实现人工智能的一个途径,即以机器学习为手段解决人工智能中的问题
本文是《AI工程师踩坑实录》系列第 8 篇。检索没命中,模型不说不知道,直接编一个像模像样的答案——比答错更危险,因为它看起来是对的。这一篇用一个本地小模型在本...
语音转写解决「说了什么」,说话人分离(diarization)解决「谁说的」。会议纪要、访谈整理、客服质检这三类场景里,后者才是决定稿子能不能直接用的那一步——...
本文是《AI工程师踩坑实录》系列第 4 篇。训练跑得好好的,几百步之后 loss 突然变 NaN,重启之后换个位置再崩一次。这一篇用真机复现两个经典 NaN 现...
把一本英文手册翻译成中文后「还能照着操作」,和翻译成「一堆流了序的段落」,用户体验是两个世界。整本翻译的可用性大头其实在版面工程上。这篇拆一下保排版翻译在三个关...
现在不少论文阅读和文献问答工具,用起来很像在跟一个“读过很多论文的助手”聊天:你问一个问题,它给出一段解释,有时还能标出出处。这容易让人以为,大模型已经把整个文...
本文是《AI工程师踩坑实录》系列第 2 篇,接上一篇的三个 CUDA 数字,讲遇到 is_available 返回 False 时怎么把断点定位出来,而不是瞎重...
本文是《滚动轴承故障诊断》系列的第 9 篇,也是收官篇(论文与答辩)。 系列完整目录见文末【专栏导航】。本篇配套的论文框架模板、实验对比表,关注并私信公众号获取...
画 RAG 方法图时,草稿上可能只有三个词:查询、检索、文档。真要放进论文,就得找三个风格接近、缩小后也能认出来的符号。开源项目 ML Paper Icons ...
团队做大模型应用,最常被问到的问题之一是:到底要不要微调?有人一上来就想拿业务数据把模型“训一遍”,也有人觉得写好提示词就够了。这篇文章把微调到底在做什么、和 ...
本文是《滚动轴承故障诊断》系列的第 8 篇(可视化界面)。 系列完整目录见文末【专栏导航】。本篇的可运行界面脚本(gui_app.py)与内置预训练模型,见公众...
本文是《滚动轴承故障诊断》系列的第 7 篇(训练与评估)。 系列完整目录见文末【专栏导航】。本篇的训练脚本、评估脚本与一键出图,见同名公众号。
先说个可能有点反直觉的判断:MIT 这项研究,短期内在云上没什么直接用处,但它指向的方向,可能会改变模型运维的成本结构。 顺便说一句,这篇文章的配图是我用 AI...
本文是《滚动轴承故障诊断》系列的第 6 篇,也是全系列最有含金量的一篇(算法核心)。 系列完整目录见文末【专栏导航】。本篇讲解的两个模型结构代码见公众号。
本文是《滚动轴承故障诊断》系列的第 5 篇(随机森林)。 系列完整目录见文末【专栏导航】。本篇配套的可运行脚本与报错速查见公众号。
本文是《滚动轴承故障诊断》系列的第 4 篇(数据预处理)。 系列完整目录见文末【专栏导航】。本篇讲解的 data_load 核心逻辑,配套的完整可运行脚本与报错...
预测也不只面向未来。在机器学习里,根据特征估计尚未知道的类别或数值,也常叫预测。面向未来时间的预测,通常称 forecasting。
机器学习中,inference 常译为“推理”,指使用训练好的模型计算输出。图片分类、生成下一段文字,都可以属于这种模型推理。
从身体感知层的“具身缺席”延伸至人类生存最基础的“时间维度”,2026年10月的时间社会学与批判技术哲学界正面临一场比肉身丧失更隐蔽、比责任悬置更普遍的“时间异...