我见AI方向的IP级别有三个方向，哪个方向的IP级别证书更通用或适合考取？

ChatGPT是美国人工智能研究实验室OpenAI新推出的一种人工智能技术驱动的自然语言处理工具，使用了Transformer神经网络架构，也是GPT-3.5架构，这是一种用于处理序列数据的模型，拥有语言理解和文本生成能力，尤其是它会通过连接大量的语料库来训练模型，这些语料库包含了真实世界中的对话，使得ChatGPT具备上知天文下知地理，还能根据聊天的上下文进行互动的能力，做到与真正人类几乎无异的聊天场景进行交流。ChatGPT不单是聊天机器人，还能进行撰写邮件、视频脚本、文案、翻译、代码等任务2023年1月，巴黎政治大学（Sciences Po）宣布，该校已向所有学生和教师发送电子邮件，要求禁止使用ChatGPT等一切基于AI的工具，旨在防止学术欺诈和剽窃。ChatGPT的应用场景还包括：用来开发聊天机器人，也可以编写和调试计算机程序，还可以进行文学、媒体相关领域的创作，包括创作音乐、电视剧、童话故事、诗歌和歌词等。在某些测试情境下，ChatGPT在教育、考试、回答测试问题方面的表现甚至优于普通人类测试者。2023年2月4日消息，以色列总统艾萨克·赫尔佐格(Isaac Herzog)周三发表了部分由人工智能(AI)撰写的演讲，成为首位公开使用ChatGPT的世界领导人。2023年2月7日消息，Take-Two Interactive的首席执行官斯特劳斯·泽尔尼克（Strauss Zelnick）表示：ChatGPT是“一个非常激动人心的新工具时代”的一部分，可以“让团队和竞争对手的团队更有效地做真正有趣的事情”，但这项技术不会彻底改变电子游戏行业。2023年2月8日，微软宣布推出由ChatGPT支持的最新版本搜索引擎必应

完成执行[原子命令] [subscript01.xml 第23行] 网页数据拾取 [网页数据拾取] [NOK] [RobotUncaughtError] [系统执行错误: 发生了未捕获异常，详情：PermissionError(13, 'Permission denied')][2023-03-28 11:35:15]完成执行[脚本] [test0324] [NOK] [RobotUncaughtError] [系统执行错误: 发生了未捕获异常，详情：PermissionError(13, 'Permission denied')]问题描述：流程设计完成后，可以正常使用，但有时又报错，如上面。并不知道什么时候会出现，知道的大能们给解答下

华为云的大能们，请教下1、weautomate管理中心可以进行本地化部署么，若是可以，是否可以设置不同权限的租户进行查看对应的权限，租户的数量是否有要求？2、管理中心的管理和数据状态等信息，是否有提供接口，可以进行一些二次开发，接口是否免费提供3、管理中心本地化部署这个价格是多少

一、背景 几年前，天猫精灵、小度等智能助手不断出现，当时作为一个程序员来说，觉得这些所谓的人工智能不过如此，不足为惧。 然而随着 2022年 11月 30 日由 OpenAI 研发的 ChatGPT 发布，一切都变了。从 GPT -3 到 GPT 3.5 到 GPT 4 ，很多方面已经超过很多专业人士，功能越发强大， 基于 GPT 研发的工具不断涌现。  微软 Turing NLG 、百度 Ernie 、谷歌 Switch Transformer 等和 GPT 相似的大模型，也不断涌现和应用。 这些大模型在不同的领域相结合，提升各个领域的生产力，软件工程师和其他行业员工的部分工作已经可以被取代。一些相对简单和重复性的编码任务，甚至越来越多的复杂任务，人工智能可以轻松快速完成。  那么是否软件工程师群体将会被取代？软件工程师这个群体该何去何从？ 本文会先介绍最近比较流行的，尤其是和软件开发相关性较大的 AI 工具，然后分享一下自己对人工智能发展的畅享，最后探讨我们应该如何应对。  二、大模型时代 2.1 GPT 系列 2.1.1 ChatGPT ChatGPT可以回答用户的问题。不论问题涉及历史、科技、文化等领域，只要用户提出，ChatGPT会尽力提供准确的答案，帮助用户更快地获取所需信息。 ChatGPT 还能进行对话。用户可以向其提出问题或者表达想法，ChatGPT会根据输入内容做出回复。这种对话交互可让用户感到更加舒适自在。 ChatGPT还可以生成文本。用户可提供关键词或句子，让 ChatGPT 创作出有趣的文本，如诗歌、小说、文章等。这对于那些需要灵感或想要创作的人来说非常有用。 ChatGPT还能进行语言翻译，将一种语言翻译成另一种。同时，它也能帮助用户润色文章或提供写作建议。这些功能都可帮助用户更高效地完成各种任务。  GPT 还提供了 API 调用的功能，可以让众多第三方应用可以基于该 API 提供自己的服务，成为 GPT 在各领域应用的加速器。  2.1.2 搜索引擎：New Bing、YouChat、Perple**ty 作为软件工程师而言， 这些基于大模型的搜索引擎帮助挺大：  可以通过它们来学**。让它给你介绍一些自己不理解的概念，不断追问的方式学的更深入和系统。 可以通过它们辅助编码。可以把一些编程任务交给它。让它帮你写一个 DEMO，然后不通过对话让它不断改进、甚至帮你编写单测。 可以通过它们解决问题。日常开发中遇到问题时，可以描述给新必应，让它给你解决问题的思路。有时候自己解决可能需要几个小时的时间，问它们可以很快锁定问题的关键，快速解决问题。 可以让它们辅助做计划、解答日常困惑。日常开发的技术提升、工作中的同事关系、旅游的计划的制定、周报编写等。 … （1）New Bing New Bing 是基于 GPT 4 的智能搜索引擎。 通过新必应，用户可以提出复杂问题让它来实现；可以对它提问，获得想要的答案；让它给你创作灵感。 （2） perple**ty.ai Perple**ty.ai 是一个基于人工智能的搜索引擎，可以用自然语言回答用户的问题。它有一些特色，比如： 提供个性化的推荐，根据用户的兴趣和历史搜索给出相关的建议 自动扩展查询，根据用户的输入添加更多的关键词或短语来提高搜索效果。 理解自然语言，可以处理复杂和模糊的问题，并给出准确和简洁的答案。 提供即时结果，可以快速地获取最新和最准确的信息。 提供一键摘要，可以将长篇网页缩减为主要内容，并分享给其他人。  2.1.3 编程领域：Cursor 、GitHub Copilot 当然前面的 ChatGPT 、New Bing 等也可以写代码，但有些工具更侧重于编码，如 Cursor 和 GitHub Copilot 等。  （1）cursor Cursor 非常强大而且免费，可以描述你想要的功能，它直接帮你写好。你还可以“和代码对话”，选中一些代码片段对它提问。你还可以选中一部分内容，说出自己的诉求，让它进一步优化。 官网界面： 和 Github copilot 的区别：  使用示例： 还可以选中某个函数或者某部分，让它讲解相关用法。还可以选中某个区域告诉它修改方向，让它根据你的需要进行优化，非常强大。 更详细的内容参考：《什么？ 你还没用过 Cursor？ 智能 AI 代码生成工具 Cursor 安装和使用介绍》 （2）Github Copilot Copilot 是非常强大的 AI 编程助手，并提供了 IDE 插件，使用起来非常方便。 官网界面： 提供的功能： 2.1.4 笔记领域：Notion AI、印象 AI 笔记软件也在基于 GPT 大模型提供越来越智能的功能。 如 Notion AI, 目前就可以提供以下功能： 总结笔记内容 头脑风暴 帮你写草稿 修改拼写和语法错误 将你写的文本轻松翻译成其他语言 https://www.notion.so/help/guides/using-notion-ai  2.1.5 办公领域：Microsoft 365 Copilot 借助大模型，Office 的办公效率有质的飞跃。 在 Word 里，你可以让 Copilot 给你写文章、改文字、做总结。 在PPT中，你跟它说说你的想法，它就自动给你做出一整套 PPT，美观的页面自动给你设计好。 在 Excel 中，Copilot 几秒内就帮你生成清晰的表格，并且搞定任何数据处理。 在 Outlook 中，Copilot 可以帮你写邮件，你起个头，打个底，它就自动给你补完整，顺便**润色你的文字。 2.1.6 阅读领域： ChatPDF https://www.chatpdf.com/ 可以上传 PDF ，然后和 PDF 进行“对话”，对学**效率有极大提升，可以快速找到想要的内容。  2.2 bard http://bard.google.com/ bard 是谷歌研发的大语言模型，近期开始试用申请，目前仅支持美国和英国，仅支持英文，未来会加入更多语言和地区。  Google Bard 和 ChatGPT 的区别;   2.3 文心一言 文心一言是百度研发的大预言模型，发布会已经发布，目前可以预约，感兴趣的同可以申请试用。  2.4 其他 2.4.1 YouChat 已知第一个将聊天助手集成到其搜索结果中的搜索引擎。   YouChat 和 New Bing 的区别：  YouChat 2.0 使用最新的自然语言技术，包括 ChatGPT 和 La**A 等模型，而 New Bing 则是基于最新的 GPT 4 模型。 YouChat 2.0 更注重用户的上下文和偏好，以提供更个性化和相关的答案。New Bing 则更倾向于提供客观和权威的答案，引用可靠的来源。 YouChat 2.0 集成了 AIERNIE Bot 和 CAL 等功能，可以提供很多高级功能，如翻译和计算等。 2.4.2 其他 最近还出现了很多厉害的 AI 工具，比如可以根据描述自动作画；可以根据上传的几段音频自动模仿人的声音；可以根据你的视频自动生成 AI 仿真人去直播；可以跟文章自动制作视频等，感兴趣的同学自行了解学**。  基于 GPT 3 和 GPT 4 的应用不断涌现，大家可以根据自己的需求去选用： https://gpt3demo.com/  https://gpt4demo.com/  2.5 国内免费可用的人工智能工具推荐 【1】ai edu （有网页版也有APP） 网站：https://aigcfun.com/ app： https://aigcfun.com/app-download  【2】chatgpt-sidebar （谷歌浏览器侧边栏，用起来挺方便） https://www.chatgpt-sidebar.com/  三、畅想 3.1 应用 随着 GPT 不断迭代，越发强大，和各行各更好地融合，必然给各行各业带来革命性的效率提升。 近期更多地是通过自然语言和工具交互，让它自动实现一些重复的任务，极大提升工作效率。 对我们的要求是思考如何更好地提问题，表达清楚我们想要什么。  3.2 发展阶段 下面是个人不成熟的想法，仅供参考： 我认为随着 GPT 大模型的出现，人类开始迈入人工智能的半自动化阶段，后面会发展的到全自动化阶段。在半自动阶段，人工智能的应用更多是扮演则辅助的工具的角色，而全自动化阶段则极少需要人的参与就可以自动完成工作。  就像你是一个裁缝，以前你要手工用针去缝制衣服，后来出现了缝纫机，进入半自动化阶段，此时缝纫机是你的辅助工具，你缝制衣服的效率**提高。后面出现全自动化的制衣流水线，那么很多裁缝就要失业了。 就像你是一个司机，以前都要手动挡，现在有了自动挡，又出现了辅助驾驶，开车的门槛和效率**提高，现在无人驾驶也已经出现（只是尚未普及），未来无人驾驶普及之后大量的司机要失业了。  四、我们该怎么办 4.1 学**方式和解决问题的途径已经改变 -> 需要利用好工具 正如 YJango《【渐构】万字科普GPT4为何会颠覆现有工作流；为何你要关注微软Copilot、文心一言等大模型》中说：人工智能的出现，很多人会将它和最高标准进行对比等，进而否定它，这是人的本能反应，因为人们害怕被取代。“然而，工具不会取代人，只会是会用工具的人取代不会用工具的人。”  以前学**技术，需要报培训机构、需要买书，拿来一本书需要看很久才能找到自己想要的内容；以前解决问题，需要去各种技术群里，去大牛请教，问题往往得不到及时的回应。 然而，随着 AI 的运用，一切都变了。   以前需要搜索很多资料，看很多书才能将某个知识理解地不错。现在想学**一个知识，直接让 AI 给你解答，可以通过不断追问，可以让它给你举例等方式，帮助你快速系统掌握一个知识点。 以前写技术文章，需要一些配套的代码示例，需要自己在 IDEA 里面写半天，现在借助 AI 几秒钟就可以写出符合要求的高质量的代码。 以前花几个小时甚至一两天才能排查出的问题，现在遇到一些棘手的问题，可以向 AI 请教，可以快速给你非常靠谱的解决思路。 从 New Bing 到 GitHub Copilot 再到 Microsoft 365 Copilot , 微软目前将这些人工智能工具定位为 “Copilot” (副驾驶员)，即定位在帮助你写代码、帮助你办公。  虽然 AI 非常强大，GPT 等大模型的出现让我们和计算机的交互更直接，更像是人与人之间的对话，但依然需要我们能够正确地提出问题，引导它给出我们想要的答案。 使用这些工具和不用这些工具的学**、生活和工作效率的差异将是非常巨大的。推荐大家改变学**方法，利用好工具，更好地学**、生活和工作等。  4.2 新的工具、技术快速涌现 -> 需要**学** 随着深度学**模型参数规模的不断增长，大模型和不同的领域结合产出新的效率工具越来越多。无论是机器翻译、聊天机器人、搜索引擎、自动客服还是知识图谱，大模型都在提升认知智能水平。  在这样一个快速变化的时代，新的技术不断涌现，我们需要保持好奇心和探索精神，持续学**、**学**，学**新工具的使用，学**新的知识，学**新的技术，学**如何更好地利用人工智能解决问题，以适应未来的挑战和机遇。  4.3 换个赛道 所谓换个赛道有多重含义：从普通的软件开发工程师转型做 AI 开发、调试、维护等计算机的其他领域，甚至可以考虑转行；增强人更擅长的能力，而不是和机器去比拼机器更擅长的事情等。  正如阿里巴巴的王坚博士所说：“容易被机器取代的事情，本来就不该让人来做”。 古代有马车夫，工业革命以后，随着汽车而出现，马车夫逐渐被取代，马车夫可以转型做司机、做汽车维修等；就像 BB 机被手机取代了，接线员可以转行做手机相关业务；完全也可以去从事其他行业，做更多更有价值的事情  我们没有必要和机器比，就像人不服输，想要和汽车赛跑一样可笑。我们应该让机器做机器更擅长的事情，比如利用人工智能来自动化一些常规和重复的任务，如编写一些基础代码，进行代码重构，进行 bug 修复和帮我们测试，从而节省时间和精力，提高效率和质量。  在我看来，目前的人工智能的水平，处于初级的半自动化阶段。可以类比于缝纫机的发明对服装行业的影响，它可以替代传统的手工缝制方式，生产效率**提高，但依然需要人来操作。 目前人工智能更多地是扮演助手的角色，虽然很强大，但依赖我们去定义问题，去描述清楚问题，正确地提问，才能得到希望的答案，进而帮助我们创造价值。  这就像随着汽车、火车、高铁、飞机不断出现给我们的出行带来的效率提升一样。 软件工程师将部分编程精力解放出来，可以更专注于高层次和更有价值的认为，比如需求分析、架构设计、产品设计和提升用户体验等。 我们应该重点发展软件工程师除了基础的编码之外的其他能力，如需求分析、架构设计、高效沟通等。 我们还可以参考软件公司底层开发人员晋升后写的代码越来越少，甚至不写代码，他们在做什么，着重发展这些能力。比如更关注与人的沟通，更关注业务价值，思考如何做好、做大业务；更关注如何设计更强大而稳定额架构；更关注如何提升用户体验等。 我们需要做的是思考工具效率普遍提高的时候，我们和其他人的竞争力究竟在哪里？能否超越大多数人。  五、总结 人工智能的时代已经来临，比想象中来的更快，不可逆转，人工智能的广泛应用将为各行各业带来巨大的冲击。 我相信人工智能将产生类似工业革命这种效果，人类的生产力得到极大解放。  短期来看，人工智能只是辅助我们工作的工具，作为软件工程师需要利用好工具，需要做好持续学**甚至**学**的准备，需要从繁琐重复的工作中脱离出来，提高自己与机器，与人打交道的能力，将更多的精力投入到需求的分析、架构的设计等，做更多更有价值的事情。 现在大厂都在研究大模型，都希望“降本增效”，如果大家不能及时掌握并运用好工具，不能及时转变自己的能力重心，很可能被优先替代掉。  如果你有补充或者不同意见，欢迎留言交流。 ———————————————— 版权声明：本文为CSDN博主「明明如月学长」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/w605283073/article/details/129656118 

AI绘画国产开源50亿参数新模型在 AI 绘画领域，很多研究者都在致力于提升 AI 绘画模型的可控性，即让模型生成的图像更加符合人类要求。一个名为 ControlNet 的模型将这种可控性推上了新的高峰。大约在同一时间，来自阿里巴巴和蚂蚁集团的研究者也在同一领域做出了成果，本文是这一成果的详细介绍。近年在大数据上学习的大规模生成模型能够出色地合成图像，但可控性有限。可控图像生成的关键不仅依赖于条件，而且更重要的是依赖于组合性。后者可以通过引入巨大数量的潜在组合来指数级地扩展控制空间（例如 100 个图像，每个有 8 个表征，产生大约 100^8 种组合）。类似的概念在语言和场景理解领域得到了探索，其中的组合性被称为组合泛化，即从有限的已知成分中识别或生成潜在的无限数量的新组合的技能。最新的一项研究提供了一种新的生成范式 —— 可以在灵活控制输出图像（如空间布局和调色板）的同时保持合成质量和模型创造力。这项研究以组合性为核心思想，首先将图像分解为具有代表性的因子，然后以这些因子为条件训练扩散模型，对输入进行重组。在推理阶段，丰富的中间表征形式作为可组合元素，为可定制内容的创建提供了巨大的设计空间 (即与分解因子的数量成指数比例)。值得注意的是，名为 Composer 的方法支持各种级别的条件，例如将文本描述作为全局信息，将深度图和草图作为局部指导，将颜色直方图作为低级细节等。除了提高可控性之外，该研究还确认了 Composer 可以作为通用框架，在无需再训练的情况下促进广泛的经典生成任务。    论文地址：https://arxiv.org/pdf/2302.09778v2.pdf    项目地址：https://github.com/damo-vilab/composer

提高自动驾驶汽车安全性能存在的一个关键瓶颈是安全验证效率低下。目前流行的是通过软件模拟、封闭测试轨道和道路测试相结合的方式来测试自动驾驶汽车的无损检测。这样一来，AV 开发人员必须支付大量的经济和时间成本来评估，从而阻碍了 AV 部署的进展。在 NDE 环境中，进行 AV 安全性能验证非常复杂。例如，驾驶环境在时空上是复杂的，因此定义此类环境所需的变量是高维的。随着变量维数呈指数增长，计算复杂度也呈指数增长。在这种情况下，即使给定大量数据，深度学习模型也很难学习。本文中，来自密歇根大学安娜堡分校、清华大学等机构的研究者，他们提出密集深度强化学习 (D2RL，dense deep-reinforcement-learning) 方法来解决这一挑战。该研究登 Nature 封面。    论文地址：https://www.nature.com/articles/s41586-023-05732-2    项目地址：https://github.com/michigan-traffic-lab/Dense-Deep-Reinforcement-Learning论文一作封硕，目前是清华大学自动化系终身助理教授（Tenure-Track Assistant Professor），此外，他还是密歇根大学交通研究所 (UMTRI) 的助理研究科学家。他于 2014 年和 2019 年在清华大学自动化系获得学士和博士学位，师从张毅教授。2017 年至 2019 年，他在密歇根大学土木与环境工程专业做访问博士，师从 Henry X. Liu 教授（本文通讯作者）。研究介绍D2RL 方法的基本思想是识别和去除非安全关键（non-safety-critical）数据，并利用安全关键数据训练神经网络。由于只有一小部分数据是安全关键的，因此其余数据的信息将被大量密集化。与 DRL 方法相比，D2RL 方法可以在不损失无偏性（unbiasedness）的情况下显著减少多个数量级的策略梯度估计方差。这种显著的方差减少可以使神经网络学习和完成 DRL 方法难以处理的任务。对于 AV 测试，该研究利用 D2RL 方法，通过神经网络训练周围车辆 (background vehicles，BV) 学习何时执行何种对抗性操作，旨在提高测试效率。D2RL 在基于 AI 的对抗性测试环境下可以将 AV 所需的测试里程减少多个数量级，同时确保了测试的无偏性。D2RL 方法可以应用于复杂的驾驶环境，包括多条高速公路、十字路口和环岛，这是以前基于场景的方法无法实现的。并且，该研究提出的方法可以创建智能测试环境，即使用 AI 来验证 AI。这是一种范式转变，它为其他安全关键系统进行加速测试和训练打开了大门。为了证明基于 AI 的测试方法是有效的，该研究使用大规模实际驾驶数据集对 BV 进行了训练，并进行了模拟实验和物理测试轨道的现场实验，实验结果如下图 1 所示。密集深度强化学习为了利用 AI 技术，该研究将 AV 测试问题表述为马尔可夫决策过程 (MDP)，其中 BV 的操作是根据当前状态信息决定的。该研究旨在训练一个由神经网络建模的策略（DRL 智能体），它可以控制 BV 与 AV 交互的操作，以最大限度地提高评估效率并确保无偏性。然而，如上文所述，受维数和计算复杂度的限制，如果直接应用 DRL 方法，很难甚至根本无法学习有效策略。由于大多数状态都是非关键的，无法为安全关键事件提供信息，因此 D2RL 的重点是去除这些非关键状态的数据。对于 AV 测试问题，可以利用许多安全指标来识别具有不同效率和有效性的关键状态。该研究利用的关键性度量指标是当前状态特定时间范围内（例如 1 秒）内 AV 碰撞率的外部近似值。然后该研究编辑了马尔可夫过程，丢弃非关键状态的数据，并将剩余数据用于 DRL 训练的策略梯度估计和 Bootstrap。如下图 2 所示，相比于 DRL，D2RL 的优势是能够最大化训练过程中的奖励。参考链接：https://auto.ifeng.com/qichezixun/20200303/1390011.shtmlhttps://www.nature.com/articles/d41586-023-00798-4

网络模型设计每一个自主体是由两个神经网络模块组成，即行动网络和评估网络。行动网络是根据当前的状态而决定下一个时刻施加到环境上去的最好动作。对于行动网络，强化学习算法允许它的输出结点进行随机搜索，有了来自评估网络的内部强化信号后，行动网络的输出结点即可有效地完成随机搜索并且大大地提高选择好的动作的可能性，同时可以在线训练整个行动网络。用一个辅助网络来为环境建模，评估网络根据当前的状态和模拟环境用于预测标量值的外部强化信号，这样它可单步和多步预报当前由行动网络施加到环境上的动作强化信号，可以提前向动作网络提供有关将候选动作的强化信号，以及更多的奖惩信息(内部强化信号)，以减少不确定性并提高学习速度。进化强化学习对评估网络使用时序差分预测方法TD和反向传播BP算法进行学习，而对行动网络进行遗传操作，使用内部强化信号作为行动网络的适应度函数。网络运算分成两个部分，即前向信号计算和遗传强化计算。在前向信号计算时，对评估网络采用时序差分预测方法，由评估网络对环境建模，可以进行外部强化信号的多步预测，评估网络提供更有效的内部强化信号给行动网络，使它产生更恰当的行动，内部强化信号使行动网络、评估网络在每一步都可以进行学习，而不必等待外部强化信号的到来，从而大大地加速了两个网络的学习。设计考虑一，如何表示状态空间和动作空间。二，如何选择建立信号以及如何通过学习来修正不同状态－动作对的值。三，如何根据这些值来选择适合的动作。用强化学习方法研究未知环境下的机器人导航，由于环境的复杂性和不确定性，这些问题变得更复杂。标准的强化学习，智能体作为学习系统，获取外部环境的当前状态信息s，对环境采取试探行为u，并获取环境反馈的对此动作的评价r和新的环境状态 。如果智能体的某动作u导致环境正的奖赏(立即报酬)，那么智能体以后产生这个动作的趋势便会加强；反之，智能体产生这个动作的趋势将减弱。在学习系统的控制行为与环境反馈的状态及评价的反复的交互作用中，以学习的方式不断修改从状态到动作的映射策略，以达到优化系统性能目的。

用python提交的。4张地图，其他三张都能完成跑完分，出错误的地图跑到3152帧时就0分结束了，错误信息只有一个 “选手程序运行异常”，有大佬知道怎么回事吗？

mysql数据库部署在红帽7.6操作系统上，跑cms和sum数据库脚本时，检测数据库操作系统为非麒麟或suse，报错，无法继续进行。需重新部署suse操作系统版本mysql

问一下，每一帧给出的地图信息，是该帧指令执行前的信息还是执行后的信息？

分子表示学习在 AI 辅助药物发现研究中起着至关重要的作用。在传统药物研发中，常用的分子对接模型需要进行大量的构型采样与优化，并筛选出较为稳定的结构。这类策略效率较低，难以应用于高通量的蛋白质对接任务。基于分子表面黎曼流形的深度学习表示方法 (Harmonic Molecular Representation, HMR) 实现了更准确、高效的蛋白质对接模型开发。HMR 用二维黎曼流形建模分子表面，结合调合分析技术与神经网络实现流形上几何、化学信号的多尺度传播和两个蛋白质表面之间的匹配度比较，进而利用蛋白质拼图的逻辑实现蛋白质分子刚性对接 (rigid protein docking) 。实验表明，基于 HMR 的分子对接模型比当前深度学习 SOTA [1] 有更高的准确性，并且较传统分子对接方法提速 100 倍以上。相关论文已被收录于 ICLR 2023。蛋白质之间的相互作用是实现其生物活性的重要基础，例如人体可以产生抗体蛋白（上图绿色部分）与入侵的病毒（紫色部分）结合从而抑制疾病。生物制药研究通过分析生物分子之间相互作用的物理、化学机制，进一步设计出可以与一些特定靶点相结合的新型药物分子（如研发新冠抗体）。在微观尺度下，蛋白质之间的相互结合主要由分子间作用力决定，例如氢键、静电力、疏水作用等。在传统药物研发中，分子对接技术 (molecular docking) 通过物理方法建模这些微观作用来模拟计算真实生物体内两个分子相互作用的稳定结构。这些传统的分子对接模型需要进行大量的构型采样及优化，并筛选出其中较为稳定的结构作为预测结果。这种基于采样和筛选的策略导致传统方法效率较低，难以应用于高通量的蛋白质对接任务（例如从 1 万个蛋白中筛选出最有可能与病毒表面结合的 10 个来进行湿实验测试）。研发准确且高效的分子对接模型可以帮助快速筛选出适合进行湿实验测试的蛋白质分子，从而提高新药研发的效率。为了开发更加准确且高效的蛋白质对接模型，字节跳动 ByteDance Research 团队设计了一套基于分子表面的几何深度学习方案。该方案的核心思想是训练 AI 模型从拼图的角度去理解蛋白质之间的相互作用，并按照拼图的思路实现蛋白质复合物构型预测。    论文地址：https://openreview.net/pdf?id=ySCL-NG_I3    代码地址：https://github.com/GeomMolDesign/HMR

问题描述：参考Atlas 200 DK开发者套件文档搭建环境https://www.hiascend.com/document/detail/zh/Atlas200DKDeveloperKit/1013/environment/atlased_04_0018.html以Atlas 200DK为运行环境，运行.om模型进行目标检测时，在python3.7.5中 import acl 遇到：ubuntu版本：ubuntu-18.04.4-server-arm64驱动版本：A200dk-npu-driver-21.0.4-ubuntu18.04-aarch64-minircCANN版本：Ascend-cann-nnrt_6.0.0.alpha003_linux-aarch64

概率论和统计学是AI的基础，它们用来分析数据的特征，识别趋势和差异，以及理解这些差异如何影响未来的数据样本。线性代数是AI的关键技术，它用于对数据进行分类、推理和预测。微积分是AI学习过程中一个非常重要的基础。微积分涉及概率相关分布及其变化情况，还定义了函数最小化和极大化等技术，而这些技术都是AI中用到的重要方法。所以，总结来说，大学里基本上都学过概率论和统计学原理、高数（微积分）、线性代数， 所以读了大学的人要学习AI是没有太多技术门槛的。当然还有其他特定知识，比如信号处理、图像处理等，这些就按需学习吧

我觉得有。理由是，人类是AI的父母，因为人类中是有好的部分，和坏的部分，简单的说有好人和坏人对于通用性AI，（比如现在很火的chatGPT这种）好人训练出的AI，就是好的AI坏人训练出的AI，就是坏的AIAI不仅仅是一个工具，它的使用结果不再是依赖于使用它的人，而是这个工具本身就有好坏的属性了...偶买噶~