本届世界杯中,AI预测的夺冠热门德国、巴西、阿根廷等强队都被“毒奶”回家。而EA居然预测对了连续两届世界杯冠军,真的这么准? 预测世界杯,还是看EA? 上届冠军德国、传统强队阿根廷、葡萄牙、西班牙先后被毒奶毒回家,最终,法国队夺得2018俄罗斯世界杯冠军。 其实,这个结局早就被EA预测到了。 AI预测冠军毒走了一众强队 在世界杯开始前,有不少研究机构声称使用AI预测,德国、巴西是今年夺冠的大热门,喝完这些毒奶,传统的强队一个个倒下。 不过,AI预测世界杯给了机器学习新的玩耍场景,虽然看上去是一件不那么靠谱的事情,但仍有不少人乐在其中。 新智元曾报道过用AI预测世界杯冠军的方法,其中比较有趣的有: 使用随机森林进行预测 微软的AI和数据科学专家Sorin Peste的预测过程比较完善。
当前奶茶店打包环节中,人工核对奶茶与吸管数量易因疲劳、忙碌出现疏漏,导致客户投诉(如缺吸管、多吸管),尤其高峰时段与外卖订单处理场景下,该问题更为突出。 基于此,依托AI技术,可开发专为奶茶店打造的吸管监测识别解决方案,核心目标为:实现奶茶打包流程中吸管与奶茶数量的自动化、精准化匹配监测,降低人工失误率,提升打包效率,优化客户体验,为奶茶店运营提供技术支撑 (二)AI 视觉识别算法开发奶茶杯识别算法开发特征提取模型:采用改进型 YOLOv8 目标检测算法,针对奶茶杯 “多样式、多尺寸” 特性,构建专属数据集(包含直筒杯、异形杯、带品牌标识杯等 200 + 三、应用场景适配开发(一)高峰时段打包场景适配针对奶茶店高峰时段(如午晚高峰每小时 30-50 单)订单密集、打包节奏快的特点,优化系统处理效率:采用边缘计算单元(如 NVIDIA Jetson Nano 软件兼容性开发系统软件支持 Windows 10/11、Android 10 及以上操作系统,可适配奶茶店常见的操作屏(如触控一体机、平板设备);同时提供 API 接口,支持与主流奶茶店 POS 系统、
前两家CoCo和50岚(现在的1点点)都已经成为中国大陆大型的连锁奶茶店。随着奶茶越来越受大众喜爱,涌现出更多的本土奶茶品牌,如蜜雪冰城、益禾堂。 图3 热门城市奶茶店铺数量情况 从全国12个热门城市来看奶茶店铺数量分布情况,广州的店铺数量是最多的,拥有11419家,之后是深圳(9367家)、上海(7940家)、成都(7361家)。 4个一线城市中,北京的奶茶店只有4643家,笔者猜测因为北京位于北方,并不像南方一年四季几乎都是热天,而奶茶主要是作为冷饮,尤其现在最流行的奶盖茶,只适用于冷饮,过热的水温会导致奶盖融化。 一旦你在某个城市商圈看到其中一家奶茶店,在几百米的距离内肯定能找到上述的某几家奶茶店。 ? 图5 特色奶茶分布情况 有些奶茶店很有自己的地域特色,如果你想品尝它们的原版奶茶,就可能需要跑到别的城市才能喝到,因为它们大部分分店都只开在本土城市。
简单工厂模式在实际中的应用相对于其他2个工厂模式用的还是相对少得多,因为它只适应很多简单的情况。 举个例子: 奶茶店有各种奶茶,奶茶类别有波霸奶茶、红豆奶茶、 珍珠奶茶等 奶茶店-->工厂(Factory)角色 奶茶-->抽象产品(Product)角色 波霸奶茶、红豆奶茶、 珍珠奶茶-->具体产品 milkyTea = SimpleFactory.createMilkyTea(1); milkyTea.makeMilkyTea(); } } 我想多增加一种奶茶品种,四季奶青
选自medium 作者:Agustinus Nalwan 机器之心编译 编辑:泽南、魔王、张倩 为了能安心看几集 Netflix 剧,技术宅奶爸都做了些什么…… 长期以来,「奶爸」+「萌娃」一直是一个不被看好的组合 当然,并不是所有的奶爸都这么不靠谱,也有人带起娃来挺正常的,Agustinus Nalwan 就是其中之一。 当然,奶爸也可以跟着一起玩: ? 或者自己玩: ? 这么好的带娃经验当然要分享出来。在最近的一篇博客中,Nalwan 完整地介绍了他打造 Griffin 的完整过程,手头有娃的可以参考一下。 ? 我添加了 Griffin 起飞状态的树模型,以及无需重启应用即可重启游戏的游戏状态。Griffin 有两种状态:站立(站在树枝上)和飞翔。 因此,两个单独应用之间的最好通信媒介是 socket。由于这两个应用在同一台计算机内,因此延迟会在 5ms 以内。
但最近,他的收入来源被谷歌的AI机器人毁掉了。 他在Chrome上的付费插件,被谷歌的AI删掉,已付费的用户纷纷前来退款,插件服务即将关闭。 不过,程序开发只是副业,他的主业是全职奶爸,你看他的GitHub头像: ? 虽然只是副业,但Azer的工作还挺硬核的。 Azer一怒之下就把自己发在npm上的273个模块全都撤掉了,包括left-pad等被广泛应用的模块,于是数千个软件都出现了问题,引发了轩然大波。 ? 因为有用户付费,所以Kozmos插件算是奶爸Azer的被动收入来源,而且这个插件Azer自己和家人也在用,比如老婆怀孕的时候上网用这个就很方便。 Azer称,自己的插件没有违反任何政策,但谷歌的AI机器人却反反复复的发来“你的插件将被删除”的通知,他不得不反反复复的和AI机器人过招,就像这样: 谷歌AI机器人:我们将删除你的插件。
我正在参加CodeBuddy「首席试玩官」内容创作大赛,本文所使用的 CodeBuddy 免费下载链接:腾讯云代码助手 CodeBuddy - AI 时代的智能编程伙伴最近我突发奇想,想用 UniApp 这个小应用的核心功能很简单:用户选择奶茶偏好(甜度、温度、加料),我就根据他们的选择生成一段带性格分析和奶茶推荐的图卡。 项目初始化与设计确认我告诉 CodeBuddy 这将是一个单页应用,UI 要有粉橘色到奶白色的渐变背景,顶部一个茶杯+爱心的 logo,再配合焦糖棕字体风格的标题,整个页面要有卡片式的步骤选择,最后生成一张结果图卡并支持一键保存 整体风格就是“奶茶店点单 + 命运占卜”的感觉。 CodeBuddy 真正让我感受到“AI 工程师”的能力,它不会只是被动地等待命令执行,而是能主动分析项目结构、预判需求、优雅写代码、自动修 Bug、贴心处理动效与视觉,还能兼顾用户体验的方方面面。
以这种标准开发的机器学习系统,最终完全可以应用到现实世界中的任务中去」。 ? 在与「疯狂」难度标准的星际争霸 2 AI 模型对阵的时候,获胜概率可以达到 50%。」 去年 9 月份,腾讯 AI Lab 等机构利用深度强化学习开发出了能在《星际争霸 II》全场游戏中打败「疯狂」内置 AI 的智能体(深海暗礁地图,虫族 1 对 1),「疯狂」AI 在视野和采集资源速度上具有不平衡的优势 目前,OpenAI 的人工智能已能在 Dota 2 上和人类顶尖职业玩家勉强过招了,腾讯 AI Lab 的王者荣耀 AI「觉悟」也在 KPL 决赛上击败了顶尖战队,DeepMind 又会给我们带来哪些惊喜 在此,先奶一口DeepMind。 ?
这次,他们开源的东西还是极度硬核: 3FS(Fire-Flyer File System) 链接在此:https://github.com/deepseek-ai/3FS 还给了一个基于3FS的数据处理框架 https://github.com/deepseek-ai/smallpond 先说3FS。 简单来说,3FS就是一个专门AI模型和推理做的文件系统,只不过,它是分布式的,性能太强了。 因为一旦原材料供不上,各家奶茶店就没法及时出茶,排队的顾客就得锤门店,门店就会来捶你。 每天都有成千上万的奶茶店要来仓库调取、回传各种信息,比如店家库存不足时要申请更多原材料,原材料运到门店后又需要登记消耗情况,遇到新品上线还要紧急调度不同产线来增产。 这叫 locality-oblivious(不用再因为地理位置不同而做繁琐的调度),相当于你只要告诉工厂我要一批A茶叶和B奶盖,系统就能自动把所有加工、分发环节安排好。
这款颜值检测小程序使用了腾讯开放人脸识别API,本项目适合刚入门的同学练手,熟悉整个框架,整体实现如下:
龙虾热潮退去,最终会剩下文字相关的应用——编程、写文章、论文等等。一、大模型本质是文字模型不管形态如何变化,大模型的输出仍然以文字为主。 最终沉淀下来的应用,一定是那些将文字能力发挥到极致的场景。二、多代理提高可用性,但仍未达到可信的专家水平多代理架构让任务可以并行、分工、协作,显著提升了复杂任务的完成率。 这意味着所有AI输出都必须经过经验丰富的人员验证,以避免疏漏和安全问题。这是当前AI应用落地的最大瓶颈——不是技术不够强,而是信任成本太高。 未来可能出现”AI审计AI”的模式:一个代理负责输出,另一个专门负责对抗性验证,降低人工成本的同时保留人类兜底。四、记忆之后,还有知识整理与理解偏差记忆问题的解决只是第一步。 五、下一个高价值方向:代理自组织与AI团队导师人类组织中有项目管理和项目经理,AI代理体系同样需要自组织能力。
AI应用开发是将人工智能技术与实际业务场景结合,构建具有智能决策、自动学习或感知能力的应用系统。 它融合了传统软件开发与机器学习、深度学习等AI技术,以下是其核心要素和流程: 一、AI应用的核心技术栈 基础框架 机器学习:Scikit-learn、XGBoost、LightGBM 深度学习:TensorFlow Platform、Azure ML 二、AI应用开发的典型流程 问题定义与数据准备 明确AI要解决的核心问题(如分类、预测、生成等) 数据采集(爬虫、API、传感器等)、清洗(去噪、补全)、标注 (通过API接口或SDK) 构建监控系统(跟踪模型精度衰减、数据漂移) 迭代优化 基于用户反馈和新数据持续更新模型 优化计算效率(边缘部署或云端算力调度) 三、示例:简单的文本分类AI应用 以下是一个基于预训练模型的文本分类应用 ) 可解释性:部分场景(如医疗、金融)需要模型决策可解释 五、常见AI应用场景 智能客服(NLP对话系统) 图像识别(安防监控、质检) 推荐系统(电商、内容平台) 预测分析(金融风控、需求预测) AI应用开发的核心是
另外一项挑战是,作为蒙牛集团首位虚拟员工,奶思今后要在电商直播、新媒体互动、品牌拟人化宣传等场景上落地应用,所承担的职责是相当复合的。 基于奶思的直播需求,快手 StreamLake 技术团队将相关的能力迅速整合起来,提供了两套驱动方案,一种是中之人驱动型,一种是 AI 驱动型。 “快手智播支持奶思 AI 自动开播,能够根据蒙牛输入的文案脚本匹配动作表情,讲解所售货品,并且能够自动上架商品挂车,以及回答直播间里用户的提问。 真人直播带货 10 个小时之后,剩下的 14 个小时可以用 AI 开播,同样能带来卖货收益。” 虚拟人卷到「下半场」 目前,虚拟人正处于从产业链搭建到大规模应用转化的过渡期。 ,提供一站式音视频 + AI 解决方案。
所以才发明了AI Native/AI First,来表达未来智能应用跟现在软件的不同。 等到ChatGPT发布插件,一众软件从懵懂中醒来,开始瑟瑟发抖,我们好像看到了AI吞噬软件世界的景象。 另一方面,在具体需求满足上,AI跟应用还只是有限度的打通,并不能完全闭环,这大大限制了用户从旧应用体系脱离的意愿和速度。 所以我们相信,大模型AI并不会取代AI以外的软件,尤其是企业应用。 只要用户需求是分散的,智能应用的未来就还属于企业和开发者,AI Native实际是AI Drive。 蓝莺智能插件 蓝莺智能插件(AI Plugin),是由应用自定义提供给大模型AI服务调用的一组API或函数集合。 基本步骤如下: 用户提出问题,应用服务器将问题和相关函数调用的定义发给AI服务; AI识别出缺失的业务信息,根据上下文信息拼装成函数调用返回给应用服务; 应用服务收到拼装好的函数后,进行实际的API或函数调用
不过,从牛群里把它们找出来,就是很大的工程量,有了AI帮忙监测牛群的健康数据,人类或许会轻松一些。 确认过眼神 不过,同在佐治亚乡间,世代牧牛的奶农即便没有装备AI,也自有古老智慧的加持—— ? 在许多奶农的眼里,AI可能都没有那么神奇。 摩擦,摩擦 AI在人类工作场景里的推广,本就很容易带来传统产业和前沿技术的摩擦。 用机器人摘苹果、挑黄瓜,用无人驾驶拖拉机收割庄稼,用无人机发现偷猎者等等,都算是常见的应用了。 牧场辣么大 现在,许多牧场也已开始用激光制导的机械臂来代替人类挤奶。 除了通过奶牛的行为规律来判断/预测伤病和排卵期之外,奶牛白天的生活环境、夜晚的睡眠条件,以及饲料,都会对产奶量有或多或少的影响,这些也是AI要学习的内容。 ? △ AI学的越多,奶农越忙不过来 毕竟,一只正常产奶的成年奶牛,与一只早夭幼崽之间的差距,可以关系到养牛的小伙伴们是否能走向人生巅峰。
3倍)最终放弃A方案,省下5万元推广费工具推荐:- [SurferSEO](内容优化)+ [Google Optimize](A/B测试)优势3:垂直场景深耕云南"茶韵轩"普洱茶店:AI分析茶友论坛发现 问题场景:"新手开奶茶店容易忽略的5个法律条款"2. 解决方案:用AI生成条款清单+本地化补充3. 工具推荐:附"营业执照办理流程图"生成链接4. 案例佐证:插入"某奶茶店因未办食品许可证被罚3万"新闻```转变3:从"人工创作"到"人机协同"黄金流程:1. AI打框架(ChatGPT提示词示例):"请列出在深圳开奶茶店需要办理的10个证件,按办理顺序排列,并标注每个证件的办理部门和费用"2. AI优表达:用[Hemingway App]简化专业术语添加"办理流程图"(AI生成+人工标注关键步骤)4.
最终,通过摄像头+AI算法的组合,他搞出一套婴儿饥饿自动检测系统,能在宝宝真正开始哭之前就及时发现。 Caleb让程序一旦判定宝宝的饥饿可能性达到100%,就给他的手机发送通知。 剩下的问题就是—— AI如何判断婴儿饿了? 在开始动手之前,Caleb先去母婴论坛查阅了大量资料。 根据理论,哭出声代表婴儿已经进入饥饿的后期阶段。 Caleb能做得这么快也是有原因的,目标检测应用的一套开发流程他已经很熟悉了,之前还做过在自家院子里检测狗什么时候拉粑粑。 对于他这种做法,也有人感觉怪怪的。 Caleb自己也表示,他和老婆不会完全依赖算法决定给孩子喂食的世界,只是有了AI帮助,他们可以把养孩子做的更有效率。 当然,还有更多感兴趣的网友都在催他:快开源! 欢迎关注人工智能、智能汽车的小伙伴们加入我们,与AI从业者交流、切磋,不错过最新行业发展&技术进展。
我用一种我不熟悉的语言和框架制作了多模态多功能移动应用程序 CrayEye,我依靠现代大语言模型来编写代码,而不仅仅是代码片段,而是全部代码。 自从我创建原生应用程序以来已经有一段时间了,我一直想再次尝试一下,而这种多模态多功能工具的用例提供了绝佳的机会。 自从我上次尝试制作原生应用程序以来,Flutter 的受欢迎程度有所提高,所以我决定尝试一下,尽管我之前没有使用过 Dart。 此时,样板应用程序的核心逻辑完全包含在 lib/main.dart 中 - 这使得立即开始工作变得特别容易。 我开始提示添加简单的功能 - 相机预览、远程 HTTP 请求以通过 GPT 分析图像,并且应用程序的功能(和代码行)开始迅速增长。
常见的AI应用:语音识别、图像处理、自然语言处理等人工智能(AI)近年来在各个领域取得了飞速进展,尤其是在语音识别、图像处理、自然语言处理等应用中,AI的技术不断推动着这些领域的革新与发展。 以下是三种最为常见且广泛应用的AI技术:语音识别、图像处理与自然语言处理(NLP)。我们将逐一探讨它们的基本概念、应用场景以及具体的例子。 图像处理与计算机视觉图像处理和计算机视觉是AI技术中的两个重要分支,它们的目标是使计算机能够“看”并理解图像、视频等视觉信息。这些技术广泛应用于医疗、自动驾驶、安防监控等领域。 ○ 医疗图像分析:计算机视觉在医学领域应用广泛,尤其是在医学影像的分析和诊断中。AI可以通过分析X光片、CT扫描图像或MRI图像来帮助医生诊断疾病,如肺炎、癌症等。 总结与未来展望语音识别、图像处理、自然语言处理是人工智能领域中最为基础且广泛的应用,它们各自在不同的领域发挥着重要作用。在未来,随着AI技术的进步,这些领域的应用将变得更加精准、智能化。
人们的生活、生产方式都在被 AI 重塑。 过去,如果你想写一篇营销策划,你可能先要阅读冗长的产品材料,把自己手动提炼的要点编辑出来,然后整理成一篇策划案。但如今,这些工作都被一条「/」简化了。 假设我们要开一家奶茶店,但起初,我们并不清楚具体的准备过程。于是,我们新建了一个文档。输入「/」,文档界面弹出「向智能助手提问」的魔法棒。 不过,相比于 Midjouney 等效果更好的文生图 AI 模型,钉钉「魔法棒」的 prompt 可以更简单,结合工作中的高频场景,使用起来也更方便。 应用生成:连拖拉拽都不需要的无代码操作,AI 一键开发小程序 在之前介绍钉钉斜杠「/」的文章中我们提到过,OpenAI ChatGPT、微软 Copilot 掀起的这场生产力革命有一个突出的特点:让原本只有少数人能掌握并自由运用的前沿技术走到了每个人身边 这点在钉钉的「拍照识图搭建应用」功能中体现得非常明显。 假设奶茶店想要创建一个群组成员都可以填的采购表单应用。