品经理黄阳，解析 AI Infra 的六大核心能力、Agent 规模化的结构性难题、AI Infra 价值闭环衡量标准 扫描二维码，获取腾讯云联合 IDC 发布的《AI Infra：加速智能体落地的基础架构发展趋势与产业实践》白皮书，了解更多行业知识。 重估 AI Infra 价值 随着 AI 应用进入规模化落地阶段，Agent 也逐步快速渗透到各个行业。 企业在评估 AI Infra 时，不再只关注芯片种类或资源规模，而是从性能优化、成本管控、运营效率、安全保障、应用落地等角度，全方面衡量其能力。 AI Infra 下一阶段的竞争逻辑 随着 Agent 在行业中加速落地，AI Infra 的竞争开始从“比技术”走向“比业务价值”。
61310编辑于 2025-11-26 - 来自专栏数据猿
以领域认知智能，推动大模型的规模化应用落地
特别是在各行各业的应用落地方面，大模型面临着精准度不够、与业务系统联动不足、数据安全担忧、算力成本居高不下等问题。这些问题直接影响了大模型在实际业务中的有效应用，限制了其在产业界的发展。 同时，爱数通过规范的数据治理和资产化，大模型一体机等方法，来提升数据治理能力、降低算力成本、有效解决数据安全问题，最终实现大模型在各行各业的规模化应用落地。 用大模型升级数据资产管理与运营体系，构建领域认知中台 从爱数的经验来看，要推动领域认知智能的应用落地，一个关键的步骤就是通过构建领域认知中台，用大模型技术来提升业务和数据的理解能力，更好实现数据资产化和业务智能化 然而，大模型的规模化商用面临着显而易见的两大问题，即算力成本和数据安全。对此，爱数提出的AnyShare大模型一体机，或许是一种解决之道。 首先，AI算力成本无疑是大模型规模化商用的一大阻碍。 这一切，使得大模型的规模化商用变得更为可能。 然后，数据安全问题也是大模型规模化商用的另一大挑战。大模型的训练和应用，都涉及到大量的数据，这其中包含了用户的个人信息、商业机密等各种敏感信息。
53420编辑于 2023-09-15 - 来自专栏以终为始
7-7 古风排版 （20 分)
7-7 古风排版 （20 分) 中国的古人写文字，是从右向左竖向排版的。本题就请你编写程序，把一段文字按古风排版。 输入格式： 输入在第一行给出一个正整数N（<100），是每一列的字符数。
55210编辑于 2023-03-09 AI 规模化落地的“隐藏成本”：从架构视野审视 API 选型
AI规模化落地的“隐藏成本”：从架构视野审视API选型发布日期：2026年2月技术视角：SRE（可靠性工程）与TCO（总拥有成本）优化核心结论：稳定的基础设施能将研发效率提升40%，减少90%的生产事故
26310编辑于 2026-02-09- 来自专栏AI科技大本营的专栏
AI规模化落地，英特尔至强的七重助力
与为数不多的顶级AI研发公司相比，大多数传统行业或企业有着更丰富的 AI 应用场景，推动着规模化的AI应用落地，其AI应用更具有实践意义。 而且，解决企业 AI 规模化落地，需要充分利用以数据为中心的基础架构，考虑芯片处理器、核心算法和软件工具等平台解决方案的选择。 下面我们从7个方面，展开阐述英特尔如何从性能、数据预处理、可扩展性、内存、模型部署、大数据分析、跨平台部署应用等多方面实现优化和升级，全面支持企业AI的 规模化应用落地。 总结：英特尔架构和平台，AI应用落地之选 上面分析了AI应用落地时，开发者需要重点关注的七大维度——性能、数据预处理、可扩展性、内存、模型部署、大数据分析、跨平台部署应用，我们会发现，每一个维度都支持CPU
88420发布于 2019-08-20 智能体规模化落地阶段的 AI Agent 职业路径与能力建设
一、行业落地现状与长期趋势判断2026 年，"人工智能 +" 已从实验室概念进入各行业规模化落地阶段，智能体（AI Agent）成为企业数字化转型的核心载体之一。 从企业运营视角看，智能体的规模化应用正在重构职场核心命题：正如 NVIDIA 创始人黄仁勋所观察，未来企业的运营重心将从十万级人力规模管理，转向千万级智能体的编排与调度 —— 这并非工具层面的迭代，而是企业数字化运营模式的长期变革 结合人社部相关报告与 To B 场景落地数据，我国人工智能人才供需比例约为 1:10，其中掌握智能体构建、编排与业务落地能力的人才处于供需紧平衡状态，具备较强的职业议价空间。 职业教育体系已同步跟进这一趋势：2026 年教育部办公厅公布的职业教育拟招生专业中，新增 "智能体技术应用" 专业方向，标志着智能体人才培养从企业自发探索进入国家标准层面，将逐步形成标准化、规模化的供给体系 ，为传媒、文创等行业提供智能体落地解决方案。
43210编辑于 2026-02-03- 来自专栏刷题笔记
7-7 删除重复字符 (20 分)
点这里 7-7 删除重复字符 (20 分) 本题要求编写程序，将给定字符串去掉重复的字符后，按照字符ASCII码顺序从小到大排序后输出。
2.5K20发布于 2019-11-08 - 来自专栏区块链大本营
BTA | 吴萌野：区块链中间件驱动应用生态规模化落地
谈到中间件，他希望通过中间件搭建连接互联网云服务和区块链智能合约的中间桥梁，推动区块链应用生态规模化落地。 ? 那么如何去推动区块链在商业应用上的落地？我们认为，区块链和互联网的云系统之间有一条很大的鸿沟需要去逾越。一定要有一套中间件的体系，填这个鸿沟，粘合现在的基础链和互联网的云服务。 行业链的落地实践 区块链对于行业链是有需求的，所有的基础链都需要抱行业的大腿，为啥呢，一个没有成熟应用的链，始终只是玩具和试验品。在这里就不点名了，我指的是在座所有的各位。 丝链是全行业商业组织间的DAO平台（新一代智能合约平台），由十几家全球贸易行业领袖机构联合发起，在全球最大行业—“国际贸易行业”首先落地，现有业务已覆盖1500万用户，近百亿美元的年交易额。 ?
1.6K60发布于 2018-05-11 - 来自专栏机器之心
寒武纪行歌王平：智能驾驶系统规模化落地面临多重挑战
第二个趋势，是受限场景下 L4 级别自动驾驶解决方案将会逐步实现落地，但是距离大规模量产还有很长路要走。第三个趋势是车路云的闭环协同，这将进一步推动驾乘体验持续的升级。 智能驾驶系统规模化落地面临多重挑战 智能驾驶系统规模化落地，面对多重的挑战。 第三，我们希望半导体企业的兄弟企业能够在制造端早日实现车规级的制造和封装的本土落地。 最后让我们共同努力，推动智能驾驶芯片这个行业健康的发展。
60520编辑于 2022-03-31 腾讯云以全栈技术方案破解具身智能规模化落地难题
行业面临数据、模型与交付三重瓶颈 具身智能从实验室走向商业化面临核心挑战：数据采集成本高、真机采集效率低；大模型训练算力消耗巨大，复杂场景泛化能力不足；硬件异构性强，部署运维复杂，对实时性要求极高。效
17510编辑于 2026-05-10教育AI智能体落地实践：腾讯云技术赋能规模化因材施教
生态共创能力：联合探索教育前沿场景，连接优质生态伙伴，推动“规模化因材施教”愿景落地（数据来源：浙江小虫科技有限公司，腾讯全球数字生态大会）。
41020编辑于 2026-04-13腾讯云企业级智能体产业落地：从场景试点到规模化应用
来源：腾讯全球数字生态大会《企业级智能体产业落地研究报告》
42210编辑于 2026-04-18教育智能体：规模化落地驱动K12数字化转型新范式
核心突破点包括：●智能体矩阵：集成课件生成、资源搜索、教学设计等9类Agent，支持教师一键生成跨学科教案●多模态交互：AI学伴支持双模式答疑（直答/启发式），错题本动态推荐精准练习资源量化成效：从单点验证到省级规模化复制 ●管理能效提升：金华实验学校落地放学管理平台后，家长扫码签到实现100%无纸化，班级状态感知效率提升3倍，获CCTV《朝闻天下》专题报道●生态覆盖规模：累计服务32个省份、1400+区县、17万所学校，
35510编辑于 2025-12-17- 来自专栏Zabbix中国官方
【案例分享】Zabbix平台在金融行业的规模化落地与智能化探索
3、规模化 采用分布式高可用架构，支撑百万的指标体系。 4、智能化 随着大模型的广泛的应用，把大模型也引入到监控平台，后文会给出智能化运维场景的案例。 “ 二、规模化架构方案 2.1 架构设计 2.1.1 总体架构 架构是落地的核心，我们以Zabbix作为监控引擎外加日志和链路数据，构建了一个可观测体系的运维监控平台。 2.4.2 Agent 智能适配 在实际落地中，被监控对象的系统版本繁多，涵盖不同内核和架构，若为每个版本单独维护Zabbix Agent包，容易造成管理混乱。 通过这种方式，整个环境仅需维护 三类标准Agent包，大幅降低了管理复杂度，实现了高效的规模化运维。 2.4.3 用户生命周期 在大规模环境下，Zabbix 平台的用户数量也越来越多。 总结 通过规模化架构设计、信创适配、智能化探索，我们构建了一套金融级高可靠、可扩展、智能化的监控平台。 它不仅满足了 金融行业的安全合规性，也让运维团队更高效，更智能。
52810编辑于 2025-09-30 - 来自专栏腾讯云数据库(TencentDB)
金融机构核心系统落地实现规模化复制
他表示，国产数据库即将进入规模化阶段，未来五年，腾讯云数据库即将助力1000家金融机构实现核心系统数据库国产化。同时宣布，腾讯云TDSQL即将推出免费版。
1K120发布于 2021-11-11 菜鸟物流的 数据引擎：Apache Doris 从 0 到万核的规模化落地之路
从 2023 年的小范围验证到如今 25 + 集群、上万核规模的全面应用，Doris 在菜鸟完成了一次教科书级别的 OLAP 数据库规模化落地。 二、从验证到规模化：Doris 在菜鸟的 "两步走" 落地法 菜鸟对 Doris 的落地采取了 "稳扎稳打" 的策略 —— 不急于求成，而是通过核心场景验证、大规模迁移两个阶段，逐步完成从 0 到万核的跨越 聚合在 1 秒内返回，极端场景也能控制在 4-5 秒 成本与性能：相比原有方案，成本降低 90%，平均响应时间减少 72% 2023 年双 11，这个仅 300 多 CU 的小集群成功通过大促考验，为后续规模化推广奠定了基础 ，结合资源组隔离提升抗风险能力 智能运维：在现有平台基础上引入 AI 能力，实现故障预测与自动调优 结语：数据引擎的 "进化之道" 从 300CU 的小集群到上万核的规模化应用，Doris 在菜鸟的落地之路 对于面临类似挑战的企业，菜鸟的实践提供了宝贵参考：选型时紧扣核心场景，落地时分阶段验证，运维中建全保障体系。只有这样，才能让数据真正成为业务的 "引擎"，而非 "负担"。
65010编辑于 2025-08-18- 来自专栏AI掘金志
小视科技段伟芝：2+3+2，AI规模化落地的必经之路
但同时，人工智能的落地应用也非常具有挑战性。 基于此，段伟芝判断，中国人工智能的发展必然带来两个结果： A：从物理世界到数字世界的升级，必然有一部分先转型，一部分后转型； B：只有真正实现大量算法的规模化量产及应用，城市数字化转型才有可能真正完成。 基于这两个基因，整个人工智能的落地必然有三个前提条件。 小视科技作为新成长起来的AI公司，以AI普适化规模化应用于数字世界为目标，定位大AI作为我们的智能底座，做最辛苦的那部分活。同时以部分重点产业做大应用，整个战略新定义就是大AI+大应用。 我们从2-3个案例的落地，可以全部实现50种算法的全栈开发。
48210编辑于 2021-12-24 - 来自专栏AI机器学习与深度学习算法
机器学习入门 7-7 试手MNIST数据集
MNIST数据集是由美国高中生和人口普查局员工手写的70000个数字的图像，其中60000张训练图像，10000张测试图像。它是机器学习领域的一个经典数据集，其历史几乎和这个领域一样长，被称为机器学习领域的"Hello World"。因此像sklearn和tensorflow这种机器学习框架都内置了MNIST数据集。
2.7K10发布于 2019-11-13 - 来自专栏刷题笔记
【2020HBU天梯赛训练】7-7 装睡
7-7 装睡 你永远叫不醒一个装睡的人 —— 但是通过分析一个人的呼吸频率和脉搏，你可以发现谁在装睡！医生告诉我们，正常人睡眠时的呼吸频率是每分钟15-20次，脉搏是每分钟50-70次。
83130发布于 2020-06-23
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