深度学习

NVIDIA和Arc研究所联合发布全球最大生物学 AI 模型 Evo2，助力基因组研究与设计

日前，Arc Institute 与 NVIDIA 合作，联合斯坦福大学、加州大学伯克利分校和加州大学旧金山分校的研究人员，共同推出了全球最大的生物学人工智能模型 ——Evo2。该模型以超过128，000个基因组的数据为基础，训练了9.3万亿个核苷酸，使其规模与最强大的生成性 AI 语言模型相媲美。 Evo2的深度学习能力使其能够快速识别不同生物体基因序列中的模式，研究人员无需耗费数年时间。

80%准确率！Meta 研发出无创脑机接口，仅凭思维就能打字

社交媒体巨头 Meta 最近宣布，他们开发了一种新设备，可以通过读取人脑的神经信号，实现文字输入。这项研究成果由 Meta 的科学家们在两项研究中详细介绍，利用先进的脑扫描技术和深度学习 AI 模型，成功地解码出人们在打字时的脑电信号，甚至能够重建出完整的句子。具体来说，这项技术依赖于一种名为磁脑电图（MEG）的扫描仪，能够捕捉大脑发出的微弱磁信号。

无需配对训练数据集，AI赋能协助全新无标记成像显微镜

编辑丨&中红外光声显微镜可以在不染色的情况下捕获生化信息。但在较长的中红外光学波长下，光声显微镜的空间分辨率明显低于传统的共聚焦荧光显微镜。一支来自韩国浦项科技大学的团队展示了一种可解释的基于深度学习的无监督域间转换，将低分辨率未标记的中红外光声显微镜图像转换为共聚焦状虚拟荧光染色的高分辨率图像。

DeepSeek百万年薪招人实习生月薪过万

近日，知名的AI企业DeepSeek，随着用户量的快速增长，正积极扩大其员工规模。据某招聘平台显示，杭州深度求索人工智能（AI）基础技术研究有限公司，即DeepSeek，已发布了多个岗位的招聘信息，涵盖深度学习研究员、核心系统研发工程师及资深UI设计师等多个领域，工作地点位于北京或杭州。 DeepSeek此次招聘的岗位众多，共计52个在招职位，显示出公司对人才的强烈需求。

人工智能的历史：从古代神话到现代机器，从图灵到未来

在人类宏伟成就的历史上，很少有演员能像人工智能一样如此引人注目、充满争议且大胆无畏。深入人工智能 (AI) 的历史迷宫及其可能的未来，就像踏上一场穿越时空的冒险之旅，科幻小说与现实之间的界限比量子计算机解决魔方的速度更快。请想象一下，如果有一天，机器不仅能执行任务，还能学习、适应和进化，你的烤面包机也许有一天会在国际象棋上胜过你，你的吸尘器也许能写出一首与莎士比亚媲美的十四行诗。

腾讯云TI平台上架DeepSeek系列模型支持免费体验和一键部署

近日，腾讯云TI平台宣布正式上架备受瞩目的DeepSeek系列模型，包括参数量达到671B的“满血版”V3和R1原版模型，以及基于DeepSeek-R1蒸馏得到的系列模型，参数规模从70B到1.5B不等。这一举措为开发者提供了强大的AI工具支持，进一步推动了大模型技术的普及和应用。 DeepSeek系列模型以其卓越的性能在全球范围内获得了广泛关注。

David Baker 利用 AI 设计蛋白质，一招制蛇毒，或将彻底改变蛇咬治疗

编辑丨&蛇中毒是一种严重的个人健康威胁，每年导致约 10 万人死亡和 30 万人永久残疾，尤其是在医疗资源匮乏的地区。目前的抗蛇毒血清主要依赖于动物血浆提取的多克隆抗体，存在成本高、副作用大、对某些毒素效果有限等问题。今年诺贝尔化学奖得主 David Baker 团队的一项研究揭示了蛇咬伤治疗可能改变游戏规则。

高灵敏探索质谱，滑铁卢、中原AI院团队基于深度学习的端到端方法

编辑 | 萝卜皮基于质谱的蛋白质组学中肽段鉴定对于理解蛋白质功能和动力学至关重要。传统的数据库搜索方法虽然应用广泛，但依赖于启发式评分函数，必须引入统计估计才能获得更高的鉴定率。加拿大滑铁卢大学（University of Waterloo）和中原人工智能研究院（中原 AI 院）的研究团队提出了 DeepSearch，一种基于深度学习的串联质谱端到端数据库搜索方法。

字节要亲手打造AGI了！神秘“Seed Edge”项目被曝光，已设置5大研究方向，探索下一代AI技术，算力不用愁！

编辑 | 伊风出品 | 51CTO技术栈（微信号：blog51cto）中国大厂开始发力AGI了！据媒体报道，字节跳动 AGI 研究团队浮出水面，揭开了字节AGI的秘密布局！报道称：1 月下旬，字节正式设立代号为“Seed Edge”的研究项目，核心目标是做比预训练和大模型迭代更长期、更基础的 AGI 前沿研究。

终于把机器学习中的类别不平衡搞懂了！！

今天给大家分享机器学习中的一个关键概念，类别不平衡。类别不平衡指的是在分类问题中，不同类别的数据样本数量相差悬殊的情况。在机器学习和深度学习的应用中，类别不平衡是一个常见的问题，尤其是在一些实际场景中，某些类别的数据相对较少，而其他类别的数据较多。

深度学习图像增强方法全总结！

一、什么是图像增强？图像增强是指通过一系列技术和方法对图像进行处理，以改善其视觉效果和特征表现。 1.

使用 CNN 进行时间序列预测！！

1D 卷积层（One-Dimensional Convolutional Layer）是卷积神经网络（CNN）的基本组成部分，广泛应用于处理一维序列数据，如时间序列分析、自然语言处理、语音识别等。 1D 卷积层是深度学习中用于处理序列数据的重要工具。它通过滑动窗口方式提取局部特征，并在多个通道间整合信息。

ETH&PICO开源MADPose：通过显式仿射校正单目深度预测的相对位姿估计方法

本文经3D视觉之心公众号授权转载，转载请联系出处。单目深度估计的关键局限和挑战近年来，基于深度学习的单目深度估计（Monocular Depth Estimation, MDE）能够从单张二维图像中提取出日益准确的三维信息。这些进展为利用三维先验丰富传统几何计算机视觉任务开辟了新的可能性。

YOLO 详解：基于深度学习的物体检测

引言本文介绍了YOLO（You Only Look Once），一种基于卷积神经网络（CNN）的物体检测模型。与依赖基于分类方法的传统物体检测模型不同，YOLO通过基于回归的方法直接推断边界框来预测物体位置。这种端到端的CNN模型以其卓越的处理速度和高预测精度脱颖而出，在这两方面都优于许多现有的物体检测架构。

PyTorch vs PyTorch Lightning 框架对比

在不断发展的深度学习领域，PyTorch 已经成为开发者和研究人员家喻户晓的名字。其动态计算图、灵活性以及广泛的社区支持使其成为构建从简单神经网络到复杂前沿模型的首选框架。然而，灵活性也带来了编写大量样板代码的责任——尤其是在训练循环、日志记录和分布式学习方面。

深度学习最佳 GPU，知多少？

众所周知，在深度学习领域，硬件选择的重要性不言而喻。随着机器学习模型复杂性的不断提升，对高效计算的需求也在指数级增长。图形处理单元（GPU，Graphics Processing Unit）凭借其强大的并行计算能力，成为应对深度学习挑战的理想硬件解决方案。

引言论文《Attention is All You Need》（Vaswani等，2017）提出了Transformer架构，这一模型通过完全摒弃标准的循环神经网络（RNN）组件，彻底改变了自然语言处理（NLP）领域。相反，它利用了一种称为“注意力”的机制，让模型在生成输出时决定如何关注输入的特定部分（如句子中的单词）。在Transformer之前，基于RNN的模型（如LSTM）主导了NLP领域。

多模态RAG技术：从语义抽取到VLM应用与规模化挑战

一、基于语义抽取的多模态 RAG多模态 RAG 的发展方向旨在构建一个高度集成的系统，能够无缝融合文本、图像和其它多媒体元素，为用户提供更丰富的信息交互体验。实现多模态 RAG 系统的三种主要技术路径如下：传统对象识别与解析（雕花路线）传统的多模态文档处理首先会运用图像识别技术，如 OCR（Optical Character Recognition，光学字符识别），从图像中抽取出文字、表格和图片等元素。之后，这些独立的对象会被进一步解析，转换成文本格式，以便于后续的信息检索与分析。