• [实践案例] 【案例分享】从一张 1.17GB 乳腺 WSI 到 AI 诊断报告:华为云医疗AI使能平台云端推理实战
    一、背景科里陆续在谈病理 AI 落地,正好华为云医疗AI使能平台在做“体验有礼”公测,就走了一遍完整的云端推理链路:从拿到一张真实的乳腺 WSI 切片,到平台输出结构化诊断结论。整个过程不需要写代码,也不需要本地 GPU。二、环境与素材平台:医疗AI使能平台(智慧病理),西南-贵阳一,公测免费体验(云存储 200G,训练/推理共用排队资源池)。模型:预置模型「病理体验模型-乳腺癌」(服务状态运行中,免费资源池)。切片:TCGA-3L-AA1B-01Z-00-DX1,Aperio SVS,1.17 GB,95615×74462 像素,40x,MPP 0.2527,7 级金字塔,源自 TCGA 乳腺浸润癌公开数据。三、操作步骤1)进入「病理模型推理」→「创建模型推理任务」;2)填写病理号(如 P2026111402),病理类型自动识别为乳腺癌;3)点「尚未选择模型」,在预置模型里勾选「病理体验模型-乳腺癌」,确定;4)切片设置选「本地图像」,上传上面的 SVS(平台限制单张 ≤5GB,只接受 .svs);5)点「立即创建」,之后就是上传 + 排队 + 推理。1.17GB 上行约 1.1MB/s,传了约 17 分钟;推理约 15 分钟出结果。四、推理结果任务 P2026111402,生成时间 2026/11/14 13:15:23:· 有无肿瘤:+· 组织学类型:浸润性癌,非特殊类型· 脉管侵犯:-· 组织学分级:II 级(腺管形成 3 分 + 核多形性 2 分 + 核分裂象 2 分 = 7 分)报告页可以一键下载结果,详情页还能按 20x / 10x / 1.0x 切换倍率、看肿物热力图,定位到可疑区域。▲ 病理推理结果报告(四项结构化结论)▲ 任务列表:P2026111402 推理成功▲ 任务详情:热力图与切片预览,可切换倍率五、踩过的坑(供后来者参考)坑 1:切片必须是“完整切片”。第一次用公开测试数据里的 CMU-1-Small-Region.svs(1.85MB,只是大切片里裁出来的一小块),任务跑了约 90 分钟后变成“推理失败”,接口返回 error_message 1000001,页面只显示“暂无结果”,没有任何失败原因。换成 1.17GB 的完整 WSI 后一次成功。选切片时创建页也明确提示了“请选择完整切片”。坑 2:网络要稳。页面提示上传期间不要关闭浏览器,1GB 级别的切片上传十几分钟,中途断网就得重来。坑 3:论坛侧图片域名 fileserver.developer.huaweicloud.com 在部分网络环境下 CNAME 解析不到(本机就是),编辑器里点“选择图片”会一直传不上去、页面图片也显示“加载失败”。我最后是绕开 DNS 直连 CDN 上传才把截图带进帖子的,建议官方对该域名做一次解析兼容或提供备用域名。六、给平台的小建议1)任务失败时给出可读原因(切片元数据不满足 / 超时 / 资源不足),并提供一键重试;2)创建页直接标注支持的格式、倍率、MPP 要求与大小上限,选文件时即时校验;3)提供官方脱敏 SVS 样例和一键体验入口,降低首次体验门槛;4)任务详情页显示排队位置与阶段耗时,避免用户盲等 90 分钟。七、小结对病理科来说,这套流程的价值在于“零门槛验证”:不用买推理卡、不用配环境,一张完整切片 + 一个浏览器就能跑出结构化结论,还能看热力图定位。真正落地时更关心的是模型与本院染色/扫描风格的适配,以及和 PIS 的集成,这两点平台在路线图里也提到了。华为云账号:hw028619888
  • [互动交流] 如何在华为云CCE集群中部署Nginx服务并配置公网访问?
    我在华为云CCE集群中部署了一个Nginx服务,使用NodePort方式暴露服务,但是通过公网IP和端口无法访问。 我已经检查了安全组规则,确认30000-32767端口范围已放行。请问是否还需要其他配置才能实现公网访问?比如是否需要使用ELB或者Ingress? 希望有经验的开发者帮忙解答,谢谢!
  • [问题求助] 如何使用华为云开源镜像站配置Maven的 `settings.xml` 仓库加速?
    Java后端项目在进行Maven编译打包时,从Maven Central拉取Spring Boot等依赖jar包速度非常慢,如何在本地或CI构建机上配置华为云开源镜像站的Maven镜像源? 
  • [问题求助] 华为云CloudIDE中如何配置并运行Docker容器化应用?
    我们正在开发一个基于微服务架构的容器化项目,希望直接在华为云CloudIDE在线环境中编写Dockerfile、构建镜像并启动容器进行联调,应该选择哪种环境底座并如何对外暴露端口?
  • [问题求助] 在API开发者社区调试通过后,如何一键生成多语言SDK调用代码?
    我们在API开发者社区通过API Explorer成功调通了云服务的接口参数,但手动编写HTTP请求和签名逻辑比较繁琐,如何直接获取可直接集成到Java或Python项目中的SDK代码?
  • [问题求助] 在华为云需求管理中,如何实现需求(Story)与代码托管提交记录的双向追溯?
    在进行版本审计和问题回溯时,项目经理希望在需求管理卡片上直接看到该需求对应修改了哪些代码文件,开发人员在提交Git代码时该如何操作才能自动建立关联? 
  • [问题求助] 在华为云代码托管中,如何开启主干分支(master/main)的合并请求(MR)保护机制?
    为了保障生产环境代码质量,防止团队成员不小心将未经评审和测试的代码直接 `git push` 到 `master` 主分支,如何在华为云代码托管中设置分支保护与MR准入门禁?
  • [问题求助] 如何使用华为云开源镜像站加速Python的pip依赖包安装?
    在构建AI深度学习环境时,使用默认的PyPI官方源执行 `pip install` 安装PyTorch、TensorFlow等大型依赖包经常因网络波动中断,如何将pip源永久配置为华为云开源镜像站? 
  • [问题求助] 参加华为云有奖活动中心的开发者技术评测或征文活动时,如何快速获取测试资源券?
    看到华为云有奖活动中心发布了最新的云产品技术体验与评测征文活动,想要报名参加并亲自搭建环境跑通Demo,应该从哪里申领活动专属的免费测试代金券或沙箱资源?
  • [问题求助] 华为云CloudIDE启动技术栈实例时,如何选择持久化存储以防止代码丢失?
    使用华为云CloudIDE进行云端开发时,担心实例在闲置超时自动休眠或重启后,之前编写的工程源码和安装的局部依赖会被清空,创建实例时该如何正确配置存储策略? 
  • [问题求助] 在华为云API开发者社区中,如何使用API Explorer在线调试云服务接口?
    在编写自动化运维脚本前,我们需要先验证华为云ECS和OBS部分API接口的请求参数格式与返回数据结构,如何不写代码直接在API开发者社区中进行在线接口调用测试? 
  • [问题求助] 华为云教育解决方案中,如何为高校计算机实验课批量构建统一的云上实训环境?
    高校在开展Linux系统编程或数据库实验课时,机房电脑环境经常不一致且维护困难,如何利用华为云教育解决方案为上百名学生快速分发标准化的云端实验沙箱并在课后释放资源?
  • [问题求助] 在华为云需求管理(CodeArts Req)中,如何落地Scrum敏捷开发流程?
    研发团队准备从传统的瀑布模型转型为Scrum敏捷开发模式,计划使用华为云需求管理模块来管理产品Backlog和日常迭代,应该如何规划需求层级并跟踪每个Sprint的进度? 
  • 从代码到智能:华为云码道CodeArts代码智能体走进湖北工业大学
    从代码到智能:华为云码道CodeArts代码智能体走进湖北工业大学一、活动背景随着人工智能技术的快速发展,AI正在深刻改变传统软件开发模式。为帮助高校学生深入了解AI辅助编程技术,探索人工智能在软件开发中的实际应用,华为云码道CodeArts代码智能体技术分享与实战体验活动走进湖北工业大学,为高校学子带来了一场集技术交流、产品体验与动手实践于一体的AI编程学习活动。本次活动围绕华为云码道CodeArts代码智能体的核心技术能力和实际开发场景展开,通过技术分享、功能演示、现场实操及互动答疑相结合的形式,帮助同学们了解AI编程工具的使用方式,体验智能化开发流程,进一步激发高校学生对AI技术与软件开发创新应用的探索热情。二、活动精彩回顾1. 技术分享:探索AI智能编程新模式活动伊始,主讲人围绕AI辅助编程技术的发展趋势及应用场景展开分享,介绍了人工智能技术在软件开发领域的创新应用,以及AI编程工具为开发者带来的效率提升与开发方式变革。随后,重点介绍华为云码道CodeArts代码智能体的产品能力,从自然语言需求理解、智能代码生成、代码分析到辅助开发等方面,帮助同学们深入了解AI智能体如何融入软件开发流程。通过技术讲解与场景分析,同学们进一步认识到AI不仅能够辅助完成代码编写,还能够在需求分析、问题排查及代码优化等环节提供支持,为日常编程学习和项目开发带来新的思路。   2. 功能演示:感受AI赋能开发的魅力在产品演示环节,主讲人围绕华为云码道CodeArts代码智能体的实际使用方法,展示了智能编程工具的操作流程与典型应用场景。通过自然语言描述开发需求,演示AI如何理解任务意图、生成代码并辅助完善程序逻辑,让同学们直观感受从“提出需求”到“实现功能”的智能开发过程。同时,结合日常编程中常见的代码编写、问题分析与功能优化等需求,讲解如何借助AI工具提高开发效率,帮助学生理解智能编程工具在实际开发中的应用价值。   3. 动手实操:从理论学习到实践应用为了让同学们更深入地掌握AI编程工具的使用方法,活动特别设置了上机实操环节,鼓励学生亲自动手体验华为云码道CodeArts代码智能体。在实践过程中,同学们跟随讲解步骤,熟悉产品操作界面及基本使用流程,尝试通过自然语言与AI智能体进行交互,体验代码生成、功能调整与程序优化等智能辅助开发能力。通过实际操作,同学们进一步加深了对AI编程技术的理解,逐步建立起利用AI工具辅助解决编程问题的实践思路,感受从技术认知到动手应用的完整学习过程。  4. 互动交流:共同探索AI开发新可能在互动交流环节,围绕AI编程工具的使用技巧、实际开发应用及学习场景展开讨论,针对同学们在实践过程中遇到的问题进行交流与答疑。通过技术分享与实操互动相结合的方式,让学生在了解产品功能的同时,进一步思考如何将AI智能体应用于课程设计、项目实践及未来的软件开发工作中。三、活动成效本次湖北工业大学华为云码道CodeArts代码智能体技术分享与实战体验活动,以高校开发者实际学习需求为导向,将前沿AI编程技术介绍与实践操作相结合,推动同学们从了解AI编程走向实际体验AI编程。活动围绕AI编程技术普及、智能开发工具应用及高校开发者实践能力提升展开,不仅为参与学生提供了接触智能编程技术的学习机会,也进一步促进了华为云码道CodeArts代码智能体在高校开发者群体中的推广与应用。通过本次活动,学生能够更加直观地认识AI辅助开发的应用场景,了解如何借助智能工具辅助完成代码编写和开发任务,为后续课程学习、项目开发和技术探索提供新的方法与思路。四、活动总结本次华为云码道CodeArts代码智能体走进湖北工业大学活动,以技术分享为基础,以动手实践为核心,通过产品讲解、功能演示、上机实操及互动交流等环节,为高校学生搭建了了解和体验AI智能编程技术的实践平台。活动将AI开发理念与实际编程场景相结合,帮助学生进一步了解华为云码道CodeArts代码智能体的技术能力及应用价值,推动智能开发工具在高校学习与实践场景中的普及。未来,期待更多高校开发者借助华为云码道CodeArts代码智能体,将创新想法转化为实际应用,在AI赋能软件开发的新时代不断探索技术创新的更多可能!以AI赋能编程,以实践启迪创新,让每一个创意都能在智能开发中加速实现!
  • [交流吐槽] 人民大学-西湖大学未来人类研究院斩获华为百万算力资助,赋能科研创新实践
    各位开发者好。长期在华为生态里做开发,平时会关注高校团队基于华为技术栈做的项目。最近中国人民大学—西湖大学未来人类联合研究院的两个青年团队项目——一个做事故车辆三维重建,一个做PFAS污染治理,项目本身的技术设计挺有代表性,今天抛开背景,纯粹从技术角度做个拆解,聊聊它们对开发者有哪些可借鉴的地方。项目一:事故车辆三维重建与损伤评估(中国人民大学)要解决的问题:车险定损长期依赖2D照片加人工经验——2D图像难以完整刻画受损车辆的几何形态和遮挡关系,估损偏差大;人工评估效率低、审核标准不统一、反舞弊能力弱。技术路线:这个项目把整条链路拆成了四段——多视角估计:收集大规模定损照片并标注车型、零件、损伤类型,基于深度学习实现2D图像到3D特征的转化;零件级分割与损伤识别:融合NeRF/高斯点云算法与车型、零件结构的先验知识,精准定位受损部位并量化损伤程度;三维重建:恢复事故车辆的完整3D结构;费用联动:对接行业价目表与工时库,建立"损伤程度—维修费用"映射,输出包含3D模型、损伤详情、费用明细的可回溯定损报告。可借鉴点:它不是单点模型,而是"数据融合—精准识别—智能联动"的全流程设计,强调结果可追溯、报告可验。这套思路平移到二手车评估、维修指导,乃至其他需要"视觉理解+量化输出"的场景,都是成立的。项目二:PFAS绿色治理与替代研究(西湖大学)要解决的问题:PFAS(全氟和多氟烷基物质)广泛用于消防泡沫、锂电和半导体制造,但碳-氟键极稳定,环境中难降解、易在生物体内累积,且来源分散、责任链条复杂,治理成本高。技术路线:以"科学—政策—社会"三维联动为主线——机制解析:通过蛋白结合与毒性机制研究,揭示PFAS健康风险的结构基础;风险量化:结合社会脆弱性与暴露差异数据,构建面向弱势群体的风险量化与沟通框架;绿色替代:以"低毒性、易降解、高性能"为设计导向,用AI辅助设计替代分子,并整合实验验证、计算模拟与政策仿真。可借鉴点:这是AI for Science的典型打法——用计算和模型能力介入分子设计这类传统上靠试错的领域,同时把工程输出(替代分子清单、管控白皮书)也纳入研究闭环,值得做科学计算方向的开发者参考。从两个项目看四层空间:硬件层:三维重建的大规模视觉训练、分子设计的计算模拟,都是实打实的重负载,这类项目跑在NPU等昇腾系算力上,说明科研级负载的承接路径已经比较成熟,做训练推理的开发者可以参照评估自己的迁移方案;Infra层:两个项目都基于ModelArts、MindSpore等华为AI平台构建,与平台亲和度高的技术栈,在算力获取、技术支持上会更顺畅,这是值得提前布局的方向;垂域层:车险、环境治理都是数据敏感、流程复杂的深水区场景,"AI+行业Know-how"的空位还很多,汽车后市场、保险科技、ESG等方向都有类似机会;知识/办公层:两个项目的落点分别是可回溯报告和结构化知识库、清单与白皮书——模型产出最终都要变成报告、清单、数据库这些"知识工件",围绕知识沉淀与办公自动化的最后一公里,空间容易被低估。写在最后:如果你所在团队对这两个项目的技术细节感兴趣,或者想探讨技术方案、合作(车险科技、AI for Science、三维重建等方向均可),欢迎评论区交流。
总条数:127 到第 页
上滑加载中