avatar
机器人跨越“三重门”——具身智能创新者亲历的现实与趋势丨议事厅
机器人跨越“三重门”——具身智能创新者亲历的现实与趋势丨议事厅-可以说数据决定了机器人能力的下限。
#机器人 #具身智能 #创新 #数据 #技术趋势
avatar
蓝点网
5个月前
美国大型传媒公司彭斯克传媒集团向谷歌提起法律诉讼，指控谷歌搜索的 AI 概览功能非法使用其网站内容并导致流量大跌。彭斯克传媒称旗下网站的联盟营收较 2024 年峰值下降 1/3，网站自然流量出现大幅度下滑导致广告收入下滑。查看全文：
#彭斯克传媒 #谷歌 #AI概览 #流量下跌 #广告收入
avatar
Baye
5个月前
Google Play 老想关闭我的开发者账号。我的 Google 开发者账号注册的比 Apple 开发者还早（估计得有十几年了），但至今还未正式发布过一个 App ……
#Google Play #开发者账号 #未发布APP #账号关闭风险 #负面
avatar
金九银十装修季告别选择困难，大金中央空气系统一站式解决方...
#金九银十 #装修季 #大金中央空气 #一站式解决 #选择困难告别
avatar
蓝点网
5个月前
微软在 Windows 11 测试版中带来网络测速功能，只需要点击网络 / Wi-Fi 图标即可测速。让人恼火的是这并不是原生功能，点击后使用 EDGE 浏览器打开必应搜索的网络测试界面，然后使用 SpeedTest 执行测速，要是原生功能那就好了。查看全文：
#Windows 11 #微软 #网络测速 #Edge浏览器 #必应搜索
avatar
DynamicWang
5个月前
我现在面临的是在一场已经进入“深水区”的AIGC著作权争论里，再次被追问一个最基本的问题：谁在创作？谁是作者？哪怕北互的“文生图第一案”已经给出了清晰的司法路径，现实中依然争论不休。作为创作者，我需要把自己的创作事实说清楚，也需要请法院延续并适用那套已被证明可操作的标准。 在文生图第一案里，法院明确确认了两件事：其一，文生图并非天然排除在著作权之外；其二，只要能体现创作者在提示词—参数—迭代选择中的实质性智力投入，就可以认定作品具备“独创性”。判词写得很具体：创作者“输入提示词、设置参数”，在拿到第一张图后“继续增加提示词、修改参数，不断调整修正”，最终获得定稿；这一过程“体现了审美选择和个性判断”。同时，法院强调生成式模型“并不具有自由意志”，创作“本质上仍是利用工具进行创作”，因此投入智力劳动的人而非模型才是作品作者。在类型上，涉案图像被归入“美术作品”，并再次确认“作者应为自然人”。 我的创作过程与文生图第一案同构，并且多出一个关键环节：我在模型训练层面即已投入巨大的独创性劳动。我使用自训练的AWPortrait模型，这本身就是将我多年摄影经验与美学理解转化为数字化规则的过程。从我输入第一个提示词的那一刻起，作品就在一条连续的路径上生长：观察输出、修正语言、微调采样与权重、对比版本、取舍细节……每一步都是我基于审美与经验作出的决定。与第一案相比，我们在文生图的操作路径上一致且多出了使用adetailer的inpainting技术，并为inpainting过程专门设计了针对性的描述词，实现对局部细节的反复修改和精准修补且在模型层投入了额外且更深的创作性劳动。也正因此，我的作品不仅满足第一案认定“独创性”的标准，增加了针对原图的inpainting过程，而且还叠加了“模型训练—风格塑形”的前置创作环节——这应当得到更明确的保护。 如果这样线性的创作路径都不能获得保护，将对行业造成极大的负面影响：一、侵权零成本化，他人可以无限制复制、篡改创作者的作品，完全不需承担法律责任；二、原创动力被摧毁，创作者将不再有动力去深耕模型训练和艺术探索，AIGC生态将沦为“速成抄袭”的温床；三、创新空间被压缩，中小创作者将在平台与大厂的资源挤压下彻底失去表达空间，行业审美和技术发展会被全面拉低。法律的本质应是平衡与保护。如果规则的实际效果是让投入最多劳动的一方付出更多维权成本，却让侵权的一方逃避责任，那么这不仅对个人创作者不公，也会让整个行业陷入逆向淘汰。著作权的本意是承认并保护创造性劳动，理应为每一次真实的创作行为划定边界与秩序。 基于上述，我的结论很朴素也很明确：本案应当依第一案之标准审理与认定——承认文生图在存在实质性智力投入时的作品地位，确认在创作链条中进行选择与判断的自然人为作者；在此基础上，结合我在模型自训练层面的前置投入，进一步确认我的作者身份与作品独创性。只有沿着这条已被验证的司法路径前进，创作者的劳动才会被看见，行业的创新动力才会被保护。
#AIGC著作权 #文生图 #独创性 #模型训练 #法律保护
avatar
国产化自主可控 聚变堆遥操作系统测试平台研制成功
记者今天从中国科学院合肥物质科学研究院获悉，9月15日，大科学装置聚变堆主机关键系统综合研究设施的19个子系统之一——遥操作系统测试平台通过专家组测试与验收。经实验现场测试鉴定，该平台为目前聚变领域综合参数水平国际一流的遥操作系统。
#中国科学院 #合肥物质科学研究院 #聚变堆主机关键系统综合研究设施 #遥操作系统 #国际一流 #科技 #积极
avatar
Geek
5个月前
Maildrop 又一个自托管一次性临时邮箱服务
#Maildrop #自托管 #一次性邮箱 #临时邮箱 #服务
avatar
蓝点网
5个月前
极度精简系统 nano11_25h2.iso 镜像文件发布，基于 Windows 11 删除冗余组件后制作，仅占用 8GB 系统空间。由于太多用户希望开发者 NTDEV_提供镜像而不是自己制作，所以开发者现在上传已经处理好的镜像，有兴趣的用户可以在虚拟机中安装体验。下载地址：
#nano11_25h2.iso #Windows 11 镜像 #精简系统 #NTDEV_ #虚拟机体验
avatar
CRISPR基因编辑动物引争议
随着CRISPR基因编辑技术的不断进步，科学家已将其应用于马、绵羊、猪等动物的遗传改良。
#CRISPR基因编辑 #动物遗传改良 #科技进步
avatar
最近给出海去 AI 知识库又补充了 60+ 小时的内外部分享等视频内容、近 100 篇长文、推特运营至 25 年 8 月的所有推文，目前总共素材 270+ 个，还在进一步增加中，后续计划根据反馈购买一些海外的书籍资料来进一步完善。 👉汇总一下（19 个问题 但每个都很经典 建议收藏）早前内测时大家对这个知识库（加入方式见评论区）提问的最新回答（如图罗列了部分提问）： 评论区一起看看这些回答如何👇
#AI知识库 #出海 #知识库内容更新 #海外书籍资料 #用户反馈
avatar
向阳乔木
5个月前
Nano Banana厉害之处和潜在问题 速度：平均生成时间2-4秒 ，比如部分基准测试生成一张1024px仅2.3秒。 一致性：多次编辑，角色准确率高达95% 竞争表现：LMArena盲测，胜率达到70%，GenEval分数为0.89。 优于Flux Kontext（45%胜率）和DALL-E 3（0.76 GenEval） 效率：用先进的Token压缩技术，将图像数据压缩至约1300个，这是低价（0.04美元一张）高速的原因。 文本渲染：在图像正确渲染文本，行业领先。 提示词保真与编辑： 多步骤提示词表现卓越，能对现有图像编辑且无需遮罩 。场景完整性、光照和构图等异常出色。 ## 潜在问题 可靠性问题：模型有时会无法执行Prompt，而直接返回原图，某些情况下失败率接近50% 。 伪影与质量下降：模型有时会引入一层“轻微的模糊层”，降低图像的清晰度 。 AI生成的常见问题也都有：手部变形等。 尤其当主体物不处于中心位置或背景复杂时，图像质量可能会下降 。 特定弱点：尽管整体真实感出色，但处理精细面部特征时，与Qwen等竞对比，稍显逊色 。
#nano banana #图像生成 #AI模型 #潜在问题 #速度快
avatar
Cell 细胞
5个月前
所以，看空 高德扫街榜 的一个原因： 不够去中心化，不中立， 除非他把算法开源，数据开源
#高德扫街榜 #中心化 #算法开源 #数据开源 #负面
avatar
dontbesilent
5个月前
谁能想到抖音 400 万播放是 AI 课的同学的案例😂 ​ 昨天跟我说 AI 对话的提示词改过之后，抖音已经保底一万播放量了 今天直接干出来一个 423 万播放，现在还在涨
#抖音 #AI课程 #400万播放 #案例 #积极
avatar
Austin
5个月前
一定要警惕这些“独立开发者的 MCN 机构”，这几年独立开发的概念一直很火，推特上也出现了一些所谓的“孵化”机构。但是打铁还需自身硬，如果自身没做出来什么成绩，还总是想着搞噱头从独立开发身上抽血，你怎么好意思的。折腾2 年了，也没有水花，我建议直接解散。
#独立开发者 #MCN机构 #警惕 #负面评价 #自身实力
avatar
Austin
5个月前
我的推特时间线可能是废了，前几年上推特的时候，都是一些技术文章，还有各种前沿的科技资讯。比如又有什么什么 AI 发布了，大家都在晒自己注册了，使用了。现在充满了各种网络争论和虚假小段子，有资讯但都是同质化比较严重的 各类AI 测评。
#推特 #AI测评 #网络争论 #信息同质化 #技术资讯
avatar
背包健客
5个月前
张朝阳4点多钟到公司，每天只睡四个小时也不困。🥱
#张朝阳 #工作狂 #睡眠不足 #精力充沛 #效率高
avatar
向阳乔木
5个月前
朋友解读了一篇Anthropic 今年三月研究AI内部推理机制的论文，太有意思了。 1. 之前以为AI遇到不会的问题就会产生幻觉，其实默认状态是“我不知道”，只有被某些信号误导，才会产生。 2. AI会长远规划，比如写诗不是碰押韵，会提前规划好结尾的韵脚。 3. AI做数学题时会同时用近似估算和精确计算两条路，最后综合给答案。 4. AI解释自己的推理过程，往往正确，但输出时会为了让人满意进行“表演”。 AI+人解读的原文：
#AI推理机制 #Anthropic研究 #AI规划能力 #AI数学解题 #AI表演
avatar
sitin
5个月前
出海调研工具这块，除了 similarweb、ahrefs 这种付费的，免费好用我自己常用的三款：AITDK、SEOquake、Wappalyzer。
#出海调研 #工具 #AITDK #SEOquake #Wappalyzer
avatar
汉松
5个月前
从零实现 vLLM 的第三篇文章，我们来了解如何加速 Attention 计算，学习 FlashAttention 的原理。 要理解 FlashAttention 的巧妙，我们必须先理解传统注意力机制的“笨拙”之处。 匹配度计算（QK）：你（Query）拿着一个“科幻小说”的主题清单，去比对图书馆里成千上万本书的标签（Key），得出一个巨大的“匹配度”分数表。 权重分配（Softmax）：你将这张分数表转化为百分比，告诉你应该投入多少“注意力”到每一本书上。 内容加权（AV）：最后，你根据这些百分比，将所有书的内容摘要（Value）融合，得到一份为你量身定制的、关于“科幻小说”的综合信息。 这个流程在理论上无懈可击，但在实际的硬件执行中，却隐藏着一个致命的性能瓶颈。 想象一下GPU的内存结构：它有一小块速度飞快的“片上内存”（SRAM），就像你手边的工作台；也有一大块容量巨大但速度较慢的“全局内存”（DRAM/HBM），如同一个需要长途跋涉才能到达的中央仓库。 传统的注意力计算，就像一个效率极低的工匠。他在工作台（SRAM）上完成第一步，计算出那张巨大的“匹配度”分数表后，并不直接进行下一步。相反，他必须先把这张巨大的、还只是“半成品”的表，辛辛苦苦地运送到遥远的中央仓库（DRAM）存放。接着，为了进行第二步Softmax计算，他又得从仓库把这张表取回来。计算完成后，得到的“注意力权重”表，又是一个半成品，他再次将其送回遥远的仓库。最后，为了完成第三步，他需要同时取回“权重”表和所有书籍的“内容”，才能在工作台上完成最终的融合。 这个过程中，真正的计算（点积、Softmax）或许耗时并不长，但来回搬运这些巨大中间产物（匹配度矩阵和注意力矩阵）的时间，却成了无法忍受的开销。 这就是I/O瓶颈——当序列长度N增加时，这些中间矩阵的大小会以 N 平方 的速度急剧膨胀，频繁的读写操作会让GPU的大部分时间都浪费在等待数据上，而非真正的计算。 FlashAttention的革命：合并工序，一步到位 FlashAttention的作者们洞察到了问题的本质：我们需要的只是最终的结果O，中间过程的矩阵其实根本不必“留档”。 于是，他们进行了一场工作流程的革命。他们没有发明新的工具或公式，而是彻底改造了生产线，将三个独立的工序融合成一个在高速工作台（SRAM）上一气呵成的“超级工序”。 这场革命的核心武器有两个：分块（Tiling） 与 在线Softmax（Online Softmax）。 1. 分块处理： FlashAttention不再试图一次性处理所有书籍（整个K和V矩阵）。而是像一位聪明的工匠，把任务分解。他每次只从仓库中取一小批书的标签（K块）和内容（V块）到他的工作台上。 2. 在线Softmax的魔法： 这是整个流程中最精妙的部分。传统的Softmax需要“总览全局”才能计算，这也是为什么它难以被分块的原因。但FlashAttention通过一种巧妙的递推算法，实现了“在线”更新。 想象一下，工匠在处理完第一批书后，会得到一个临时的、局部的结果，并记录下两个关键的“全局统计数据”：到目前为止见过的最高匹配分（m）和当前结果的归一化因子（d'）。当第二批书的数据被取到工作台上时，他不需要回头看第一批书的细节。他只需利用新一批书的数据和之前存下的那两个“全局统计数据”，就能计算出一个更新后的、融合了前两批书信息的新结果，并再次更新这两个统计数据。 这个过程不断重复，每一批新的K/V数据块都被加载到高速SRAM中，与Q进行计算，然后用来迭代更新最终的输出O以及那几个关键的统计量。自始至终，那张庞大的、完整的注意力分数矩阵从未在任何地方被完整地构建出来。 它就像一个在计算过程中短暂存在的“幽灵”，用完即逝，从而彻底消除了对慢速全局内存的读写瓶颈。 FlashAttention的成功，给我们带来了远超于算法本身的启示。它证明了，在AI的“摩天大楼”越建越高的今天，地基：计算机体系结构，它的重要性从未改变。 它的巧妙之处，不在于发明了更复杂的数学公式来拟合数据，而在于深刻理解了硬件的工作原理，并用最经典、最基础的计算优化思想：减少内存访问，去解决一个看似前沿的AI问题。 一个为 Attention 计算带来极大加速的技术，其内核只不过是一场计算机体系结构的大师级实践课。它证明了，最深刻的优化往往不是发明新事物，而是熟练掌握最基本原则，并应用于新的硬件之上。 山川地貌会变，但万有引力定律亘古不变。 对技术细节感兴趣的可以阅读公众号的原文，算法公式比较抽象，我画了很多图来辅助理解，链接在回复中。
#FlashAttention #Attention计算加速 #GPU内存优化 #AI算法优化 #计算机体系结构
avatar
世界第一独立开发者现在也不展示自己的MRR/ARR，因为这真的不是一个非常安全的行为。
#独立开发者 #MRR/ARR #信息安全 #商业策略 #谨慎
avatar
Geek
5个月前
Baseline更新了，新增了预设样式市场，其中的 Notion 主题样式太爱了。可以说 Baseline 是我近几年使用过的最出色的 Obsidian 主题，没有之一。
#Baseline #Obsidian主题 #Notion主题样式 #预设样式市场 #积极
avatar
独立开发前线周刊第13期：乐观的人更容易成功 👉
#独立开发 #前线周刊 #乐观 #成功 #积极
avatar
回归20年前传统营销方式，设了个landing page做订阅墙，用独家短篇小说做诱 很多年前积累了几千邮件列表，因英文写作不地道放弃运营，早有LLM的话就没这个问题了
#传统营销 #订阅墙 #短篇小说 #邮件列表 #LLM
avatar
Tw93
5个月前
发现 Mac 上一个有用的小技巧 caffeinate☕️，给电脑喝点咖啡，保持清醒，不会睡眠。有时候你需要长时间更新东西或下载东西，担心电脑会息屏或者休眠，可以试试这个命令。 caffeinate -d 防止显示器关闭，caffeinate -i 保持系统不休眠，caffeinate -t 1800 保持 30 分钟，很简单很易用。
#Mac #caffeinate命令 #防止休眠 #实用技巧 #电脑