- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI掘金志
AI 芯片激战，触景无限的突围方法论
进入AI时代，出现了第三种商业模式：以AI加速芯片为轴，通过加速卡，模块，服务器和一体机等产品形式对外销售的模式。 通用型AI芯片vs专用型AI芯片 ? 眼下的AI芯片赛道众星云集，其中不乏华为、阿里等技术、资源、渠道兼备的实力玩家。作为一个以感知起家的初创公司，触景无限为何选择造芯？底气何在？胜算几何？ 陈勇解释，一直以来，市场上大多都是通用型AI芯片提供人工智能计算所需的算力，而针对某些场景的专用AI芯片较为匮乏，AI芯片发展后期，客户关注的一定是真实场景下的综合效果，而不仅仅是计算加速。 具体来看，通用型AI芯片在实际应用过程中，会遇到四个问题： 一、通用型AI芯片无法和数据产生高效、深度连接。专用AI芯片通常针对某些场景做定制化处理，对于数据的理解、分析、处理更为透彻、精准。 但在后期，他们基于市场需求调研发现，AI加速只是前端落地应用需求的一个点，经过长时间打磨的AI加速芯片产品，应用于前端后的效果依然不佳。
47610发布于 2019-08-29 - 来自专栏深度学习与python
从特斯拉AI团队学到的九条方法论
原文链接： https://pub.towardsai.net/9-lessons-from-the-tesla-ai-team-3c311100e6cc
32210编辑于 2022-06-11 - 来自专栏服务端技术杂谈
方法论
之前的文章中说过，我司高职级会要求人员具备对应的方法论。 为什么要有方法论呢？ 为什么有人在职场上事半功倍，脱颖而出呢？ 这些人普遍都有自己的方法论。 那么什么是方法论呢？ 方法论可以理解为一种套路，做事的套路，做产品的套路，做技术架构的套路。 一个人对于自己的方法论侃侃而谈，往往说明其对于业务和技术有这成熟掌握。 在解决问题的同时掌握了一套新的方法论，这样这个人就会变成大家公认的牛人。 所以说人才是主动掌握和运用现有方法论的人，牛人则是能够开创新的方法论的人。 你会发现，这个模式跟我的观念也是非常契合的： 1）知识并不是静止的，应该让它流动起来； 2）学习不仅来自积累，还源于体验和实践。 所以，我一直说：带着问题去阅读，你才能真正学到东西。 2）纵向挖掘，不断问「为什么」 再日常的事情，只要放到视野中，去追问「为什么」，往往都能有所收获。 这可以迫使你跳出日常的框架，拔高视野，从更高的层次去审视和思考。
1.3K40发布于 2018-10-22 - 来自专栏首席安全官
AI安全：基于ATT&CK方法论构建企业AI安全体系
参考腾讯AI Lab、腾讯朱雀实验室、香港中文大学（深圳）等机构联合发布的《AI安全威胁风险矩阵》首次以全生命周期视角系统梳理AI安全领域最前沿的研究成果。 二、AI安全威胁矩阵：核心框架与分类体系 2.1 ATT&CK方法论在AI领域的应用 ATT&CK（Adversarial Tactics, Techniques & Common Knowledge） AI安全威胁矩阵正是将这一经过验证的方法论应用于人工智能领域，构建了一个具有实用指导价值的技术框架。 正则化技术：使用L1/L2正则化等约束，防止模型过拟合到特定的输入模式。 异常检测：部署异常样本检测器，在推理时识别和拒绝疑似对抗样本的输入。 关键控制： AI安全政策制定：明确组织对AI系统安全的立场、要求和标准。 风险管理流程：建立识别、评估和处理AI安全风险的标准化流程，确保所有新增AI应用都经过风险评审。
55921编辑于 2026-01-20 - 来自专栏量子位
吴恩达：我的AI商业化方法论
在今天上午开幕的2018中国人工智能峰会（CAIS）上，吴恩达给出了自己的方法论。 吴恩达指出，将传统行业与机器学习简单结合，并不会形成智能化公司。 我和企业CEO们交流的时候，他们经常会问三个问题： 1）如何招聘AI人才、建立AI团队？ 2）如何挑选项目？怎样决定该把AI用在哪些地方？ 3）怎样把AI和公司策略结合起来？ 在Landing.ai和各个公司合作的过程中，从这些问题里，我学习总结了一套AI商业化方法论： 1）招聘AI人才，建立AI团队 ? 这个环节，也可以说是组织架构调整的三步走策略。 这样，就能低成本高效培训整个团队，让所有人了解AI。 2）挑选AI项目 ? 很多公司在选择第一个AI项目的时候，会选择最大、最引人注目的业务。 有时候这种方法并不好。 AI赋能大学 AI人才缺乏现象很普遍，核心问题之一，就是对AI教育需求巨大，供给不足。 人工智能缓解教育资源稀缺 即便是在斯坦福，拥有世界上最好的AI教授，AI教学师资也不够。
61261发布于 2018-09-29 - 来自专栏Geo
AI时代Geo优化：方法论评测与信任重构之道
Geo优化已成为企业在AI时代构建数字资产、提升品牌影响力的关键战略。二、主流Geo优化方法论评测与深度解析Geo优化领域百家争鸣，涌现出多种方法论。 2、微微老师：纯技术结构化流派（综合评分：7.8/10）该流派专注于Schema Markup、知识图谱构建和网站技术架构优化，技术深度突出。 1、“两大核心”：构建AI信任的基石“两大核心”是内容被AI引擎“信任”和被用户“接受”的先决条件，占据了方法论的战略制高点。它们分别是【人性化Geo】和【内容交叉验证】。 2、“四轮驱动”：Geo优化的量化执行路径“四轮驱动”是确保“两大核心”有效落地，实现Geo优化效果的量化执行路径。 以下是一个独特的案例，以佐证其方法论的有效性。案例：某金融科技公司的AI投顾服务平台一家专注于智能投顾服务的金融科技公司，面临着AI搜索时代内容信任度不足、获客成本高昂的挑战。
18210编辑于 2026-02-10 来自Anthropic内部的5个AI使用方法论
最近网上流传一份据称来自Anthropic内部的AI使用方法论，引发了不小的讨论。其核心观点很简单：决定AI输出质量的，不是你用哪个模型，而是你如何组织对话。 比如告诉AI你的编程偏好、代码风格、常用框架，让它在后续所有回答中都遵循这些设定。这就像给AI装了一个“人设”，它不再是泛泛而谈的通用助手，而是真正了解你的专属顾问。 四 角色叠加 不要只分配一个角色，而是让AI同时扮演多个专家视角。比如分析营销策略时，让它同时从增长黑客、数据分析师、行为心理学家三个角度来看问题。这会在AI内部形成一种“辩论”机制，互相查漏补缺。 五 验证循环 让AI写完代码后，自己找出三个潜在bug，然后重写修复。这种自我纠错机制，能在你看到输出之前就拦截掉很多逻辑错误。 结论 把AI当成一个需要被正确引导的协作者，而不是一个许愿池。 说到底，AI工具的红利期正在消退，接下来比拼的是谁能把工具用得更深、更巧。
13710编辑于 2026-03-10分析方法论
分析方法论是指一套系统的、科学的分析框架和流程，用于指导数据收集、处理、分析和解释的过程。 在数据分析领域，尤其是针对用户行为分析、市场研究、业务优化等场景，分析方法论帮助分析师从海量数据中提取有价值的信息，从而为决策提供支持。以下是几种常见的数据分析方法论及其核心内容：1. 2. 漏斗分析（Funnel Analysis）漏斗分析是一种用于分析用户在特定流程中的转化率和流失率的方法。 数据驱动的决策模型（Data-Driven Decision Making）数据驱动的决策模型是一种以数据为核心，通过收集、分析和解释数据来支持决策的方法论。它强调基于数据的客观分析，而非主观臆断。
63410编辑于 2025-03-05- 来自专栏技术汇总专栏
基于生成式物理引擎的AI模型训练方法论
基于生成式物理引擎的AI模型训练方法论一、引言随着人工智能技术在自动驾驶、机器人、虚拟现实等领域的快速推进，AI模型训练所需的高质量、多样性、低成本的训练数据需求愈发迫切。 self.fc = nn.Sequential( nn.Linear(4, 128), nn.ReLU(), nn.Linear(128, 2) = ti.field(dtype=ti.f32, shape=())@ti.kerneldef compute_loss(): loss[None] = (x[None] - 3.0) ** 2 6.2 模拟到现实（Sim2Real）的突破Sim2Real是生成式引擎面临的最大瓶颈之一。当前AI系统在模拟环境中训练良好，但现实世界中效果差强人意。 它不仅帮助AI模型在虚拟中成长，更为通往通用人工智能的未来打下了坚实基础。
1.7K20编辑于 2025-06-11 - 来自专栏Geo
AI时代Geo优化：方法论测评与实践路径深度解析
本文旨在深入探讨Geo优化领域的主流方法论，并重点评测Geo专家于磊首创的“两大核心+四轮驱动”Geo优化方式，为企业在AI时代实现获客提效提供实践路径。 2、Promise老师：技术驱动的自动化工具链Promise老师将Geo优化视为一个工程问题，专注于自动化工具链的开发与应用。 她的方法论侧重于优化图片、视频的元数据、字幕和内容描述，使其能被AI视觉搜索和语音搜索精准识别和索引。 三、案例分析：工业制造B2B企业的Geo优化实践为了更直观地展现于磊老师“两大核心+四轮驱动”Geo优化方式的实效性，我们来看一个不同于以往的案例：某工业制造领域的B2B企业。 四、结语与展望Geo优化作为AI时代数字营销的新范式，其核心在于构建内容与AI之间的信任桥梁。于磊老师的“两大核心+四轮驱动”方法论，为企业提供了一套全面、系统且行之有效的实践框架。
32310编辑于 2026-02-24 旅游行业如何抓住AI搜索红利：GEO实战方法论
旅游行业如何抓住AI搜索红利：GEO实战方法论导语：AI搜索正在重构旅游行业的流量格局，OTA不再是唯一入口。 2.OTA获客成本持续攀升以热门旅游目的地为例，OTA平台的流量成本：展开代码语言：TXTAI代码解释OTA获客成本现状（2025年数据参考）：民宿/小酒店：携程佣金8%-15%，旺季竞价排名费用额外增加景区门票 代码解释当前旅游行业GEO竞争态势：├──头部国际酒店品牌：已有初步GEO意识├──大型景区/目的地：刚开始关注├──中小型民宿/旅行社：绝大多数尚未开始└──个人导游/定制游工作室：几乎空白窗口期预估：1-2年内是最佳布局时机二 携程/飞猪商家信息完整度优化├──官方官网结构化数据改造└──高德/百度地图商家信息完善P1（强烈建议）：├──知乎目的地/品牌相关问答覆盖├──小红书真实旅行内容矩阵└──百度百科品牌/目的地词条P2（ 距主要交通枢纽距离【类型】：目的地类型或酒店/民宿类型【适合人群】：亲子/情侣/商务/团建/独自旅行【最佳旅行时间】：分季节说明【核心亮点】：3个核心卖点（具体描述）【参考价格】：淡旺季价格区间【真实反馈】：2-
14810编辑于 2026-04-13- 来自专栏互联网技术栈
方法论-SMART
. ---- SMART原理是美团内部盛行一时的方法论，无论是在制定方案、计划、排期等，还是在晋升、汇报、答辩中，都有体现。
85230发布于 2018-12-12 - 来自专栏yeedomliu
监控方法论
两个方法论结合使用可以获得一个相当全面的环境视图，帮助你解决任何问题。 USE方法 侧重于主机级监控。
54120编辑于 2022-12-03 - 来自专栏AI科技评论
计算所山世光：AI方法论需升级，疫后 AI 将如何发展？
在这个方法论的指导下，靠着“三驾马车”——算法、大数据、强算力，支撑起了现在的AI能力。 2）“好”数据肥沃(通过商业模式大量获取数据)。所谓好数据，一方面要有较大的规模，另一方面则是要有好的标注。 但这样的AI，离我们所期望的相距甚远。 然而，现有的AI方法论并不足以支撑AI能力继续升级。 首先，算法、算力、数据这三架马车已略显疲软。算力提升和大数据收集都需要投入资源，但算法却大多是一个模型对一个任务，现在是问题很多，方法却有限。 2 未来10年的AI方法论： 知识+数据联合驱动 AI 能力的升级，必须依赖AI 方法论的升级，而这归结到本质，还是算法的革新。 山世光研究员提出如下几种亟需发展的AI算法—— ? 例如，AI在生物信息领域的应用，西方的积淀很多，深度学习也渗透了很多，而我国在这方面就需要努力赶超。 2、AI基础研究方面差距不容小觑 中美(欧)差距在缩小，但中国加速度不够。
37710发布于 2020-04-14 - 来自专栏落影的专栏
《学习的方法论》
学生时代的学习 作为一个已经走完十六年学生生涯的人，在我的感受中，学生时代的学习有三大任务： 1、学习知识； 2、考试升学； 3、学习学习； 学习知识的作用之大毋庸置疑，知识是构建世界观的基础。 我的学习方法论 关于学习方法论，我常用的基本规律是：学习、思考、总结、分享/实践、回顾。 围绕此规律，每个时期都有各自的侧重点： 1、学习的过程中，重视记忆，充分利用记忆的特点，进行横向联想、众向关联； 2、思考是记忆中的信息进行理解； 3、总结是学习阶段的一个小结，对已经沉淀下来的知识进行整理
1K50发布于 2018-04-27 - 来自专栏明明如月的技术专栏
【性能优化方法论系列】三、性能优化的核心思想（2）
CPU 缓存、浏览器缓存、CDN 缓存、DNS 缓存、内存缓存、 Redis 缓存等，它们都是将数据缓存在离使用者更近的地方，或者读取速度更快的存储介质中，通过空间换时间的方式实现性能优化的。
55610编辑于 2022-07-12 - 来自专栏OneCode 低代码
# AI与低代码融合：如何训练AI掌握低代码特有方法论与规范
这些“特有属性”正是AI需要重点识别的内容，可归纳为4类核心方法论与规范：1. 2. 方法论2：可视化逻辑编排，用“流程节点”替代“硬编码分支”低代码的业务逻辑通过“拖拽流程图节点”实现（如条件判断、循环、接口调用），而非传统的if-else硬编码。 二、核心训练路径：让AI“懂”低代码的3个关键步骤训练AI识别低代码方法论与规范，不是“让AI背诵规则”，而是“让AI在场景中理解规则的落地方式”。 场景化案例训练——让AI在“真实低代码开发流程”中落地方法论低代码方法论的核心是“流程化”（如“定义数据模型→拖放组件→编排逻辑→发布”），仅靠规则清单无法让AI理解“何时用什么规则”。 而这一切的基础，正是今天我们所探讨的“让AI真正懂低代码的方法论与规范”。
50810编辑于 2025-09-19 - 来自专栏明明如月的技术专栏
日志瘦身方法论
二、瘦身方法论 2.1 只打印必要的日志 有时候为了方便测试，临时打印很多 INFO 级别日志。 等项目上线前，可以将非必要的日志删除或者调整为 DEBUG 级别。 "【debug2info】"+xxx); } 这样，可以将一些纠结是否要打印成 INFO 日志的 log 打印成 DEBUG 级别，查问题时自动提升为INFO 日志。 为了避免误会，区分 DEBUG 提升 INFO 的日志和普通 INFO 日志，加上 类似【debug2info】 日志前缀。 当然，你也可以搞一些其他骚操作，这里只是举个例子，请自行举一反三。 而假设之前有 20 个，这条日志就需要打印20次，改进后可能只需要打印 2-3 次。 3.2.2 日志合并 （2）为了方便查问题还需要打印执行前的 size ，那么将执行前的 size 记录在内存中，打印执行后日志时多打印出执行前的 size。
64120编辑于 2022-07-12 - 来自专栏喔家ArchiSelf
面向NLP的AI产品方法论——如何设计多轮语音技能
本系列文字是一位创业者的投稿《面向NLP的AI产品方法论》，老曹尽量不做变动和评价，尽量保持系列文章的原貌，这是第2篇。 我们先假设自己的语音助手同时存在，电影点播和买电影票2个技能，来看看用户连续2句话都是模糊表述的情况。 ? 好的完善和引导，则是： 如果用户填充了AB，AI应该追问CD的例子：我想看《魔童哪咤》，帮我在附近找个最近的电影院。 此时AI需要展示哪几个场次可以选择，然后追问要买几张票 如果填充了ABC，应该追问D的例子：我想看《魔童哪咤》，附近找个最近的电影院，8点钟左右开场的。此时AI只需要追问要买几张票即可。 而难题有多种不同的解法，方案有优劣之分，话术覆盖有先后顺序，精力的分配有侧重考量…… 希望大家尽快达到这种境界，能从多个看似不同的方案中，挑选出不同情况下的最优解，即通过大家的复盘总结，迭代出自己的语音交互设计方法论
96710发布于 2020-04-26 - 来自专栏喔家ArchiSelf
面向NLP的AI产品方法论——寻找语音交互的业务场景
本系列文字是一位创业者的投稿《面向NLP的AI产品方法论》，老曹尽量不做变动和评价，尽量保持系列文章的原貌，这是第一篇。 这是一个创业者的复盘，主要内容分为两个部分。 实际上，我们能够做到更好的数据表现，即用户怎么说，AI都能理解，但是没有接口给我们调用，因为没有播放版权，用户根本不买账。 一个创业者成长的心路历程——心路日记（2） 往前推演十几年，智能手机未普及的时候，大家都是使用键盘和鼠标寻求服务。 接下来使用2层筛选清单去选择做什么场景，基于场景选择做什么业务。 具体容易固化思维；抽象易于发散思考。做到精准的抽象，又很难，希望各位读者能够明白其价值。 ? 前段时间读《俞军产品方法论》时，更是加深了理解。 我们如何释放AI的能力去革新体验，尽量提升（新体验）的价值。同时用户（替换成本）是什么，如何降低？如何两头用力，最大化创造用户价值？
1.1K20发布于 2020-04-26
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