Search Results

下面这个卷积网络，的算力需求大概是多少 Mops , 权重是多少K 个 注意 stride ， pooling 以及 深度可分离卷积 的参数 请直接输出一个表格， 输入是 16000 ， 分析每一层的输出尺寸 根据你提供的配置参数，这是一个典型的 1D 卷积神经网络（常用于音频原始波形处理）。 conv_dim: Tuple[int, ...] = (8, 16, 32, 64, 128, 256, 16) # Progressive increase to 512 conv...

研究人员将 Theory of Space 定义为三个紧密耦合的核心能力： 构建（Construct）：在部分可观测的迷雾中主动迈出脚步，收集局部观察，并在内部表征中拼凑出一张全局一致的「认知地图」。 修正（Revise）：面对动态环境（如物品被悄悄移位），敏锐察觉「旧记忆」与「新证据」的冲突，打破信念的惯性，完成知识的更新（Belief Revision）。 利用（Exploit）：将维护好的认知地图，作为应对复杂下游空间推理任务（如空间导航、视角推演）的最强武器。 本质上...

Test1 git : http://deve.work:33333/colin/mde.git commit : c61827061d6a34cbd2ca2fae62b59fcb780f192e prompt : 在vscode里面打开一个markdown非常慢，每次打开一个文件都要白屏很久 fix commit : 3e64dfab0643fecc583bb1e77467373d7e43854e 答案： Lute 双重加载 (3.8MB) 之前的代码在 <script> 的 onload 回调里才设 id...

神经元 可以被输入激活，激活后可以激活其他的连接的神经元 记忆区神经元 大部分时间是静息状态 逻辑推理神经元 视觉识别、语音识别，皮肤传感器等，人脸识别等等 正向，顺序激活，快速，没有递归 规划神经元 一团细胞，反复递归的激活，循环 区域 短路径，高并行 小脑，视觉识别 大量的边缘分布 记忆的节点 状态区 一堆的能主动激活其他人的细胞组成的临时记忆区，就是意识的本体 大量连接了记忆区的节点，一个连接多个，可以根据当前其他的状态进行动态的选择，从而表示一个临时的状态 比如，...

无所畏惧、没有牵挂、不再害怕 这个可能是人生追求的最终形态 不管是通过和自己和解，还是世界和你和解，最终的目的总是“和解“ 大脑的本能，不能克服的本能，就是根据当前的所有状态，决定下一步的行动。 不管是长期目标，还是短期，不管是一时意气用事，还是缜密决策 因为人是存在自我意识的，“自我“就是你的目标，“人性“只不过是行动的原则。 唯心主义的顶峰就是和“自我“和解 一旦还有没有解决的问题，内心就会产生恐惧 所以，不要想那么多，好好得处理好你的自我需求，实在不行，就换个方式，反正所有人的最高境界其实都一...

“无知要比博学更容易产生自信。”查尔斯·达尔文的这句名言，可以说是对达克效应最精准的概括。 达克效应（Dunning-Kruger Effect）是由心理学家大卫·邓宁（David Dunning）和贾斯汀·克鲁格（Justin Kruger）在1999年提出的一种认知偏差现象。它描述了一个反直觉的残酷现实：在某一领域能力欠缺的人，往往会产生一种虚幻的自我优越感，错误地高估自己的认知水平和能力；而真正的专家，反而常常会低估自己的能力。 Shutterstock 这种现象最直观的体现就是那条著名的认知曲线。初学者在掌...

1. 最底层的“目标函数”：生存与节能 (Survival & Energy Efficiency) 生物脑的一切高级功能都服从于这个终极指令。大脑只占人体重量的 2%，却消耗了 20% 的能量。因此，大脑极其“吝啬”计算资源。 本能体现： 习惯化（把重复动作固化到潜意识以节省算力）、避免认知失调，以及在非必要时倾向于使用“直觉”而非“深度逻辑”。 2. 情绪机制 (The Reward / Loss Function) 在有逻辑之前，大脑先有情绪。情绪是大脑用来快速评估环境并做出反应的全局权重参数。 情绪是一...

一、设计理念与理论基础 1.1 类比：生物脑 vs 计算机 vs LLM 生物脑/人脑的核心组成要素：逻辑能力、长期记忆、短期记忆。 计算能力（ALU）：计算机中是 ALU，LLM 对应为 LLM 本体（语言 ALU）。 寄存器：计算机中是寄存器，LLM 对应为 KV cache。 指令：计算机中是指令集，LLM 对应为模型权重。 内存（短期记忆）：计算机中是 RAM，LLM 缺失（需补充）。 硬盘（长期记忆）：计算机中是磁盘，LLM 缺失（需补充）。 几种记忆/状态存储形态的对比： K...

AI影响下的工程开发流程 引言 AI（特别是大语言模型与代码助手）正在重塑工程开发的底层流程。这种重塑不是简单的"工具升级"，而是对协作单位、职责边界、交付物形态的重新定义。本报告围绕五个核心问题展开：AI 能做什么、人机之间交换什么、各方的责任、流程如何演变、AI 当前的局限。最后给出一个完整的软件工程协作案例。 报告的基本立场：AI 当前最准确的定位不是"替代工程师"，而是头脑风暴伙伴 + 高级程序员 + 知识秘书的复合体。它承担的是认知劳动中可被外包的那一层，把人解放出来去做真正只有人能做的事——定义意图、做...

架构/微架构 设计 标量寄存器和向量寄存器统一，支持自动进行转换 异步单元（SP-PU-L1-DMA）之间都采用异步机制，依赖转移到异步目标 统一的同步机制 静态分配同步资源 原生软硬件支持动态图的执行 LD/ST 避免使用fence功能 Launch：fork 资源初始化（同步资源，各种存储器，状态） launch/signal/wait:join launch pu instrution: write_back_id local_id write_back atomic add/sub w...

AI的效果悖论/骗局 现象 看起来现在的大模型已经无所不能，LLM的语言能力，nano banana的图像，Sora的视频等等 能生成几乎是任意的数字内容，其实在早几年的CV（卷积网络）时代就已经有过一次惊艳了。 但是，这里面有个被人忽略的问题： 人类提供的信息很少 AI模型能够听懂的、接受、接收的信息很少 所以，生成名人的头像、视频是一种看似很难，实际上很简单的事情 因为，AI模型已经有足够的预训练时候存储进去的背景信息，只要人类提供足够小的提示，就能产生足够符合预期的结果 深层次的原因 之所以你能感到惊讶是...

测量线性稳压器的 2nV/√ Hz噪声和 120dB 电源抑制 https://www.analog.com/en/resources/app-notes/an-159.html [an-159.pdf](测量线性稳压器的 2nV_√ Hz噪声和 120dB 电源抑制/an-159.pdf) [AN159_Layout_Files.zip](测量线性稳压器的 2nV_√ Hz噪声和 120dB 电源抑制/AN159_Layout_Files.zip) https://www.analog.com/cn/resour...

锂电池/电动车使用规则 磷酸铁锂，因为不能从电压判断电量，经常充满一次，为了更好得平衡电池，电池间的平衡比满电的损害更小 由于磷酸铁锂的每个电池的自放电、能量回收充电的速度不一样，所以时间一长需要平衡校准 model3三元的官方建议尽量只冲到90%，除非充满了马上用 次次充满的磷酸铁锂的寿命通常比设置充电百分比限制的三元锂寿命更长 相对于满电，空电对电池的损害更大 磷酸铁锂建议使用范围100-30 三元建议80-30 磷酸铁锂正常日常使用 保持电池有一定的电量 >20%，低于40%就可以充电 用电多，一周>10...

注重文档的编写和生成 因为Agent的特性，只能理解上下文内的东西 文档是Agent能快速上手的一个关键的途径 vibe 不要焦虑，你的工作窗口就是对话框+少量的文档diff 不需要去关注所有的文件、代码的实际内容，人不用去看代码、文档，有什么问题就让Agent帮你总结后回答你 需要明确的提示 所有的任务的前后，一定要说清楚关键的输入，和期望的输出，和中间的明确路径 不清楚的地方，可以先讨论，写文档 可以要求Agent和你讨论，一直讨论清楚所有的可能的理解问题 欠缺比较高层次的设计能力...

《一种理想的智能体编排架构》× Harness 12 组件 对照分析 分析对象：Agent/design/一种理想的智能体编排架构.md 对照标准：Agent/design/Agent-Harness解剖.md 中归纳的 12 个生产级 Harness 组件 目的：把"理想架构"的设计意图，逐项映射到 Anthropic/OpenAI/LangChain 共识的工程组件上，找出已覆盖、等价但术语不同、缺失三类位置。 一、覆盖度总览 # Harness 组件 覆盖度 对应文档位置（章节） 一句话判断 ...

基于关键词的知识图：核心思想 本文不涉及任何代码、接口或落地形式，只解释这套知识组织方式背后的思想模型。 一、要解决的问题 人类积累知识的过程不是堆数据，而是给概念起名字、把概念挂到已有的概念体系上、再把零散的资料附在概念上。 主流的"知识库"方案要么是： 关系型 / 文档库：擅长存储事实，但不表达"概念之间的关系"； 向量库 / 嵌入检索：擅长找"看起来相似"的内容，但相似不等于相关，更不等于"是同一个概念"； 传统知识图谱：表达力强，但写入门槛高，且关系类型一旦多起来（"属于 / 派生 / 相似 / 引用 ...

记忆是实现人性化的必要条件 稳定的长期记忆 现有模型的推理能力已经足够强，真正缺的是稳定的长期记忆。 我们需要那么多智能体协作，恰恰是因为一个智能体记不住所有事情。 图数据库 AI 缺的未必是更多上下文，很多时候缺的是上下文之间的关系。 top-K chunks 可以把文档捞出来，但解释不了它们为什么重要、彼此为什么相连。 向量搜索解决的是“像不像”，图更擅长回答“为什么是它”。 GraphRAG 不是替代向量检索，而是让检索命中之后还能顺着关系继续往下走。 当 AI 开始进入权限、历史、...