#数据驱动

人民网-人民网

1周前

数智化赋能制造业转型提速增效

走进安徽马鞍山市某汽车零部件生产企业加工、装配车间，一排排显示屏上，生产数据实时跳动，管理人员通过中控平台便可掌握生产进度，统筹生产安排。相关负责人表示，在工业互联网平台精准的数据支持下，企业生产效率

#科技创新与传统产业的激烈碰撞，城市动能如何重塑未来· 95 条信息

#安徽马鞍山 #汽车零部件 #工业互联网 #生产效率提升 #数据驱动

毅行出海 Sven

2周前

🚀 AI时代，普通人要想弯道超车，必须掌握这三大核心能力：1️⃣AI对话(prompt)、2️⃣AI搜索、3️⃣AI数据分析能力这是我花了几天时间，认真研究总结出来的AI时代必须掌握的三大核心能力，请点个赞+收藏起来，下面请听我详细拆解： 1️⃣ AI对话能力（Prompt Engineering） Prompt不是玄学，而是AI时代的“沟通能力”。你能用什么样的语言和AI对话，直接决定了你能不能让AI成为你的生产力助理。 🔑 我的建议：学会把问题拆开、描述清楚、补充约束条件学会多轮优化、给AI反馈学会用结构化语言描述，比如列表、表格、角色扮演一句“帮我写一个文案”≠“帮我写一个转化率高的电商广告文案，目标用户是30岁女性，语气要温柔体贴，字数控制在100字以内”。这个差距就是你的产出差距。 2️⃣ AI搜索能力（AI Search） Google搜索已经不够用了，AI搜索才是未来。传统搜索是你去翻网页、找答案；AI搜索是AI帮你总结、比对、引用。 🔑 用AI搜索可以：快速汇总多篇资料，省掉人工比对生成带引用的回答，直接写入报告甚至生成PPT、表格、计划书我的经验：AI搜索不是替代搜索，而是把搜索直接升级成“半成品输出”，让你节省大量时间。 3️⃣ AI数据分析能力（核心能力，重点！）未来最稀缺的能力，是能把数据变成结论的能力。 AI帮你写代码很容易，帮你搜答案也很容易，但把数据收集→清洗→分析→产出洞察，才是AI真正创造价值的地方。举几个简单的例子： 1）市场运营：抓取竞品的价格和用户评论，做情感分析，发现用户痛点 2）内容创作者：爬取热门话题视频的评论，找观众共鸣点，优化脚本 3）独立开发者：自动收集用户反馈，统计需求占比，决定下一步迭代这就需要工具，而不是每天自己手动复制粘贴。我最近在用一款神器：BrowserAct，堪称AI时代的“数据瑞士军刀”！！这是一款AI驱动的网页数据爬取和自动化工具，我认为它是普通人掌握AI数据分析能力的最佳入门工具。 🔑 核心亮点： 1）AI Workflow 构建模式：拖拽节点即可搭建精准的网页自动化流程，比AI Agent更稳，比传统RPA更智能，0代码，0幻觉，成本降低90%。 2）支持全球住宅IP和防人机校验，轻松突破登录限制。 3）自动移除广告和干扰元素，数据更干净、抓取更稳定。 4）支持API输出，直接集成到Make、n8n、Zapier等自动化工具，打造无缝业务流程。 🛠 使用场景：采集电商平台的价格和用户评论，做竞品分析批量抓取YouTube视频评论，做受众研究自动化填表、模拟点击，批量执行重复性任务和n8n/Make集成，实现数据→分析→通知的全自动闭环 💡 这意味着：你不需要写代码、不需要自己维护服务器，数据采集任务可以24/7在云端自动跑，让你专注于分析和决策。 🌟 为什么推荐BrowserAct？因为它解决了AI数据分析里最痛苦的环节： 1）不用懂技术就能搭建精准爬虫 2）数据稳定、干净、不中断 3）能和你的自动化工作流无缝集成对于运营、市场、独立开发者来说，这就是提升10倍效率的“秘密武器”。 AI时代最重要的如何把AI接入你的生产流程。学好Prompt只是起点，能收集和分析数据、把数据变成洞察、再驱动行动，才是你在AI时代的核心竞争力。 👉 你觉得呢？推荐去试试 BrowserAct，亲手搭建一个AI数据采集任务，体验一下“让数据自己流进来”的感觉。网址见评论区，每天免费送500积分，够自己做好多事情了。并且有大量的模板可以使用（见图）。大家认可AI时代这三大核心能力吗？欢迎留言探讨。 #AI数据分析 #AI搜索 #AI数据抓取

#AI时代 #AI数据分析 #BrowserAct #效率提升 #数据驱动

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2周前

LLM演进的核心趋势：从数据驱动转向“思考驱动”。从单纯的raw data的pretraining的量，转为post training的高质量的thinking轨迹或agentic交互行为轨迹数据的可抽象层。

#LLM演进 #思考驱动 #数据驱动 #pretraining #agentic交互

🦊 祥仔Leo | 行走的Meta Prompt

1个月前

深入解构一下 AK 这条推文 ### 表面意图 Karpathy 描述了一个将教科书从“人类可读”转化为“LLM 可读”的过程：提取文本到 markdown、将 worked problems 转为 SFT（监督微调）示例、practice problems 转为 RL（强化学习）环境、并通过合成数据扩展（如时钟角度问题的无限生成器）。他强调这比简单 pdf-to-text 更丰富，并给出示例代码生成无限变体问题。他的意图似乎是分享一个具体想法，突出教育内容的“LLMification”潜力，旨在让 LLM 像人类学生一样“上”物理课，但以更优化的方式。思想上，他指出当前实践（如 token-by-token 预测）“lame”（低效），而他的方法提供“legible, workable information”。内涵初步显现为优化 AI 训练数据的实用建议，传递的信息是呼吁探索这个“beautiful space”，以释放知识转化的潜力。 ### 隐含动机与系统性转变 Karpathy 作为 OpenAI 创始成员和 Tesla AI 前总监，他长期致力于大规模神经网络训练，现在在 Eureka Labs AI 构建教育相关 AI。他的痴迷（“obsessed”）不是随意，而是源于对 AI 学习范式的批判：人类知识（如教科书）是“human-first”，导致 AI 训练低效。他提出的“LLM-first”转化不是孤立工具，而是系统性重构——从 exposition 的结构化，到 SFT/RL 的整合，再到合成数据（如 Python 代码生成无限时钟变体）的无限扩展，甚至嵌入 RAG 数据库。这反映他思考的深度：AI 不应模仿人类学习，而应超越，通过“infinite problem generator”实现超人类规模的泛化。意图更接近于推动范式转变，从被动消费知识到主动生成与索引。思想内涵深化为知识表示的哲学：人类知识是静态、有限的，而 LLM 需要动态、可扩展的“环境”来实现真正智能。传递的信息隐含呼吁构建基础设施（如 MCP servers），以桥接人类遗产与 AI 未来，潜在外延扩展到传感器/执行器等领域，暗示整个世界需“LLM-legible”化。 ### 本质核心与存在性洞见 Karpathy 视人类知识为一种“传感器”——输入形式决定了输出能力，而当前形式对 AI 是“噪声”。他的“LLMification”本质上是重塑知识的本体论，从人类中心（exposition 为叙事，problems 为练习）转向 AI 中心（一切为数据流：SFT 为对齐，RL 为交互，合成为无限自举）。时钟示例不是随意，而是象征：一个简单问题可通过代码“无限化”，揭示 AI 学习的本质是自生成而非复制。这接近他的思考根源——受斯坦福 CS231n 和深度学习训练启发，他相信规模化数据是智能的钥匙，但需“非琐碎转化”（human-in-loop），避免低效如 pdf-to-text。他的意图是激发存在性反思：如果知识可无限生成，AI 将重定义“学习”，超越人类有限经验。思想最深层是元认知：教育不是传输事实，而是构建“环境”让系统自进化。内涵浓缩为 AI 自治的预言——LLM 不只是工具，而是“学生”演变为“教师”，通过这种转化实现知识的永动。 ### 思考与传递信息核心内涵本质上是知识存在的重塑：人类知识并非终点，而是原料，需要“LLM-legible”转化以释放其潜能。这不是技术细节，而是本体转变——从静态叙述到动态数据流，SFT/RL/合成代表 AI 智能的“三位一体”：对齐、交互、无限自举。时钟生成器象征这一本质：一个有限问题可代码化为无限，揭示学习的核心是生成而非记忆，AI 通过此超越人类局限。外延则辐射到存在边界：不止教科书，而是所有“human-first”输入（如传感器数据、执行器接口），预示一个“LLM-first”世界，其中知识不再为人设计，而是为机器优化，潜在重构教育、科学乃至现实感知（如 Tesla 的 AI 视觉）。这外延无限，因为任何可公式化的事物（如物理定律）均可“无限生成”，导致 AI 知识的指数爆炸。 Karpathy 的思考根植于他的 AI 历程：从 OpenAI 的基础模型到 Tesla 的实际应用，他看到训练瓶颈在于数据形式，而非量。他的思维是元级的——痴迷于“transformation”，因为他视人类知识为“低维投影”，需提升到 AI 的“高维空间”。他不是在描述工具，而是在哲学化：如果我们不转化，AI 仍困于“lame”模仿；转化后，AI 将自生成智能，接近 AGI 的本质。他想传递的信息是最深刻的警醒与召唤：这个“beautiful space”不是机会，而是必然——人类必须主动“LLMify”世界，否则知识将滞后于 AI 进化。信息量浓缩为存在性紧迫：通过 human-in-loop 的非琐碎努力，桥接人类遗产与 AI 自治，催生一个知识永动的宇宙，越过人类中心主义，拥抱机器智能的无限。

#LLM-first #AI教育 #知识重塑 #数据驱动 #范式转变

1个月前

策引最近上线了AI大模型多因子策略，简单说是让大模型根据大量多维度的数据做决策并维护策引最近上线了AI大模型多因子策略，简单说就是让大模型根据大量多维度的数据做决策并维护一个模拟组合，你可以关注下面这几个组合👇

#AI大模型 #多因子策略 #策引 #模拟组合 #数据驱动

1个月前

MyStonks近期动态（数据和文本通过deppseek获取）全面了解Mystonks的动态和进展！

#MyStonks #近期动态 #进展 #数据驱动 #DeppSeek

2个月前

所有交易所的数据全部是屏蔽的，你看不到。但是Hy的数据都是透明的，用数据讲事，别Jb整体意淫。谁在做空，谁在做多，一目了然。

币圈：山寨币盼涨，机构牛再现？· 4426 条信息

#交易所数据屏蔽 #Hy数据透明 #做空做多 #数据驱动 #信息透明度

ariel reyez romero

2个月前

如何分析AI生物制药领域公司的竞争优势？这里是我研究的核心要点总结： 1. 核心驱动力：“闭环”飞轮效应是真正的护城河在AI驱动的生物制药赛道中，真正的护城河并非仅仅拥有先进的AI算法，而是建立一个高效、快速迭代的“闭环”飞轮。这个飞轮的具体运作模式是：AI模型（干实验室/Dry Lab）进行预测，例如识别新的药物靶点或设计新的分子；然后，自动化机器人（湿实验室/Wet Lab）快速进行生物实验以验证这些预测；实验产生的高质量、独家的（Proprietary）数据被立即反馈给AI模型，用于下一轮的训练和优化。这个“设计-制造-测试-学习”（DMTA）的循环速度和规模，决定了公司的核心竞争力。像Recursion每周能进行超过200万次自动化实验，其数据飞轮转速极快，使其能够以前所未有的速度绘制“生物学地图”。这种模式下，数据优势增强了模型能力，而更强的模型能指导公司进行更精准的实验，从而获得更优质的数据，形成一个不断自我加强、竞争对手难以逾越的壁垒。 2. AI原生生物科技（AI-Native Biotech）：“速度与平台”的双重革命以Recursion、Exscientia和Insilico Medicine为代表的AI原生公司是这场革命的先锋。它们的共同特点是，从零开始就将AI和自动化实验深度整合，构建了端到端的药物发现平台。Recursion的“Recursion OS”通过对细胞进行大规模扰动和表型成像，建立了一个庞大的、可用于导航的生物学地图，其核心是规模化的数据生成能力。Exscientia则强调“以患者为先”，利用源于真实患者组织的多组学数据来指导AI模型，使其预测更具临床相关性，并已成功将多个AI设计的候选药物推入临床。Insilico Medicine则以其Pharma. AI平台闻名，该平台包括用于靶点发现的PandaOmics和用于分子设计的Chemistry42，并以惊人的速度将其首个AI发现和设计的药物从概念阶段推进到临床II期。这些公司不仅通过技术平台吸引了与大型药企数十亿美元的合作，也同时在建立自己的内部药物管线，展示了“平台即产品”的强大商业模式。 3. 传统大型药企（Big Pharma）的觉醒：“数据金矿”与“生态系统”的构建传统大型药企如赛诺菲（Sanofi）已经意识到，它们最大的资产之一是沉睡了几十年的海量专有临床前和临床数据。它们的策略是“双管齐下”：一方面，大规模投资内部AI平台，如赛诺菲的plai，旨在打通从研发到生产、商业化的所有数据孤岛，赋能内部科学家；另一方面，它们不再仅仅是技术购买方，而是与顶尖AI公司（如与Exscientia合作）甚至科技巨头（如与OpenAI合作）建立深度战略合作，用自己高质量的专有数据来“精调”（Fine-tune）最前沿的AI大模型。这种策略的优势在于，它们拥有验证AI预测结果的完整后端能力——从临床前开发到全球临床试验再到市场准入。大型药企的飞轮在于其数据的广度和深度，以及将AI模型洞见转化为上市药物的强大能力，这是初创公司在短期内无法比拟的。 4. 技术平台公司（Tech Platform）的降维打击：从“卖铲子”到“共同掘金” 这一类别的公司以薛定谔（Schrödinger）和Isomorphic Labs (Google DeepMind)为代表。薛定谔的独特之处在于其基于物理学的计算平台与机器学习的深度融合。它开创了一种混合商业模式：既通过向全球药企销售其业界领先的模拟软件来获得稳定、高利润的现金流（“卖铲子”），又利用这个平台进行内部药物研发和与大药企（如BMS）的高价值合作（“共同掘金”），分享后期收益。这种模式风险较低，且能通过广泛的客户使用和合作项目不断验证和改进其平台。而Isomorphic Labs则代表了另一种力量，它继承了Google DeepMind在AlphaFold上的突破性成就，试图用最纯粹的“AI优先”或“数字生物学”方法重新定义整个药物发现过程。它不依赖于自己的湿实验室，而是相信其强大的预测和生成模型本身就构成了核心价值，通过与大型药企（如礼来、诺华）建立价值数十亿美元的里程碑式合作，来验证其“数字孪生”驱动的研发模式。 5. 数据护城河的两种主要形态：规模化工业数据 vs. 精准化人类数据在AI制药领域，数据是核心资产，但其形态和获取方式决定了护城河的类型。第一种是“规模化工业数据”，以Recursion为典范。通过在实验室中对标准化细胞模型进行数百万次可控的实验扰动（如基因编辑、化合物处理），生成海量、统一、高质量的图像和组学数据。这种数据的优势在于其规模和一致性，适合训练能够理解复杂生物学通路的底层模型。第二种是“精准化人类数据”，以Exscientia和Verge Genomics等公司为代表。它们专注于获取与特定疾病直接相关的真实人类生物样本（如肿瘤活检、神经退行性疾病的脑组织），并进行深度多组学分析。这种数据的优势在于其极高的临床相关性，能够帮助AI模型更准确地识别与人类疾病真正相关的靶点和生物标志物。这两种数据策略各有千秋，未来最强大的公司可能会是能将两者有效结合的企业。 6. 商业模式的演进：从单一服务到“合作+自有管线”的双轮驱动早期AI制药公司多以提供技术服务或点状合作为主，但现在赛道领先者已经普遍进化为“合作+自有管线”的双轮驱动模式。这种模式的好处是多方面的：首先，通过与大型药企的高价值合作，不仅可以获得大量非稀释性的资金来支持平台发展，还能借助合作伙伴的专业知识和资源来验证其平台的技术价值和商业潜力，这本身就是一种强有力的背书。其次，建立内部药物管线，尤其是将候选药物推进到临床阶段，是证明其平台能够独立创造最终产品（药物）的终极证据。这不仅能带来未来更高的潜在回报（如果药物成功上市），也极大提升了公司在合作谈判中的议价能力和整体估值。Insilico Medicine拥有超过30个内部管线项目，其中多个已进入临床，充分展示了这种策略的执行力。 7. 行业面临的共同挑战：从数据孤岛到“可解释性AI” 尽管前景光明，但整个行业仍面临严峻挑战。首先是“数据挑战”，包括数据孤岛（数据分散在不同部门、格式不一）、数据质量参差不齐，以及公开数据与能用于训练强大模型的专有数据之间的巨大鸿沟。其次是“模型挑战”，特别是“黑箱问题”。AI模型，尤其是深度学习模型，其决策过程往往不透明，这在受到严格监管、人命关天的制药行业中是重大障碍。因此，“可解释性AI”（XAI）的发展至关重要，科学家和监管机构需要理解模型做出某个预测的生物学依据，才能真正信任并采纳其结果。最后是“验证挑战”，一个AI预测出的新靶点或新分子，最终仍需通过耗时且昂贵的真实世界实验和临床试验来验证，这个“从虚拟到现实”的转化瓶颈依然存在，是衡量一个AI制药公司成熟度的关键指标。 8. 未来趋势展望：生成式AI与多模态数据的融合展望未来，两个关键趋势将主导AI制药的发展。第一是“生成式AI的深化应用”。继AlphaFold在蛋白质结构预测领域取得突破后，生成式AI正被广泛用于从头设计全新的蛋白质、抗体和具有理想特性的小分子药物，这远比在现有化学库中进行筛选更具想象空间。这意味着AI的角色正在从“发现者”转变为“创造者”。第二是“多模态数据的融合”。未来的AI模型将不再仅仅依赖于基因组或蛋白质组数据，而是能够同时理解和整合来自不同维度的数据类型，如基因组学、转录组学、蛋白质组学、细胞成像数据、电子病历（EHR）和数字病理学图像等。通过构建一个更全面的疾病数字孪生模型，AI将能更精准地进行个性化治疗方案推荐、预测药物反应和临床试验结果，真正将精准医疗推向一个新的高度。

#AI生物制药 #闭环飞轮效应 #数据驱动 #AI原生生物科技 #合作+自有管线

红网-今日郴州

3个月前

芙蓉国评论丨以数据之力铸“三农”发展之基

#数据驱动 #三农发展 #基础建设

4个月前

昨天读的论文是关于ai驱动的全自动科研今天的论文是关于ai的全自动量化算法开发微软亚洲研究院的最新论文提出了一种全新的“数据驱动、多智能体协同”的量化研究与开发（R&D）自动化框架 RD-Agent(Q)，实现了量化金融因子和模型的端到端联合优化。以下是论文主要内容的中文解读：🧵

#AI自动化 #科研自动化 #量化算法 #多智能体协同 #数据驱动 #微软亚洲研究院 #量化金融 #量化研究 #模型优化