Author: mrbear1024
-
推荐一本书：计算思维
这本书被认为是从哲学、科学、教育和跨学科角度全面剖析“计算思维”的代表作之一。 📘 《Computational Thinking》简介 🔍 主要内容概览 第一部分：计算思维的定义与起源 第二部分：计算思维的组成要素 第三部分：跨学科的计算思维 第四部分：对计算思维的批判与反思 💡 本书亮点 📌 适合阅读的理由 📖 推荐阅读方式 阶段 阅读建议 初读 跳读第一章定义与第四章应用，建立整体认知框架 深读 精读第5~9章，对递归、可计算性、自动化深入理解 拓展 阅读后半部分关于批判与未来方向的章节，适合写作或研究引用
-
AI 时代有哪些新的工作机会
AI 的产业结构 1. 基础层（基础设施 & 硬件） 主要提供AI模型开发和部署所需的计算能力和基础设施。 半导体集成电路、芯片研发与生产， 我国目前高端芯片如CPU、GPU上不足， 但中低端芯片产业已经相当的成熟。 云计算厂商会下层提供可扩展的AI计算资源，主要得益于这些厂商过去比较成熟的云计算基础设施的建设。 高质量的数据收集、清洗、人工标注等领域， 有大量的工作岗位，像人工标注等岗位众多， 但工资收入偏低，缺乏技术含量。 工作机会 1. 芯片与硬件研发 这些岗位与AI芯片的设计、制造、优化相关，主要由半导体公司和大型科技企业提供。 • AI芯片架构师（AI Chip Architect） • 负责设计针对AI计算优化的芯片架构，如NPU（神经网络处理单元）、DPU（数据处理单元）。 • 需要深厚的计算机体系结构、硬件加速、并行计算等知识。 • AI加速器开发工程师（AI Accelerator Engineer） • 研究如何优化AI计算在GPU、FPGA、ASIC等硬件上的运行，提高计算性能和能效。 • 高性能计算（HPC）工程师（High Performance Computing Engineer） • 主要优化AI训练和推理任务在超算集群上的调度和运行。 • AI硬件驱动开发工程师（AI Hardware Driver Developer） • 负责为AI芯片开发低层驱动程序，提高硬件的兼容性和性能。 • 芯片生产制造工程师（Semiconductor Manufacturing Engineer）…
-
创业做好产品的两个原则
好产品两个原则： 一个是解决用户的问题， 一个是打动人心。 好产品的第一个原则，就是解决问题，解决用户的痛点；它的第二个原则是打动人心。 找到用户真问题 找到问题， 往比解决问题更难。 需要花很大的精力， 站在用户那里， 切身体用户的处境以及他真正的面对的问题， 是不是这个问题不解决， 他就无法继续工作的痛点。 有的时候用户可以有其他的选择， 他有选择的绕过他的问题。 如果这个过程我们简化了他的流程， 节省了他的时间， 也是可以的。 找到用户的真问题， 必须是真用户直实的痛点， 先去解决它。 即便ui不好看， 交互不方便， 但是真能解决问题。 打动人心。 这一点很重要， 当我们解决了问题。 还要能给用户心理上、情绪上的价值， 让他们觉得我们是真心实意在服务用户，甚至要给用户超预期的感受， 比如海底捞式的服务， 一个人去吃火锅， 为了不让你社恐， 服务人员会帮你调一碗麻酱。 想要打动人心， 必须有超强的洞察力， 用户每天面对场景， 产品开发者必须也同样感同身受， 他在用的时候， 我们也在用， 而且我们能很快察觉到好的解决的办法， 提供用户都不想到但是真的感动的东西， 这也就是啊哈时刻。
-
Genesis：面向机器人及更广阔领域的生成式通用物理引擎
Genesis是一个面向通用机器人学、具身智能（Embodied AI）与物理智能（Physical AI）应用的综合性物理仿真平台。它同时具备多重功能： • 一个自底向上全新构建的通用物理引擎，可模拟多种材料和物理现象。 • 一个轻量级、超高速、Python风格且易于使用的机器人仿真平台。 • 一个强大而快速的真实感渲染系统。 • 一个生成式数据引擎，可将用户输入的自然语言描述转化为多种数据模态。 得益于自底向上重新设计与构建的通用物理引擎，Genesis将各种物理求解器及其耦合整合入统一框架。在此核心物理引擎之上，是一个生成式智能体框架，旨在为机器人等领域实现完全自动化的数据生成。我们的生成式框架目标是自动化生成下列类型的数据： • 物理精确且空间一致的视频 • 摄像机运动与参数设定 • 人类与动物角色的动作数据 • 可部署至真实世界的机器人操作与移动策略 • 完全交互式的3D场景 • 开放世界的可关节物体生成 • 语音音频、人脸动画与情感表达 目前，我们已开源基础物理引擎和仿真平台。生成式框架的访问将于不久的未来分阶段开放。 本网页作为画廊，展示Genesis平台的多种功能。详细的安装步骤、教程与API参考请参阅我们的文档网站。 https://genesis-embodied-ai.github.io