- 综合排序
- 最热优先
- 最新优先
- 来自专栏云天的博客
花一块钱体验钢铁侠的贾维斯
花一块钱体验钢铁侠的贾维斯 最近OpenAi 发布了ChatGPT，它可以做很多事情，写邮件，写代码，做面试题 注册教程 准备条件：需要访问国外网站 国外手机号 可以参考：https://juejin.cn
57430编辑于 2022-12-12 - 来自专栏开源服务指南
利用 AI 解放双手：把“贾维斯”带进现实 | 开源专题 No.64
然后利用 Few-shot 学习和 Chain of Thought 来引出最相关 Selenium 代码进行操作而无需对 LLM 进行微调（Nous-Hermes-2-Mixtral -8x7B-DPO
66310编辑于 2024-04-01 - 来自专栏博文视点Broadview
揭开《钢铁侠》AI管家贾维斯神秘面纱的扛鼎之作！
《钢铁侠》里的AI管家贾维斯，想必大家都不陌生，这样可以像人一样和自己对话的AI管家，我们是不是都想拥有一个？ 贾维斯之所以可以像人一样和我们对话，必然离不开语音识别技术的加持。 拥有一个贾维斯的梦想好像越来越近了！ 为了让这个梦想更近一步，学习好语音识别技术势在必行！
66610编辑于 2023-05-19 - 来自专栏技术人生黄勇
我在云端搭了个“贾维斯”：Moltbot（Clawdbot）云端部署与初体验
01 — 什么是Openclaw（Clawbot） 看《钢铁侠》时，里面那个叫“贾维斯”的人工智能大脑让我印象特别深。
41310编辑于 2026-03-11 - 来自专栏Debug日志
AI智能体（Agent）深度解析：从“贾维斯”的构想到代码实现
这个名为 “贾维斯” (J.A.R.V.I.S.) 最近，随着 Auto-GPT、BabyAGI 等项目的爆火，AI智能体 (AI Agent) 这个概念以前所未有的热度闯入了公众视野，它似乎让我们看到了“贾维斯”的雏形。 从“贾维斯”聊起 在深入技术细节之前，我们先来校准一下对“AI智能体”的认知。 “贾维斯”之所以强大，正是因为它是一个完美的AI智能体，它能连接斯塔克的所有设备（工具），理解他的宏观指令（规划），并自主完成一系列复杂动作。 但在长期记忆、多模态感知（“贾维斯”能看能听）、物理世界交互（控制机器人）以及最核心的真正自主性与常识方面，我们才刚刚起步。
99410编辑于 2025-10-13 - 来自专栏人工智能
AI 网关到个人贾维斯：Moltbot（原Clawdbot）全深度解析和部署指南
现代版的“贾维斯”，能让一台普通的Macmini或VPS具备主动服务能力的智能中枢。Clawdbot的技术架构是模块化的三层设计，用WebSocket协议实现各组件间的通信。 环境要素最低要求推荐配置操作系统macOS,Linux,Windows(WSL2)macOS原生或Ubuntu22.04+运行时Node.js≥22.xNode.js22.12.0+(LTS)内存(RAM)≥2GB4GB-8GB
3.3K20编辑于 2026-01-28 智谱AI的AutoGLM后，Google和微软也下场来做“贾维斯”了。
标题Google Preps AI That Takes Over Computers，翻译过来就是：
26400编辑于 2025-04-14- 来自专栏Crossin的编程教室
调教属于你的“贾维斯”（给自己挖了一个很大的坑）
《钢铁侠》中的智能管家贾维斯，如今看起来也不算那么“科幻”了。不少厂家最近都推出了智能音箱产品，可以语音聊天及控制家里的智能家居设备。 ? 不过，我想要一个自己的“贾维斯”。 这个想法由来已久。
95620发布于 2018-07-24 - 来自专栏Alter聊科技
“人手一个贾维斯”的愿望，正在被“视频通话”功能带进现实
当时许多人还未曾体验过Siri的服务，但从媒体报道中建立了一个朴实的愿望：就像《钢铁侠》中的贾维斯一样，每个人都将拥有自己的智能助手，可以实时沟通，帮助我们解决各种问题。 即使Siri后来“跌落神坛”，人们对于“贾维斯”的期望始终没有抹灭。AlphaGo、智能音箱、大模型……每一次现象级的创新背后，总有人在讨论：《钢铁侠》中的贾维斯，离我们的生活还有多远？ 8月29日，智谱AI官宣智谱清言APP上线“视频通话”功能，成为首个可以通过文本、音频、图像和视频来进行多模态互动和实时推理的AI助手。 由此产生的一个话题是：为什么头部的大模型厂商都在死磕“视频通话”功能，对用户体验有什么影响，“人手一个贾维斯”的愿望能否照进现实？
39210编辑于 2024-08-30 - 来自专栏NAS原来这么有用
给绿联NAS塞了个“贾维斯”！智能分析+向量搜索，找图比翻书还快
然后根据这些分析，自动打标签、写描述、归好类，这才是我想象中“贾维斯”级别的真智能。 /data/mysql:/var/lib/mysql command: > --character-set-server=utf8mb4 --collation-server= utf8mb4_unicode_ci --default-authentication-plugin=mysql_native_password restart: unless-stopped
47310编辑于 2025-12-05 - 来自专栏镁客网
「深度」想当有实体的“贾维斯”，智能家居机器人还需跨越多个桎梏
性能上，机器人将担任“管家”角色 观看《钢铁侠》的时候，除了 Robert Downey Jr以及精彩炫酷的打斗场景，其中的人工智能也让人们为之着迷，尤其是AI管家贾维斯。 在现实生活中，Facebook的扎克伯格也打造了一个类似于贾维斯的AI管家，但是相对于贾维斯这类只拥有眼睛、嘴和大脑的AI系统，似乎机器人更具有实用性，除了可以数据分析、家电控制和语音交互之外，它还可以贴身服务 由此，我们可以知道，要想让机器人成为拥有实体的“贾维斯”，并走入千家万户之中，它还有很多问题需要去面对。 事实上，《钢铁侠》中贾维斯最出色的一点是拥有“自主意识”，这个特质令它能够像人类一般为钢铁侠执行命令、解决家中的问题。 所以，在未来，随着关键的人工神经网络以及一些人工智能技术的完善，拥有一个实体“贾维斯”并不是梦！
71130发布于 2018-05-29 智谱AI悄悄发布AutoGLM，这一次，贾维斯真的要成现实了。
现在，任何手机，你都可以把它，进化成贾维斯了。只需要，在手机上安装一个AutoGLM就行。 科幻，真的要变成现实了。 我直接放一个视频，你就可以，直观的体会一下他的强悍。 这，才是真正的Agent，才是真正的，我们想要的贾维斯。 说实话，就算我之前看了AutoGLM的演示视频，自己亲手测试出这个效果的时候，那个震撼感是翻倍的。 这事后，我就可以让我的AutoGLM“贾维斯”出场，帮我进行关键的社交维系。 但是我只知道，那个我从小就幻想的贾维斯，可能真的要变成现实了。 2022年末，ChatGPT横空出世，我们第一次见识到到原来AI可以像人类一样对话思考。 乔布斯当年对Siri给予了多么强烈的期盼，最后Siri垮的就有多么惨淡。 直到今天，看着AutoGLM像人一样替我操作手机。我突然想起，这好像才是我当年期待的"Siri"，真正该有的样子。
28600编辑于 2025-04-14- 来自专栏新智元
AI助手「贾维斯」掰头007
---- 新智元报道 编辑：好困 桃子 【新智元导读】你是否羡慕钢铁侠里Tony Stark的AI助手「贾维斯」，上能开发方舟反应炉，下能处理家务琐事。 钢铁侠里Tony Stark的AI助手「贾维斯」上能开发方舟反应炉，下能处理家务琐事。 这要是能在工作的时候用上，岂不是得美滋滋的... 问题不大！ 只要你敢想，就有人敢做。 这时候，科大讯飞「贾维斯」——报账助手就登场了。 什么OCR、NLP、语音识别技术全都拉满，不仅能同时识别多张票据，还能自动完成分类分割，让发票的信息提取能一键完成。 一个词：舒坦。 那么，以一个中大型企业为例，每年分配简历15万份，安排面试8万场，算下来可以节省人力15人/年。 再说说办公时常见的合同审查/存档和文档翻译，对于「数字员工」来说全是小case。
44410编辑于 2023-05-22 - 来自专栏新智元
十年暗战AI贾维斯
在这种情况下，智能体服务的是一个整体的体验，通过语音互动扮演好一个贾维斯，一个什么都能做的超级助理。 它能做到的绝不仅仅是点外卖，而是成为你的好朋友，好伙伴。 想象一下，就像「钢铁侠」里的贾维斯一样，你和它聊天时，它能随时陪聊；你需要查资料时，它能迅速帮你搞定... 这种「能思考、有执行力」的伙伴，不只是功能性工具，更像是一个贴心的朋友。 这种情况下，能有一个类似贾维斯或者哆啦A梦的虚拟伙伴陪在身边学习、解答问题，往往是孩子最能接受的一种形态。 随着张驰的加入，听力熊与AI的绑定从「技术加持」升维为「基因融合」——与其说用AI升级硬件，不如说以硬件为容器，将前沿AI技术具象化为可感知的陪伴。 据透露，听力熊新一代产品的设计初衷，是打造贾维斯般的智能伙伴。
31500编辑于 2025-03-27 - 来自专栏采云轩
如何落地一个智能机器人
本文简单聊一聊赋能给政采云同学们的智能问答机器人"贾维斯"的设计及落地推广。 架构设计 为什么要取名为"贾维斯"呢？ 贾维斯"的架构设计大体如下： "贾维斯"整体的设计理念是微服务化的。这样易于拓展，方便打通我司现有的任何能力，也反哺了现有能力的建设及落地场景。" ，这些场景"贾维斯"都能应付自如。除此之外，我们还赋予了"贾维斯"更加丰富的交互形式，比如支持点赞、点踩、评论...，这些反馈数据后期都会作为负样本进行模型训练。 比如"贾维斯"的 ONCALL 能力，便是基于我司的值班系统、ICS 系统、语音系统及贾维斯内置的工单系统组合而成的一套解决线上问题告警及跟踪的方案。 提问同学视角： 值班同学视角： 下次用户再遇到类似的问题时，只需要问"贾维斯"就可以获取答案。于用户而言，我们只需要去使用贾维斯即可，背后的那些自动化动作则全部由"贾维斯"托管。
1.5K40编辑于 2022-04-27 - 来自专栏新智元
MIT李巨教授组发布「贾维斯助手CRESt」：实验科学家秒变钢铁侠，全自动化实验+主动学习
不过，基于OpenAI 最近发布的ChatGPT API函数调用功能[1]，现有的技术已经足够支撑打造一个曾经只能在钢铁侠电影中看到的贾维斯智能助手。 在CRESt中内嵌的是由Meta团队开发的基于BoTorch的Ax平台[8, 9]，Ax有着优秀的SQL存储功能：即使GPT后端重置，也可以通过调取数据库中存储的记录来继续之前的主动学习。
49330编辑于 2023-08-07 - 来自专栏Michael阿明学习之路
8. 降维
降维方法 1.1 投影 1.2 流行学习 2. 降维技术 2.1 PCA 2.2 增量PCA 2.3 随机PCA 2.4 核PCA 2.5. 中文翻译参考 特征维度太大，降维加速训练 能筛掉一些噪声和不必要的细节 更高维度的实例之间彼此距离可能越远，空间分布很大概率是稀疏的 1. 降维方法 1.1 投影 ? 上图，三维空间中的点，都近似在灰色平面附近，可以投影到其上 投影并不总是最佳的方法 1.2 流行学习 Manifold Learning 假设：在流形的较低维空间中表示，它们会变得更简单（并不总是成立 降维技术 2.1 PCA 《统计学习方法》主成分分析（Principal Component Analysis，PCA）笔记 目前为止最流行的降维算法 首先它找到接近数据集分布的超平面 然后将所有的数据都投影到这个超平面上 它主要用于可视化，尤其是用于可视化高维空间中的实例（例如，可以将MNIST图像降维到 2D 可视化） 线性判别分析（Linear Discriminant Analysis，LDA）实际上是一种分类算法
77431发布于 2021-02-19 - 来自专栏刘悦的技术博客
只需一块RTX3090,微软开源贾维斯(J.A.R.V.I.S.)人工智能AI助理系统
梦想照进现实，微软果然不愧是微软，开源了贾维斯(J.A.R.V.I.S.)人工智能助理系统，贾维斯(jarvis)全称为Just A Rather Very Intelligent System 贾维斯(Jarvis)的环境配置 一般情况下，深度学习领域相对主流的入门级别显卡是2070或者3070，而3090可以算是消费级深度学习显卡的天花板了： 再往上走就是工业级别的A系列和 漫长的下载流程结束之后，贾维斯(Jarvis)就配置好了。 可以理解为ChatGPT版本的文字生成图片，外面套了个贾维斯(Jarvis)的壳儿，演出效果满分。 贾维斯(Jarvis)代表的是大多数技术同仁的共同愿景，对于这类人工智能技术的发展，可以肯定，但由于硬件门槛过高的原因，短期内还不能过于期待。
1.7K10编辑于 2023-04-07 - 来自专栏贾维斯Echo的博客
Gorm实战，轻松掌握数据库增删改查技巧！
, "贾维斯").First(&student) // SELECT * FROM `students` WHERE name = '贾维斯' AND `students`. , "贾维斯").Find(&student) // SELECT * FROM `students` WHERE name <> '贾维斯' AND `students`. , []string{"贾维斯", "贾维斯 2"}).Find(&student) // SELECT * FROM `students` WHERE name IN ('贾维斯','贾维斯 2') `name` = '贾维斯' AND `students`. ) // SELECT * FROM `students` WHERE `name` NOT IN ('贾维斯','贾维斯 2') AND `students`.
4.3K20编辑于 2024-01-12 - 来自专栏机器学习算法与Python学习
机器学习(8) -- 降维
图10-1 一个2维到1维的例子 又如图10-2所示的3维到2维的例子，通过对x1,x2,x3的可视化，发现虽然样本处于3维空间，但是他们大多数都分布在同一个平面中，所以我们可以通过投影，将3维降为2维 图10-2 一个3维到2维的例子 降维的好处很明显，它不仅可以数据减少对内存的占用，而且还可以加快学习算法的执行。 注意，降维只是减小特征量的个数(即n)而不是减小训练集的个数(即m)。 下面我们以3维降到2维为例，来试着理解为什么需要这两种性质。图10-4给出了样本在3维空间的分布情况，其中图(2)是图(1)旋转调整后的结果。 所以即使直接从3维到1维也不会丢失较多的信息。这里也反映了我们需要知道如何选择到底降到几维会比较好(在10.2.3节中讨论)。 让我们高兴的是，上面的例子也说明了最近重构性和最大可分性可以同时满足。 不应该在项目一开始就使用PCA: 花大量时间来选择k值，很可能当前项目并不需要使用PCA来降维。同时，PCA将特征量从n维降到k维，一定会丢失一些信息。
1.1K100发布于 2018-04-04
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