- 综合排序
- 最热优先
- 最新优先
- 来自专栏老齐教室
AI 项目落地杂谈
人工智能（AI）项目的“落地”问题，现在谈论的比较多，我也来凑个热闹，不过，我不是从宏观角度来讲，而是从具体实施过程讲讲个人体会。 首先，AI 工程师要有能力且勇敢地将项目真实情况讲出来。 如果项目管理者对某个 AI 技术的细节不很了解，而是凭借浅显的认知决定要在项目中使用，那么，AI 工程师是不是能够协助项目管理者做深入的可行性研究呢？ AI 工程师要有能力进行评估 这对多数 AI 工程师来讲，是一个挑战。因为评估一个项目是否可以使用某项 AI 技术，不仅仅是技术本身，还要考虑项目的其他问题，比如成本、运营、人员、时间等等。 AI 工程师要勇敢地讲出实情 毋庸置疑，宣传中的某项 AI 技术以及它能够给项目带来的好处，和实际情况肯定是有差异的，甚至有时候差异会很大。 这样的 AI 工程师，也要么是“真糊涂”，要么是“揣着明白装糊涂”。一般项目皆败于此。 当科学、客观地对项目和技术进行评估之后，一定能够找到 AI 技术的切入点，此后的落地，必然一帆风顺。
50110编辑于 2022-12-09 - 来自专栏音视频技术
HTTP3落地Pinterest
Beardsley, Haowei Yuan 译 / 核子可乐 技术审校 / Liang Ma 图一：Pinterest的HTTP/3架构 现在，HTTP/3已经在Pinterest落地。 QUIC: 由Chromium/谷歌为HTTP over UDP而开发；项目随后被提交至IEFT进行标准化（即HTTP/3）。 落地HTTP/3意义何在？ 在Pinterest落地HTTP/3 策略 安全和指标永远第一。尽管Pinterest强调速度的重要性，但更重要的是要以妥帖恰当的方式采用HTTP/3。 例如：在图像HTTP/3验证计划中，我们使用i2.pinimg.com来验证http/3上的图像流量。 落地现状 我们已经在关键流量类型上启用了HTTP/3，并升级/利用移动客户端的网络堆栈以采用HTTP/3。 流量：Pinterest多CDN边缘网络上的各主要生产域均已启用HTTP/3。
1.1K30编辑于 2023-04-04 - 来自专栏飞总聊IT
AI上天，自动车落地
AI这两年里可谓是非常的热门，从深度学习到自然语言翻译到自动车，一个接一个的层出不穷。不仅仅赚了吆喝，也赚足了资本。和AI相关的人才争夺，更是让人叹为观止。 一个但凡和AI有点关系的博士毕业，其工资让我这个工作那么多年的人都羡慕嫉妒恨。 作为AI的杀手级应用自动车驾驶，更是这些年各大公司和初创公司追逐的重点。无数的资本涌入。 比如说AI的大牛奠基人之一的迈克乔丹，在到处演讲告诉大家不要把现在的AI当回事，其实真没那么牛。 在美国，很多大公司都源于加州。 所以如果自动车和人工智能最为强悍的谷歌都做不到成功落地服务大众的话，我们为什么相信现阶段自动车是AI如此重要的一个应用呢？ 如果连自动驾驶都解决不了，我们又凭什么相信这个上天的AI真的是有极大价值的，而不是空话呢？我其实真的没什么信心。所以做AI的同学们，好好享受你们的美好时光，一切都是假的，只有钱才是真的。
33030发布于 2018-07-25 - 来自专栏深度学习|机器学习|歌声合成|语音合成
java落地AI模型案例分享:xgboost模型java落地
xgboost模型java落地 1. 3. 为什么XGBoost要用泰勒展开，优势在哪里？ XGBoost使用了一阶和二阶偏导, 二阶导数有利于梯度下降的更快更准. 准备输入数据 # 假设 input_data 是一个 numpy 数组 input_data = np.array(input_data, dtype=np.float32) # 3. input_data) output = load_and_run_onnx_model(model_path, input_data) print(output) 6. java推理 import ai.onnxruntime // Load and preprocess the input image inputTensor long[] feature = new long[8]; feature = {1, 2, 3,
1.5K10编辑于 2024-10-01 - 来自专栏MixLab科技+设计实验室
我看中的AI落地场景。
复盘成了我的日常 我最近在思考AI创新产品应该如何切入，接下来谈一些见解： AI技术不仅仅是算法，更多的是工程， ML Code仅仅只是占了核心的一个小空间。 ? 产品化的过程其实是： 挑选一个单点的AI技术，深挖其应用场景， 然后再组合其他技术，形成新技术。 2 基于人像分割技术的图像编辑工具 案例 facet.ai，非常方便地替换背景，带来便捷的图像编辑体验。 ? Auto mask 自动打马赛克，应用虽然小，但是足够方便。 ?
53320发布于 2020-09-28 - 来自专栏啄木鸟软件测试
AI安全测试落地实践指南
引言：当AI成为生产系统的核心组件，安全已不再是‘可选项’ 2024年，全球超68%的金融与医疗类AI应用已在生产环境部署大模型推理服务（Gartner《AI Governance Report》）。 本文基于啄木鸟软件测试团队在某头部银行智能风控大模型、某三甲医院AI影像辅助诊断系统的32个真实交付项目经验，提炼出可复用、可度量、可审计的AI安全测试落地四步法。 二、构建轻量级AI安全测试工具链：不依赖GPU，也能跑通核心用例 团队常误以为AI安全测试必须自建红队实验室。 我们在Jenkins Pipeline中新增ai-security-stage，每次模型版本更新自动触发3类基线检查（数据漂移检测、提示注入覆盖率、TOP3置信度输出校验），失败即阻断发布。 例如，对风控模型‘拒绝高风险申请’能力，不写死‘输出label=0’，而是定义契约： -> 当输入含3项以上欺诈特征（如IP非常驻地、设备指纹异常、联系人关系图谱稀疏），且置信度>0.85时，拒绝率≥99.2%
37110编辑于 2026-03-09 - 来自专栏服务端技术杂谈
零一万物的AI工程落地
之前写了一篇：LangChain创始人回应为啥不做托拉拽的智能体工作流 正好今天看到零一万物的一篇讲AI工程落地的文章，观点很相似。
10510编辑于 2026-03-11 - 来自专栏石云升
怎么招人实施AI企业落地？
去年还有人问企业要不要拥抱AI，今年已经没人问了。问题变成了：怎么落地？谁来干？ 很多企业的第一反应是招人——找一个既懂技术又懂业务的AI落地专家。 AI落地不要一上来就搞大项目。先找那些高频重复、耗时、易出错的工作，这类任务最适合用AI解决，见效快、阻力小。 设计原则：能一个按钮解决的，就不要操作两次。 用AI做小工具，成本低、见效快，还能让团队感受到AI的实际价值。 如果要外招，怎么甄别？ 有些业务确实需要比较丰富的技术基础，需要外招AI落地负责人。但市场鱼龙混杂，如何甄别？ 1. 有没有跨部门落地经验？ 给自己提效只是初级。能给财务、客服、运营、人事等不同部门都落地过，才证明此人有快速理解业务的能力。AI落地的难点不在技术，在业务逻辑的解构。 3. 有没有总结复盘的习惯？ AI落地需要跟各部门打交道——需求沟通、方案讲解、问题排查，都需要清晰逻辑。面试时如果对方表达混乱，落地时大概率也一团糟。 5. 使用AI的时长和频率 越早用、用得越频繁越好。
16610编辑于 2026-03-17 - 来自专栏决策智能与机器学习
用户体验、AI和ML「AI产品工程落地」
作者 | Michelle 报道 | towardsdatascience 人工智能(AI)和机器学习(ML)现在都是热门话题，这是理所当然的，因为它们对重新定义商业的许多方面做出了重大贡献。 您如何看待它随着AI & ML技术的发展? 目前的客户体验“AI无处不在，但结果大相径庭”。使用同一项服务的两个客户可能对他们的体验有完全不同的印象，而且在很多情况下，这项服务是笨拙的，结构也很糟糕。 试图整合AI & ML技术和客户体验的企业面临哪些挑战? Paul总结了许多企业在流程中采用AI和ML时面临的另一个常见挑战——数据量。他说:“目前的机器学习技术依赖于相对大量的数据来提供良好的预测。”
65720发布于 2020-08-05 嵌入式AI视觉落地的那些事儿——直面AI视觉落地难的挑战
一、QT界面开发：算法与界面必须解耦嵌入式AI应用通常需要图形界面，QT是常见选择。但开发中容易陷入一个误区：把算法函数直接写在界面类的响应函数里。点一下“开始检测”，界面就卡住，直到检测完成才能动。 二、OpenCV算法落地：不能照搬PC代码PC上OpenCV怎么方便怎么来，到了嵌入式平台就得精打细算。图像预处理这条链，在PC上可能几毫秒，在嵌入式上就是几十毫秒。 三、嵌入式平台适配：每块板子有自己的脾气RK3588和Jetson Orin是当前主流的嵌入式AI平台，但开发体验差异不小。交叉编译环境搭建就是个开端，库依赖容易出问题。 五、从原型到产品，每一步都不能省嵌入式AI产品开发，不是“写个算法然后拷过去”那么简单。界面要响应快，算法要跑得稳，硬件资源要榨干，还要考虑设备长时间运行的散热和稳定性。 高培觉得嵌入式AI开发需要的不是单点技术，而是全局视角：QT界面、OpenCV算法、模型部署、多线程优化、硬件加速、系统稳定性，缺一不可。
5900编辑于 2026-03-23- 来自专栏设计模式
谷歌 AI Agent 白皮书解读：企业级AI智能体落地的 3 大核心逻辑
在之前我深入整理过《谷歌 AI 智能体 白皮书：2025 年 AI 智能体时代来临》。 当我们对 AI 智能体的概念有了清晰认知后，接下来至关重要的就是弄清楚 AI 智能体究竟该如何实现落地应用。这份白皮书篇幅长达 76 页，内容丰富详实。接下来，我将带大家一同解读其中的重点部分。 今天，我们就围绕这一关键话题，深入探讨 AI 智能体 从 “实验室” 走向 “生产线” 背后所蕴含的3大核心逻辑。 AI智能体是什么？ 这三个方面相辅相成，共同构成了 AI 智能体真正实现落地应用、创造实际价值的核心逻辑。 而深入理解这些落地逻辑，正是我们把握 AI 时代机遇、迎接未来挑战的第一步，只有夯实基础，才能在这场科技浪潮中抢占先机，实现更大的发展。
1.3K11编辑于 2025-10-20 - 来自专栏服务端技术杂谈
企业中落地AI Agent的难点
下图是一个企业Agent落地的标准架构。 在Query动线上，包括规则模块、意图识别模块、意图处理模块、过滤引擎、推理执行、总结整理。 企业中落地Agent普遍的难点不是模型不够智能（因为大概率用的模型就那几家）。 难点是围绕模型的脚手架不到位，比如上下文工程、安全性、记忆系统等。 而且Agent架构越成熟，软件工程的重要性越高。 有人给我发了一篇脉脉上的有人吐槽自家AI落地的文章，相信也是遇到了同样的问题。 大多数AI Agent系统，打造的无非是上下文选择系统。
17010编辑于 2026-03-11 - 来自专栏存储公众号：王知鱼
Micron：SSD替换主存，加速AI落地
大型语言模型的存储需求：Meta Llama 3模型需要存储在磁盘上，并且需要进行大量的I/O操作。 3. Fig-1 AI/ML 处理数据量越来越多，一说数据每年增长430x。 IGB 在 AI 领域受到关注，尤其是在图学习和图计算的研究中，因其能够帮助研究者比较不同算法的效果和效率。该数据集的多样性和真实场景的代表性使其成为图相关任务的一个重要基准。 和不少AI从业人员交流，共性认知是，尚未出现 Killer APP，部分原因是技术本身成熟度尚未达标，另一部分可能还是基础设施建设成本高昂，“贫穷限制了想象”。 基于NVMe SSD来替代内存方案，相较于HBM大主存训练场景，可能是推理场景落地降本的有效措施，可参考材料中介绍的两个项目BaM 和 DeepSpeed来设计真实应用场景的落地方案。
47310编辑于 2025-02-11 - 来自专栏一乐来了
企业内AI落地难在哪里
是的，已经很少有人谈论大模型幻觉，按说AI的能力已经得到了相当的认可，为什么好像听到的落地案例没有很多呢。 AI落地难，因为AI不能只是一个玩具，我还会这样回复。 可以结合小蓝AI的多模态设计[1]。 Agentic。在我们构建完蓝莺Agent平台时，就提出要做智能插件[2]，用AI驱动业务[3]。 主动性。 剩下的3和5，也就是无摩擦和分级授权，则是我们今天讨论的主题，企业内AI落地的两大挑战。 如图中黄线所示： 蓝莺AI权限控制 3. 借助外部权限 前面2的方式，适合新系统，但如果遇到复杂的系统，改造工作量是巨大的。 关于企业内AI落地的更多内容 本期重要产品更新 1.
59510编辑于 2025-05-23 腾讯云AI落地实战：智能质检与3D内容生产的效能重构
资产标准化：生成的模型布线满足游戏引擎渲染标准（低面数/轻量化），并支持PBR材质贴图（金属度、粗糙度）的自动生成，直接打通从概念到落地的最后一公里。 行业头部企业的落地实践 客户案例证言 三绿科技 (MakerRoad)：作为3D打印模型爱好者社区，通过集成混元3D API，推出了Maker AI功能。 用户无需具备任何建模知识，仅需一张图片即可一键生成可打印的3D模型，极大降低了用户创作门槛，不仅实现了用户想法的快速落地，也激活了社区的内容生态。 全栈AI工程化与生态协同 核心竞争力 技术领先性：腾讯云混元3D大模型具备自研模型驱动能力，在语义UV展开与Mesh布线优化等核心工业化难题上取得了突破，确保生成资产不仅“好看”而且“好用”（可编辑、可渲染 其提供的不仅是API，而是包括AI工程化、业务化规划及运营在内的全套落地解决方案，解决了企业在AI落地“最后一公里”的集成难题。
37810编辑于 2026-02-03是什么支撑L3自动驾驶落地？读懂AI驾驶与碰撞预测
就在昨天，中国首批L3级自动驾驶车辆正式获得上路许可，标志着我国无人驾驶正式迈入“商业化应用”新纪元。 碰撞预测是指 AI 系统能够理解物体如何运动，并预判它们何时可能过于接近或发生接触的能力。不同的系统可以多种方式利用这一信息，包括支持安全功能、优化运动路径，或在共享空间内协调行动。 探索碰撞预测的四个阶段碰撞预测涉及一个协调的过程，不同的 AI 组件协同工作，以识别物体、跟踪其运动并估计接下来可能发生的情况。 像 YOLO11 和 YOLO26 这样的视觉 AI 模型在此基础上发展，并支持几项相关任务，包括物体检测、物体跟踪和定向边界框（OBB）检测。 碰撞检测与预测的优缺点以下是使用 AI 驱动的预测性碰撞系统的一些优势：提升态势感知能力：AI 系统持续绘制环境中物体的移动情况，为理解大规模人群流动、交通行为或机器路径提供了更丰富的视角。
36200编辑于 2025-12-18- 来自专栏深度学习那些事儿
AI部署以及工业落地学习之路
近些年来，在深度学习算法已经足够卷卷卷之后，深度学习的另一个偏向于工程的方向--部署工业落地，才开始被谈论的多了起来。当然这也是大势所趋，毕竟AI算法那么多，如果用不着，只在学术圈搞研究的话没有意义。 AI部署工业落地这块似乎还没有那么卷...相比AI算法来说，AI部署的入坑机会更多些。 [你懂得] 当然，AI落地部署和神经网络深度学习的关系是分不开的，就算你是AI算法工程师，也是有必要学习这块知识的。并不是所有人都是纯正的AI算法研究员。 还是蛮有搞头的，这个方向与落地部署关系密切，最终的目的都是提升模型速度的同时不降低模型的精度。 积攒了一些比较优秀的开源剪枝代码，还咩有时间细看： yolov3-channel-and-layer-pruning YOLOv3-model-pruning centernet_prune ResRep
1.9K10发布于 2021-08-07 - 来自专栏腾讯云TVP
如何扫除AI落地的拦路虎
先挖一挖AI落地的问题目前在AI智能化转型的几个核心问题1）信息化和数字化基础薄弱，数据都不对，别指望来了AI就万事大吉2）价值量化不清，无法真实体现AI的价值，自然项目也就变得可有可无。 3）组织结构没有匹配，上ERP总该有个流程梳理部门吧？总该有个数据库管理员吧？未来信息安全也要有人负责吧？AI落地这些问题都会一一碰到。 2）企业不是儿戏，企业是需要盈利的，AI也不应该是头脑发热跟风式的上线，通过对AI潜在价值的明确量化，其实也是梳理企业业务，探索转型机会的一个非常好的契机。 3）如果说AI需要新的组织结构，那么我认为最重要的岗位可能是CKO（首席知识官），知识是企业级AI应用落地的基础，没有之一。 技术是持续迭代更新的，大多数企业的技术能力并不能匹配上这个更新速度，所以技术本身反而是AI落地最小的障碍。问题很多，饭要一口口吃，以下是建议的路径：
16010编辑于 2025-12-24 - 来自专栏深度学习与python
vivo AI计算平台在线业务落地实践
本文是 vivo AI 计算平台技术演进系列文章之一，着重分享了计算平台的底座 - AI 容器平台（VContainer）的在线业务容器化落地过程中所遇到的问题及解决的思路，vivo AI 计算平台相关的技术实践可参考此前发布的 三、功能模块概览 在线业务容器化落地所涉及到的功能模块分两部分：公司云平台 和 AI 容器平台。云平台是用户入口，AI 容器平台则是容器化部署的基础环境： ? 3、业务日志规范化 业务日志需要写入到约定的目录，日志内容也需要遵守日志中心规定的 json 格式，保证日志能被正常采集和处理。 3、机器 CPU 性能问题 线上机器型号尽量保持一致，当同个应用的不同实例部署在 CPU 性能差别很大的节点上时，容易导致同个应用的不同实例负载不均衡，影响业务的稳定性。 七、总结展望 由于容器化部署的众多优点，越来越多的公司选择将业务迁移到容器平台之上，vivo AI 容器平台也开始了在线业务容器化落地的实践，相对于离线业务，在线业务对平台的稳定性和资源调度管理有更严格的要求
1.6K10发布于 2020-11-16 - 来自专栏七夜安全博客
AI 能否落地？？？BAT与独角兽
1 AI的人才需求 2018，庞大的毕业生涌入社会。每一个人都在为工作彷徨。 ? 数据显示，我国人工智能相关人才缺口超过500万，“坑多萝卜少”的现状让企业让校园人才争夺战显得尤为激烈。 ? “百度全面押注AI，先天的技术属性和先人一步的AI布局将引领百度走向成功” ? AI相关人才，正在被企业疯抢。市场需求大，薪酬高，因此对广大技术从业者来说，目前是进入人工智能行业的好时机。 ? 2 AI的广泛应用 在医学领域，达芬奇手术机器人正在引进各大医院。手术更精准、更精细，切口更小，痛苦更小的优势让手术进入微创新时代。 ? 我们通常认为，AI并不能胜任需要丰富经验的工作，处理繁冗负责的任务。 但实际情况是，在数字智能、计算能力、带宽水平及访问路径等技术革新下，AI已经在法律、金融、医学等工作领域逐渐正式“上岗”。 正因如此，面对AI的发展，中外科学家才会发出警告：人工智能将代替现在60%的工作。 ? 机器人变得和人类一样灵活 过去的200年是知识的时代，是科技的时代。
48430发布于 2018-08-16
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