深入浅出智能工作流（Agentic Workflow）｜技术干货
著名AI学者、斯坦福大学教授吴恩达提出AI Agent的四种设计方式后，Agentic Workflow（智能体工作流）在全球范围内迅速走红，多个行业纷纷实践其应用，并推动了新的Agentic AI探索热潮。吴恩达总结了Agent设计的四种模式：自我反思、工具调用、规划设计及多智能体协作。前两者较普及，后两者则为智能体使用模式从单一大模型向多智能体协同配合完成业务流程的转变奠定了基础。
物联网卡在智慧农业中的作用
物联网卡在智慧农业中通过连接传感器实时监测土壤湿度、温度、养分及作物生长状况，提供科学管理数据，实现自动化控制如灌溉与温室环境调节。此外，它还收集大量数据以预测产量和病虫害，支持智能决策，并用于农产品追溯体系，提升安全性和信誉度。物联网卡的应用大幅提高了农业生产效率，减少了人力和时间成本，优化了农产品质量，并通过预测性维护降低了运营成本，为农业的智能化、高效化和精准化转型注入了新动力。
PSO算法的缺点有哪些
粒子群优化（PSO）算法是一种基于群体协作的随机搜索方法，源自对鸟群觅食行为的模拟。尽管其在多领域展现了独特优势，但也存在显著缺点：易陷局部最优、搜索精度不足、高度依赖参数设置、理论基础薄弱、适用范围有限及早熟收敛问题。针对这些问题，可通过结合其他优化算法、调整参数及改进更新公式等方式提升其性能。
一文读懂deepSpeed：深度学习训练的并行化
DeepSpeed 是由微软开发的开源深度学习优化库，旨在提高大规模模型训练的效率和可扩展性。通过创新的并行化策略、内存优化技术（如 ZeRO）及混合精度训练，DeepSpeed 显著提升了训练速度并降低了资源需求。它支持多种并行方法，包括数据并行、模型并行和流水线并行，同时与 PyTorch 等主流框架无缝集成，提供了易用的 API 和丰富的文档支持。DeepSpeed 不仅大幅减少了内存占用，还通过自动混合精度训练提高了计算效率，降低了能耗。其开源特性促进了 AI 行业的整体进步，使得更多研究者和开发者能够利用先进优化技术，推动了 AI 在各个领域的广泛应用。
同时操控手机和电脑，100项任务，跨系统智能体评测基准有了
【9月更文挑战第9天】近年来，随着人工智能技术的进步，自主智能体的应用日益广泛。为解决现有评测基准的局限性，研究人员推出了CRAB（Cross-environment Agent Benchmark），这是一种支持跨环境任务的新框架，结合了基于图的精细评估方法和高效的任务构建机制。CRAB框架支持多种设备并可轻松扩展至任何具备Python接口的环境。首个跨平台基准CRAB-v0包含100项任务，实验显示GPT-4单智能体在完成率方面表现最佳。CRAB框架为智能体研究提供了新机遇，但也面临计算资源和评估准确性等方面的挑战。
基于深度学习的结构优化与生成
基于深度学习的结构优化与生成技术应用于多种领域，例如建筑设计、机械工程、材料科学等。该技术通过使用深度学习模型分析和优化结构形状、材料分布、拓扑结构等因素，旨在提高结构性能、减少材料浪费、降低成本、并加快设计流程。
基于深度学习的感知和认知系统
基于深度学习的感知-认知系统结合了感知和认知两大核心模块，旨在为机器提供从数据采集、分析到决策制定的一整套能力。这种系统模仿人类的感知（如视觉、听觉）和认知（如推理、决策）过程，能够高效地感知复杂环境，并进行智能决策。
粒子群算法的缺点是什么
粒子群算法（PSO）虽具优点，但存在明显缺点：易陷局部最优、收敛精度低、难解离散及组合优化问题、缺乏精密搜索方法、理论基础薄弱、参数选择困难、收敛速度受问题复杂度影响。为克服这些问题，研究者提出引入动态惯性权重、调整学习因子、混合算法等改进策略，提高算法性能与适用范围，但仍需进一步研究以应对更复杂多样的问题。