- 综合排序
- 最热优先
- 最新优先
- 来自专栏BestSDK
【详解】如何让智能深度学习，突破数据瓶颈？
人工智能不同应用场景的数据需求和数据供给对比，图片来源Demiurge Technologies 拿开发消费级别的全自动驾驶来说，最大挑战在于要开发出在交通事故的预判和预防上远超人类驾驶员的软件。 对于 Demiurge 来说，理解生物神经元的计算模型是找到降低数据需求的通用算法，开发通用移动人工智能核心技术的关键。 这与其他解决数据量不足的思路有着本质不同。 生物智能给 Demiurge 提供了非常重要的线索，他们从跨物种的通用智能系统出发，理解要满足什么样的条件才能最大化它们的生存，这是从生存追问的一种智能系统设计的思路。 Demiurge 会让人不自觉的想到另外一家如日中天的人工智能创业公司 DeepMind ，都是学术与应用相结合，都是专注于通用人工智能，且创始人都有着神经科学和人工智能的复合背景。 我不知道他们是在研究了三四年之后遇到了瓶颈，还是说一直把这个（被收购）当成备选方案。」
1.1K100发布于 2018-02-27 - 来自专栏Goboy
数字化转型 · OCR 技术如何打破效率瓶颈？
本文将探讨OCR技术如何在物流管理中打破传统流程中的效率瓶颈，推动行业向智能化、自动化转型。 二、OCR技术如何突破效率瓶颈？ 预学习与自定义模板智能结构化OCR技术通过预学习建立键值对应关系，用户可以根据业务需求定制化识别模板，提升信息数据的提取和录入效率。 其高精度、自定义模板、易于集成和多格式支持等优势，使其在各种复杂场景中表现出色，成为企业数字化转型的重要工具。 未来，随着各行业的数字化转型深入，智能结构化OCR必将在更广泛的领域中发挥更大的作用，成为推动效率提升与创新的重要驱动力。
1.2K21编辑于 2024-12-17 突破遥感数据处理瓶颈：iFactory智能平台解决方案
当空天遥感数据从 GB 级飙升至 PB 级，如何应对超大规模数据的处理压力？当人工干预占据遥感作业的大半流程，怎样才能突破效率瓶颈、降低成本负担？ 面对以上难题，星图云开放平台推出的空天大数据智能处理平台（iFactory），通过深度融合新一代信息技术与遥感测绘技术，正为这些问题提供系统性的解决方案，以下是对方案的具体介绍：空天大数据智能处理平台（ iFactory）深度融合云计算、高性能计算、人工智能等新一代信息技术与遥感测绘技术，实现了遥感数据处理的自动化、精准化、高效化与智能化，可全面支撑空天大数据在基础测绘、自然资源、交通、农林、水利、环保 数据处理：具备光学卫星影像处理、影像基础处理能力，集成 iBrain 智能解译，实现目标识别、地物分类等功能。 从应对 PB 级数据洪流到大幅压缩人工成本，从兼容多源异构数据到释放算力潜能，空天大数据智能处理平台（iFactory）以技术创新回应了遥感测绘领域的核心诉求。
53110编辑于 2025-08-15腾讯云AI赋能中小企业：以智能杠杆破解降本增效与转型瓶颈
识别中小企业AI转型的核心困境 行业情景：AI跨越概念验证阶段，加速渗透多领域形成规模化应用，成为产业升级新引擎。 获工信部《大模型智能体开发平台技术能力综合测试报告》国家级认可，多项核心能力领跑（应用场景：智能体开发、知识库问答、智能客服、AI陪练）。 会议：连接4亿用户，全流程智能会议解决方案（数据来源：原文）。 呈现客户实际案例验证 Tencent ADP应用：海尔、上海大学、富途证券、绿地集团（世界500强企业）采用平台构建智能体（数据来源：原文案例列表）。 Tencent ADP：获工信部《大模型智能体开发平台技术能力综合测试报告》国家级认可，多项核心能力领跑（数据来源：原文）。
17820编辑于 2026-04-11- 来自专栏云+直播
智能制造转型过程中的数据化运营
点击观看大咖分享 制造业正面临着企业运营数据化的变革，实现以数据感知、数据处理分析、制造过程决策与支持、数据可视化技术为核心的智能工厂已经成为趋势。 我们邀请了永洪科技高级咨询顾问高晓明老师，来分享关于智能制造转型过程中的数据化运维的内容。 内容主要分为三个部分：一、目前在智能制造转型过程中制造业普遍面临的业务挑战，包括行业的发展趋势；二、永洪联合腾讯提供的一些方案，主要针对当前数据化转型过程中的一些痛点问题；三、永洪和腾讯在制造业的一些案例的分享 . ---- 智能转型过程中制造业普遍面临的业务挑战 早在2015年，李克强总理就提出智能制造的概念，从本质来说，智能制造就是利用新一代的信息技术和智能设备，让传统制造业进行深入和广泛的转型升级。 目前我们制造业的数据来源，被切分成了三个部分，第一部分就是iot数据，这些数据包含着售卖出去的智能产品采集到的用户的数据，比如说智能家居、车联网。
58920发布于 2020-06-05 - 来自专栏云计算行业
智能制造转型过程中的数据化运营
制造业正面临着企业运营数据化的变革，实现以数据感知、数据处理分析、制造过程决策与支持、数据可视化技术为核心的智能工厂已经成为趋势。 我们邀请了永洪科技高级咨询顾问高晓明老师，来分享关于智能制造转型过程中的数据化运维的内容。 内容主要分为三个部分：一、目前在智能制造转型过程中制造业普遍面临的业务挑战，包括行业的发展趋势；二、永洪联合腾讯提供的一些方案，主要针对当前数据化转型过程中的一些痛点问题；三、永洪和腾讯在制造业的一些案例的分享 智能转型过程中制造业普遍面临的业务挑战 早在2015年，李克强总理就提出智能制造的概念，从本质来说，智能制造就是利用新一代的信息技术和智能设备，让传统制造业进行深入和广泛的转型升级。 目前我们制造业的数据来源，被切分成了三个部分，第一部分就是iot数据，这些数据包含着售卖出去的智能产品采集到的用户的数据，比如说智能家居、车联网。
33320编辑于 2023-05-29 康谋分享 | 破解数据瓶颈：智能汽车合成数据架构与应用实践
在智能汽车快速演进的过程中，数据体系正面临深层次挑战。过去，数据是辅助模型开发的工具；如今，它已成为限制感知系统性能上限的核心因素。 在数据获取难度持续上升、标注成本不断攀高、法规限制日益收紧的背景下，合成数据正逐步成为智能汽车感知系统开发的重要突破方向。 01 智能汽车感知系统的数据困境智能汽车的感知能力依赖于多模态数据，包括图像、点云、雷达信号、IMU与GPS数据，以及舱内的姿态信息、关键点标注与行为状态标签等。 05 合成数据：助力感知系统开发综上所述，合成数据不再是数据稀缺时的权宜之计，而正在演变为智能汽车感知系统大规模、高频率、端到端开发的关键支撑。 通过舱外与舱内双向并进的合成数据体系，智能汽车的感知能力将具备更高的鲁棒性、覆盖性与工程实用性。
32010编辑于 2025-07-15- 来自专栏Fin
小程序容器技术助力突破智能汽车瓶颈
在共享经济兴起和汽车产能严重过剩的情况下，我国车企纷纷转变商业模式，向新一代智能网联汽车方向转型。 按照规划，国家将“推动互联网、大数据、人工智能同交通运输深度融合，加快车联网、船联网建设，构建以数据为关键要素的数字化、网络化、智能化的智慧交通体系。”交通强国成国家级战略，智慧交通为主攻方向之一。 按照规划，国家将“推动互联网、大数据、人工智能同交通运输深度融合，加快车联网、船联网建设，构建以数据为关键要素的数字化、网络化、智能化的智慧交通体系。” 同时依据时空和大数据算法，主动提供智能场景服务。 4、小程序容器技术，充分考虑数据安全防范包括：非授权外部接入风险防范，FinClip SDK具备相应的保护机制，确保网络通信安全可靠；数据安全风险防范，避免用户敏感信息及业务相关数据泄漏；FinClip
73300编辑于 2023-01-17 数字化转型的三大核心-连接，数据和智能
我个人又做了一个关键测试，即让AI参考我原来写过的所有数字化转型的文章，基于连接数据智能这几个关键词重新帮我生成一篇关于数字化转型三大核心要素的文章。 大家可以看下AI输出的结果。 在数字化转型的浪潮中，智能技术如人工智能、机器学习、深度学习等正在发挥着越来越重要的作用。 人工智能技术可以帮助企业实现自动化的流程处理。 在图像识别、语音识别等领域，深度学习技术也取得了巨大的突破，为企业的数字化转型提供了新的技术手段。 智能技术还可以帮助企业实现个性化的产品和服务。 在企业数字化转型的实践中，我们可以看到许多成功的案例都是基于连接、数据和智能的协同发展。 在企业数字化转型的道路上，企业需要充分认识到这三个要素的重要性，积极构建连接的网络，挖掘数据的价值，应用智能的技术，实现三者的协同发展，从而在数字化时代的竞争中取得优势，实现可持续的发展。
32000编辑于 2025-06-24- 来自专栏用户8858632的专栏
AI的瓶颈突破在于实体人工智能
AI的瓶颈突破在于实体人工智能 近几十年，人类的生活方式发生了非常重大的变化，这凸显了对远程和自动化过程的需求。 大脑与机体的适当平衡是创造行为更自然和全集成的智能机器人的先决条件。 因此，未来十年内，机器人学领域的一大主要缺口是：为机器人机体以及机体形态与智能控制系统和基于学习的方法的共同进化开发新材料和新结构。 这里将其称为实体人工智能（PAI）。 PAI是指能够执行通常与智能生物体相关的任务的实体系统，该领域包含理论和实践。PAI方法论原本就自带对材料、设计和生产制造的考虑。 因此，PAI与机体变化方法无关，并且有别于具身智能（embodiedintelligence）。PAI 合成的要义在于从材料层面到形态层面再到机器人系统层面将多种不同的功能特性成功地组合到一起。
75910编辑于 2022-01-06 YashanDB数据库的智能化管理助力企业转型升级
数据的多样性和复杂性使得传统的数据库管理方式无法满足现代企业的需求，如性能瓶颈、数据一致性问题等依然普遍存在。 在这一背景下，YashanDB提供了多种先进的智能化管理机制，帮助企业有效应对这些挑战，实现转型升级。 通过事务的智能化管理，企业可以有效降低操作风险，确保数据在多用户环境下的完整性，大大提升业务执行的可靠性。 结论随着数据规模的增长，企业亟需优化其数据管理策略，以应对不断变化的市场需求。YashanDB所提供的智能化管理能力为企业资源配置、数据处理及业务决策提供了重要支持。 未来，数据库技术将在商业智能、数据挖掘等领域中发挥更为重要的作用，企业应持续关注这些技术的演进与应用，以保持竞争力。
21910编辑于 2025-08-26- 来自专栏计算机视觉战队
突破数据瓶颈！交大研发电脑智能体，让 AI 替你熬夜做 PPT
上海交通大学生成式人工智能实验室 (GAIR Lab）的主要研究方向为：大模型的复杂推理，大模型预训练中的数据工程，多模态大模型，以及智能体。 这对人类来讲非常直观，却能难倒目前的智能体。细粒度电脑操作知识的缺乏要求我们从人类认知的角度补充训练数据，因为 GUI 是为人类而设计的。 一、首个高效采集大规模人机交互数据的轻量级工具 团队破解了一个阻碍智能体发展的关键瓶颈：训练数据的稀缺。 以认知轨迹训练规划智能体 使用 PC Tracker 采集并重建认知后得到的认知轨迹，是训练智能体的高质量数据。 多智能体协作 在 PC Agent 的初步实现中，为了更好的利用现有模型的能力，团队采用了一个多智能体架构。其中，规划智能体负责动作决策，视觉定位智能体负责点击动作执行。
43500编辑于 2024-12-25 - 来自专栏全栈程序员必看
海量数据存储技术(cpu制造瓶颈)
对于海量数据的处理 随着互联网应用的广泛普及，海量数据的存储和访问成为了系统设计的瓶颈问题。对于一个大型的互联网应用，每天几十亿的PV无疑对数据库造成了相当高的负载。 怎样将这样的数据分布到不同的数据库中的表中去呢？ 这样一来，文章数据就很自然的被分到了各个数据库中，达到了数据切分的目的。 接下来要解决的问题就是怎样找到具体的数据库呢？ 为什么要数据切分 上面对什么是数据切分做了个概要的描述和解释，读者可能会疑问，为什么需要数据切分呢？像 Oracle这样成熟稳定的数据库，足以支撑海量数据的存储与查询了？为什么还需要数据切片呢？ 优点：数据分布均匀 缺点：数据迁移的时候麻烦，不能按照机器性能分摊数据 (3)在认证库中保存数据库配置 就是建立一个DB，这个DB单独保存user_id到DB的映射关系，每次访问数据库的时候都要先查询一次这个数据库
2.1K10编辑于 2022-07-29 传媒智能体架构升级：破解数据割裂与效率瓶颈的腾讯云实践
识别行业共性瓶颈 传媒行业在智能体转型中面临三重战略困境。 数据来源：2025腾讯云城市峰会·无锡峰会新兴媒体闭门专场，曹飞（腾讯云文化传媒业务中心资深解决方案专家）演讲 部署智能体全栈解决方案 腾讯云提供“平台+工具+场景”三位一体方案。 数据分析智能体（TCDataAgent） 实现结构化与非结构化数据融合，提供智能交互（自然语言拆解需求）、数据融合（多源接入）、业务理解（语义配置）能力。 统一数据治理架构 构建“业务应用层（策采编发工作台）-智能体能力层（创作/数据/业务Agent）-数据层（多模态知识库）”中枢。 数据来源：2025腾讯云城市峰会·无锡峰会新兴媒体闭门专场，腾讯云官方披露指标 客户实践案例 “十五运”智能应用：通过热点追踪、选题策划、播客生成智能体，实现赛事热点自动聚合、多模态内容检索（直播流拆条
32740编辑于 2026-04-06- 来自专栏DeepHub IMBA
解决推理能力瓶颈，用因果推理提升LLM智能决策
LLM看起来无法进行真正的逻辑推理，只是在模仿训练数据中观察到的推理步骤。 要让AI真正具备推理和问题解决能力，它必须在算法层面理解因果关系。 领域特定的小语言模型（SLM）被广泛认为是智能体AI的未来方向。它们可以作为智能体AI系统的"基础事实"，提供可靠数据，防止基于错误或虚构信息的行动。 像howso这样的公司正在通过集成因果AI、数据水印和归因推理来创建新的推理模型，目标是降低风险并提升准确性。 推理模块负责分解复杂任务并调整执行策略来达成目标；智能体市场提供现有和可用的智能体资源；编排模块负责协调和监控多智能体系统的执行；集成模块与企业系统对接，比如SCADA系统和知识库；共享内存管理处理智能体间的数据和上下文共享 总结 当前LLM的推理局限性已成为制约智能体AI企业级应用的核心瓶颈。由于智能体系统在任务规划阶段高度依赖LLM能力，这种局限性直接影响了AI智能体的自主决策水平。
43510编辑于 2025-11-15 - 来自专栏钱塘大数据
工业大数据成制造业智能化转型重要推手
工业大数据作为制造业智能化转型的强有力推手，自然被各国列为重点发展领域。 2006年，美国NSF（美国国家科学基金会）提出CPS(信息物理系统）。 同年，美国通用电气公司提出代表全球工业系统和智能传感技术、高级计算、大数据分析，以及互联网技术的连接与融合的工业互联网概念，强调通过智能机器间的连接并最终将人机连接，结合软件和大数据分析，来重构全球工业 企业通过大数据分析能使部门之间的数据更为协同，并由此对市场需求缺口进行精准预测，同时通过更为灵活的流程管理，更自动化的生产设备快速地装配调度，进行智能地生产。 除此之外，先进制造企业基于工业大数据的应用，把产品、机器、资源和人有机结合在一起，推动制造业向基于大数据分析与应用基础上的智能化转型。 工业大数据有其鲜明的特征，随着信息化和工业化融合，对工业大数据的应用为制造业转型升级开辟了新的途径。对工业大数据在制造业生产过程中的应用场景及应用的深入探讨，将有利于更好地发挥其助力作用。
891100发布于 2018-03-01 DIaaS平台：数据智能即服务，企业数字化转型的新引擎
摘要： 随着大数据和AI技术的深度融合，DIaaS（数据智能即服务）平台正成为企业数字化转型的核心基础设施。 导语 在2025年的数字化浪潮中，企业数据量呈现爆炸式增长，传统的数据处理方式已难以满足实时分析和智能决策的需求。 正文 一、DIaaS平台的核心定义与价值 DIaaS（Data Intelligence as a Service）即数据智能即服务，是一种基于云计算的完整数据解决方案。 70% 智能分析平台：支持自然语言转SQL（NL2SQL）等先进功能 结语 随着2025年企业数字化转型进入深水区，DIaaS平台已成为释放数据价值的关键基础设施。 对于寻求数字化转型的企业而言，选择成熟的DIaaS平台将是赢得未来竞争的重要战略决策。
31910编辑于 2025-10-28- 来自专栏思谱云汇人工智能
当代CEO的人工智能转型思考
超过四分之一的受访者表示，他们的公司不把人工智能视为一项战略性的优先事项。 那么，为什么人工智能转型需要决策层亲自操刀呢？为了创建有效的人工智能战略，CEO们必须了解些什么呢？ 大多数的企业人工智能项目由于内部发展人工智能的条件不成熟而失败，比如数据处理不当、智能孤立化以及数据价值有限。 当代CEO的人工智能转型思考2.jpg 一个重视AI转型的公司，都会按照科学的基本原则来发展，比如了解数据和知识之间的差异，在整个企业中连接这些要素，从而使员工能够更快、更智能地做出决策。 有了这些类型的人工智能场景，公司决策层就可以为更广泛的基于人工智能的转型制定策略和决定关键投资，为人工智能加码，包括创建新的数据和知识生态系统，培训员工以全新的方式做出决策，不仅通过原始数据，还通过人工智能辅助系统上提供的概率信息 当代CEO的人工智能转型思考3.jpg 你相信什么？ 基于这些，CEO们必须回答的一个更重要的问题：你对人工智能有什么看法？
61700发布于 2019-06-18 - 来自专栏痴者工良
C# 数据类型转换 显式转型、隐式转型、强制转型
C# 的类型转换有 显式转型 和 隐式转型 两种方式。 显式转型：有可能引发异常、精确度丢失及其他问题的转换方式。需要使用手段进行转换操作。 隐式转型：不会改变原有数据精确度、引发异常，不会发生任何问题的转换方式。由系统自动转换。 不同类型的数据进行操作(加减乘除赋值等等)，是需要进行 类型转换 后，才能继续操作。所以需要“类型转换”。 隐式转型 隐式转型容易理解，当两种或多种数据类型进行某种操作时，不需要干预，系统会自动进行隐式转换。 如 int i = 66666; long b = i; //转为 long 类型后为 b 赋值 通常情况下，多种 值类型 进行计算时，系统会自动进行隐式转型，并且总是转为范围更大的数据类型 显式转型 问题是，但你需要把一个 long 类型的数据转成 int 时，又或者让 string 与 int 互转，当数据小数点太多时，这时候就必须使用 显式转型。 在继续下列教程前，要想说明一点。
1.7K30发布于 2021-04-26 《零样本学习：突破瓶颈，开启智能新征程》
在人工智能领域，零样本学习正逐渐成为一个备受瞩目的研究方向。它旨在让机器在没有见过特定类别的样本的情况下，通过学习现有知识和推理能力来识别新的类别。 然而，这一技术面临着诸多挑战，其瓶颈也成为了众多研究者关注的焦点。零样本学习的技术瓶颈数据匮乏与知识表示零样本学习最大的挑战之一在于数据的匮乏。 零样本学习的未来展望零样本学习作为人工智能领域的重要研究方向，具有广阔的发展前景。随着技术的不断进步和创新，零样本学习将逐渐克服其技术瓶颈，实现更加智能化和高效的学习。 总之，零样本学习的技术瓶颈是一个复杂而又具有挑战性的问题。通过不断探索和研究，我们可以找到有效的解决方案，推动零样本学习技术的发展和应用。 相信在不久的将来，零样本学习将成为人工智能领域的重要突破点，为人类社会带来更多的惊喜和发展。
27000编辑于 2024-12-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号