[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"site-home-live-entry-setting":3,"site-header-contests":8,"site-header-camps":49,"study-material-detail-study-59":104},{"enabled":4,"title":5,"statusText":5,"buttonText":5,"campSlug":5,"stage":6,"classroomId":7,"hasClassroom":4},false,"",0,null,{"total":9,"list":10,"pageNum":44,"pageSize":45,"size":9,"startRow":44,"endRow":9,"pages":44,"prePage":6,"nextPage":6,"isFirstPage":46,"isLastPage":46,"hasPreviousPage":4,"hasNextPage":4,"navigatePages":47,"navigatepageNums":48,"navigateFirstPage":44,"navigateLastPage":44},3,[11,25,35],{"slug":12,"title":13,"logo":7,"liveUrl":14,"prize":15,"sponsor":16,"description":17,"organizer":18,"startTime":19,"endTime":20,"registrationDeadline":21,"status":22,"dashboardVisibility":23,"createdAt":24},"spring2026","2026春季启元人工智能大赛","https:\u002F\u002Fwww.bilibili.com\u002Fblackboard\u002Flive\u002Flive-activity-player.html?cid=1822703816&quality=0","200,000","麒麟软件有限公司","“2026春季启元人工智能大赛”是由启元实验室主办的面向全国人工智能领域开发者、科研人员及高校学生的权威赛事。大赛旨在促进与培养具备工程实践能力和创新能力的优秀人工智能领域开发者、推广国产软硬件技术与生态、助力国家人工智能产业高质量发展。\n各参赛选手需在规定的比赛周期内，依据赛事规则选定赛题并完成相应挑战，优胜者将共同角逐总额20万元的赛事奖金池，并且还将有机会获得实习和知名企业优质岗位内推资格。","启元实验室","2026-04-19 16:00:00","2026-07-13 16:00:00","2026-06-16 16:00:00","ongoing","private","2026-04-16 08:00:00",{"slug":26,"title":27,"logo":7,"liveUrl":14,"prize":28,"sponsor":7,"description":29,"organizer":18,"startTime":30,"endTime":31,"registrationDeadline":32,"status":33,"dashboardVisibility":23,"createdAt":34},"autumn2025","2025秋季启元人工智能大赛","150,000","“2025秋季启元人工智能大赛”是由启元实验室主办的面向全国人工智能领域开发者、科研人员及高校学生的权威赛事。大赛旨在促进与培养具备工程实践能力和创新能力的优秀人工智能领域开发者、推广国产软硬件技术与生态、助力国家人工智能产业高质量发展。","2025-11-08 08:00:00","2026-01-13 08:00:00","2025-12-30 08:00:00","ended","2025-11-03 08:00:00",{"slug":36,"title":37,"logo":7,"liveUrl":14,"prize":38,"sponsor":7,"description":39,"organizer":18,"startTime":40,"endTime":41,"registrationDeadline":42,"status":33,"dashboardVisibility":23,"createdAt":43},"summer2025","启元人工智能大赛(系统方向)","80,000","启元人工智能大赛由启元实验室主办，其中系统赛道基于启元实验室九源软件栈的相关开源项目，通过拉动开源社区力量，一方面促进国产智能计算生态的发展，另一方面也为人工智能系统方向的学生及从业者提供一个实践平台。","2025-07-08 08:00:00","2025-08-25 08:00:00","2025-07-22 08:00:00","2025-06-22 08:00:00",1,5,true,8,[44],{"total":45,"list":50,"pageNum":44,"pageSize":45,"size":45,"startRow":44,"endRow":45,"pages":44,"prePage":6,"nextPage":6,"isFirstPage":46,"isLastPage":46,"hasPreviousPage":4,"hasNextPage":4,"navigatePages":47,"navigatepageNums":103,"navigateFirstPage":44,"navigateLastPage":44},[51,62,73,84,94],{"id":52,"slug":53,"title":54,"logo":55,"publicLiveEmbedUrl":14,"description":56,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":16,"startTime":58,"endTime":59,"status":22,"dashboardVisibility":60,"createdAt":58,"updatedAt":61},"019eeeff-6b00-7d55-a629-efafded3e232","summer2026","2026年夏季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fuploads\u002F2026-06\u002F019eef7f-7816-7828-9309-79c2c61dd568.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=tqXtkjDVEuQBnsL07LARCfQJvdE%3D","由启元实验室发起的InfiniTensor大模型与人工智能系统训练营，面向开源社区、高校及产业界伙伴开放。活动以「普及AI全栈知识技术、培养工程实践与创新型人才、推广国产软硬件技术生态」为核心目标，助力国家人工智能产业高质量发展。","...","2026-06-22 08:00:00","2026-10-19 08:00:00","public","2026-10-12 08:00:00",{"id":63,"slug":64,"title":65,"logo":66,"publicLiveEmbedUrl":7,"description":67,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":68,"startTime":69,"endTime":70,"status":33,"dashboardVisibility":23,"createdAt":71,"updatedAt":72},"019af3f3-e06a-7245-aa8d-37dc99a69c73","winter2025","2025年冬季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fuploads\u002F2025-12\u002F019afc69-b7ca-7805-91fb-605429671c01.png?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=tM28gi%2FKPywJvel7AqVcxFGnKTg%3D","由启元实验室发起的InfiniTensor大模型与人工智能系统训练营，面向开源社区、高校及产业界伙伴开放。活动以「普及AI全栈知识技术、培养工程实践与创新型人才、推广国产软硬件技术生态」为核心目标，助力国家人工智能产业高质量发展。 \n","新华三技术有限公司","2025-12-25 08:00:00","2026-03-27 08:00:00","2025-12-06 08:00:00","2026-10-22 20:24:30",{"id":74,"slug":36,"title":75,"logo":76,"publicLiveEmbedUrl":7,"description":77,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":78,"startTime":79,"endTime":80,"status":81,"dashboardVisibility":23,"createdAt":82,"updatedAt":83},"01980342-208c-7803-b3f3-19e1d31960ba","2025年夏季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fuploads\u002F2025-07\u002F0198045e-28fe-78f0-95fe-23835ce58395.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=RSwSsL0Rw0AFxM%2Bz65pGHzs2YLw%3D","InfiniTensor大模型与人工智能系统训练营由启元实验室及清华大学 AI 系统方向团队发起，面向开源社区、高校和产业界，普及人工智能各方面知识和技术，培养相关人才。训练营联合开源项目开发者、学术界大牛、工业界资深工程师参与授课与项目指导。课程采用「线上直播授课 + 在线答疑 + 项目实践辅导 」的方式进行，确保每位同学都能获得充分成长。训练营全程免费，通过视频、直播课、习题和项目实践，在人工智能飞速发展的背景下，为学员提供一窥深层技术的机会。","北京积算科技有限公司","2025-07-14 08:00:00","2025-09-30 08:00:00","upcoming","2025-07-13 08:00:00","2026-10-22 20:24:58",{"id":85,"slug":86,"title":87,"logo":88,"publicLiveEmbedUrl":7,"description":89,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":5,"startTime":90,"endTime":91,"status":81,"dashboardVisibility":23,"createdAt":92,"updatedAt":93},"01980cf9-a7d8-7796-ae86-0bbe05334add","winter2024","2024年冬季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Ftesting-cdn.infinitensor.com\u002Fuploads\u002F2025-07\u002F01981269-ce23-7624-a287-9f07dd0d85f6.jpg","InfiniTensor大模型与人工智能系统训练营由清华大学发起，面向开源社区、高校和产业界，普及人工智能各方面知识和技术，培养相关人才。训练营全程免费，通过视频、直播课、习题和项目实践，在人工智能飞速发展的背景下，为学员提供一窥深层技术的机会。报名学员请阅读“导学”课程页的训练营介绍。","2025-01-05 08:00:00","2025-03-22 08:00:00","2025-07-15 08:00:00","2026-10-22 20:24:39",{"id":95,"slug":96,"title":97,"logo":98,"publicLiveEmbedUrl":7,"description":99,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":5,"startTime":100,"endTime":101,"status":81,"dashboardVisibility":23,"createdAt":92,"updatedAt":102},"01980c20-363a-7dc3-8f5a-58a68e08dcc4","summer2024","2024年夏季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Ftesting-cdn.infinitensor.com\u002Fuploads\u002F2025-07\u002F01981269-fbfa-788a-afcd-17fa9be74ff9.jpg","InfiniTensor大模型与人工智能系统训练营由清华大学发起，面向开源社区和高校，普及人工智能各方面知识和技术，培养相关人才。训练营全程免费，通过课程、习题和项目实践，在人工智能飞速发展的背景下，为学员提供一窥深层技术的机会。","2024-07-20 08:00:00","2024-09-29 08:00:00","2026-10-22 20:24:49",[44],{"currentItem":105,"processedData":125},{"img":106,"keywords":107,"treeType":44,"description":108,"showStatus":44,"updateTime":109,"type":110,"title":111,"content":112,"nextArticle":113,"createTime":109,"sortOrder":117,"canonicalPath":118,"id":119,"contentType":120,"prevArticle":121},"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_fm.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=hJbps5b1sWP37nW%2FbBtwCDvClSc%3D","推理引擎,神经网络,InfiniTensor,AI 模型,大模型推理,深度学习基础","2026 夏训推理引擎入门课，面向零基础讲解符号 \u002F 联结主义、神经网络、梯度下降、矩阵运算等核心知识，介绍 CNN、残差等网络结构，梳理 AI 任务分类，搭建大模型推理前置理论基础。","2026-10-22 20:38:11",2,"2026 夏季 InfiniTensor 训练营推理引擎 1：AI 模型导论与推理基础原理","![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw01.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=8Xd6yEYl0Dbu89675tnX7KZ83Wc%3D)\r\n\r\n\r\n\u003Cspan style=\"font-size:12px;color:#555;\">7 月 13 日， 2026 夏季 InfiniTensor 大模型与人工智能系统训练营推理引擎方向第一课《AI模型导论与推理基础原理》开讲。本节课面向零基础学员，不涉及复杂推理实操，完整梳理人工智能底层基础概念，搭建 AI 基础认知框架。\u003C\u002Fspan>\r\n\r\n\r\n## 重新定义智能与人工智能\r\n### 什么是人工智能？底层统一逻辑\r\n\r\n1.生物智能举例：草履虫应激反应\r\n- 营养液环境下，草履虫主动向营养液移动\r\n- 高盐不适环境下，草履虫主动远离有害水体\r\n- 生物根据环境变化做出对应反馈，是最基础的智能表现\r\n\r\n2.人工智能各类智能场景\r\n- 图像识别系统，区分人脸性别、对应身份\r\n- AlphaGo 依据当前棋盘局势，输出最优落子方案\r\n- 对话类大模型，读懂用户需求，输出匹配回答，支持本地文件操作\r\n\r\n3.数学抽象：AI 等价于黑盒函数 f (x)=y\r\n- x 代表输入，即当前场景、特征信息\r\n- y 代表输出，也就是模型给出的智能反馈\r\n- 图灵测试是一种行为测试。如果模型在限定条件下与人对话，评测者无法稳定区分人与机器，则说明模型具有接近人类的对话表现能力，可作为衡量人工智能的一种经典测试方法。\r\n\r\n\r\n## AI 两大核心发展路线：符号主义与联结主义\r\n\r\n### 符号主义：早期人工智能，代表产物专家系统\r\n\r\n1.符号主义核心思想\r\n- 认定智能本质是符号逻辑处理，全部认知均可通过固定逻辑表达式描述\r\n- 以阴天、潮湿推断下雨、出门带伞为例，人脑依靠多层逻辑推导完成判断\r\n- 人类所有思考行为，都能拆解为标准化逻辑公式\r\n\r\n2.专家系统两大核心模块\r\n- 知识库：由行业专家手动录入全部逻辑规则，系统无法自主新增知识\r\n- 推理机：读取知识库规则，结合输入信息自动推导对应结论\r\n- 经典应用 MYCIN：面向医生的辅助疾病诊断系统，通过症状逻辑完成初步诊断\r\n\r\n3.符号主义与专家系统固有缺陷\r\n- 不具备自主学习能力，环境发生变化后，只能依靠人工手动更新规则库\r\n- 大量现实规律无法用简单逻辑描述，例如中医脉象、细微感官差异，难以符号化表达\r\n\r\n![BQACAgUAAyEGAASHRsPbAAEXKgtqVbR-usk_2FzDP-2oIjdKJVXVBQACPCUAAkvwsVY0xJsyRe_M7D0E.png](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw02.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=1N%2FeMFVIzV1BvYuTW8SDxt5CUEI%3D)\r\n\r\n\r\n### 联结主义：模仿人脑神经元，神经网络理论基础\r\n\r\n1.连接主义核心思路\r\n- 人类智能根源为人脑神经元网络，复刻神经元联结模式即可实现人工智能\r\n- 人脑依靠海量神经元、突触完成电信号、化学信号并行传递，这是智能的底层载体\r\n\r\n2.感知器：单神经元简易数学模型\r\n- 基础计算分为两步：线性加权运算 + 非线性激活判断\r\n- 线性计算：输入特征搭配对应权重，叠加偏移值完成数值汇总\r\n- 非线性计算：判断神经元是否激活，区分输出结果\r\n\r\n3.案例：水果识别感知器\r\n- 提取水果标准化特征：尺寸、颜色、口味，转化为数值向量输入模型\r\n- 感知器接收连续数值特征，区别于专家系统非黑即白的逻辑判断\r\n- 仅调整权重参数、不改动整体结构，即可切换识别目标（苹果、西瓜等）\r\n\r\n4.单层感知器的局限：无法解决异或问题\r\n- 异或逻辑属于线性不可分问题\r\n- 单层感知器仅能在高维空间绘制一条分割直线，无法区分对角分布样本点\r\n- 该缺陷曾让联结主义研究长期陷入发展低谷\r\n\r\n\r\n![BQACAgUAAyEGAASHRsPbAAEXKhZqVbTXd-kYSSf_gmtVs5B2tbKcdQACRyUAAkvwsVYKjxG5Pbo33z0E.png](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw03.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=%2FimusM3NAGg8ndDFX5FbeDBxhKM%3D)\r\n\r\n\r\n### 多层感知器解决线性不可分问题\r\n1.两层感知器实现异或逻辑\r\n- 两层神经元分别绘制分割线，划分空间局部区域\r\n- 最后一层神经元做 “与逻辑” 判断，整合两层输出结果，完成异或运算\r\n\r\n\r\n![BQACAgUAAyEGAASHRsPbAAEXKipqVbVnVNv5x49Gtvn4lrp5aM2HZQACXiUAAkvwsVZ8Db9WII8GVD0E.png](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw04.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=%2Fkx61l%2BPiOYNptfH1dA2Y5qVTuE%3D)\r\n\r\n2.多层感知器通用能力\r\n- 两层感知器：可拟合空间内任意形状决策边界\r\n- 三层感知器：输入层、隐藏层、输出层，理论可模拟任意复杂决策边界\r\n- 多分类任务采用 one hot 编码，多输出神经元对应不同类别判定\r\n\r\n![BQACAgUAAyEGAASHRsPbAAEXKi5qVbWSr_aMMH3S8ywjWx9ezJNhPQACYiUAAkvwsVYDcmkJAw8cRT0E.png](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw05.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=218epEodfWavMcO2AICxHBySnBk%3D)\r\n\r\n\r\n3.深度神经网络由来\r\n- 多层三层神经网络相互串联堆叠，形成深度神经网络\r\n- 输入层维度匹配特征数量，输出层维度匹配分类数量，隐藏层自由扩充神经元数量\r\n\r\n![BQACAgUAAyEGAASHRsPbAAEXKi9qVbW0BC2zPwIw7XDfc919KjURNwACYyUAAkvwsVaFHcSWcIMBIT0E.png](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw06.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=cqvW3uybgwT9bwZpWYbqSJ9p2Xc%3D)\r\n\r\n\r\n## 神经网络训练核心原理\r\n### 最优参数求解：损失函数与梯度下降\r\n1.损失函数作用\r\n- 量化模型预测结果与真实结果的差距\r\n- 识别准确率越低，损失函数数值越大；识别精准，损失数值趋近于 0\r\n- 训练目标：寻找一组参数，让损失函数数值最小\r\n\r\n2.梯度下降法底层逻辑\r\n- 通过求导计算损失函数梯度，判断参数调整方向\r\n- 类比山谷寻最低点：沿下坡方向持续调整权重参数，不断降低整体损失\r\n\r\n3.训练完整流程\r\n- 将参数优化转化为函数求极值数学问题\r\n- 持续迭代更新权重，自动拟合最优函数，整套自动化流程即为机器学习\r\n\r\n### 激活函数：神经元非线性计算单元\r\n1.符号函数缺陷\r\n- 除零点外导数均为 0，梯度下降无法更新参数，无法用于模型训练\r\n\r\n2.通用激活函数特点\r\n- 输出不再局限 0、1，存在中间连续数值\r\n- 分类任务通过取最大值（argmax）、随机采样完成类别判定\r\n- 大模型主流使用 SwiGLU 函数，后续课程详细讲解\r\n\r\n![BQACAgUAAyEGAASHRsPbAAEXKjRqVbXfhK2AdKAxThkkzLIkDcPh8gACaCUAAkvwsVavXKo8IDZrYD0E.png](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw07.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=z0kFUfdSby2n0qOAWDSZE5fv6vM%3D)\r\n\r\n### 神经网络核心计算：矩阵乘法\r\n1.线性计算数学表达\r\n- 单样本输入：向量与权重矩阵相乘，叠加偏移值\r\n- 批量样本输入：矩阵与矩阵相乘，一次性完成全部样本并行计算\r\n\r\n2.矩阵乘硬件优势\r\n- 计算逻辑高度并行，适配 AI 芯片算力架构\r\n- 循环逐次计算无法充分利用硬件性能，批量矩阵运算算力利用率更高\r\n\r\n3.大模型硬件算力挑战\r\n- 千亿、万亿级别参数需要大容量内存存储权重\r\n- 海量矩阵运算对芯片并行算力、低延迟、高能效提出硬性要求\r\n\r\n![BQACAgUAAyEGAASHRsPbAAEXKjdqVbX5sVE6e0hPOB_k-gscG9kOhgACayUAAkvwsVYUpQToy1jgiz0E.png](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw08.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=0ezGDQGB52YEm%2Flca9jLoT9kD7k%3D)\r\n\r\n\r\n## 特殊神经网络结构设计逻辑\r\n### 通用深度网络存在的短板\r\n单纯堆叠多层神经元，拟合复杂特征需要大量参数、算力与训练时间，效率偏低。\r\n\r\n### 专用结构核心优势\r\n提前结合数据固有特征设计网络架构，用更少参数捕捉关键特征，降低算力、内存、训练耗时。\r\n\r\n1.卷积神经网络（视觉专用）\r\n- 通过卷积核提取图像局部特征，类似七段灯拆解数字轮廓\r\n- 图像识别场景参数更少、训练速度更快、识别精度更高\r\n\r\n2.残差结构\r\n- 拷贝浅层原始信息传递至深层，缓解多层网络信息丢失、特征弱化问题\r\n\r\n![BQACAgUAAyEGAASHRsPbAAEXKjhqVbYfB3CzmtT1Tl21WwABL2oZ_7oAAmwlAAJL8LFWKsIv7TxoQkY9BA.png](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw09.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=zUbc5jJ456H1qbXtO2eV8qMyM%2BQ%3D)\r\n\r\n3.层归一化\r\n- 统一每层数值区间，避免浮点数计算累积溢出\r\n- 大语言模型常用简化版 RmsNorm，仅缩放数值、不做中心化处理\r\n- 优化向量区分度，提升模型收敛速度\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw10.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=4yx5pabVr7vX%2Fl4RA0qfkBqMq%2BI%3D)\r\n\r\n\r\n## AI 模型任务类型\r\n\r\n![BQACAgUAAyEGAASHRsPbAAEXKjlqVbY4mwhG03qaI-fOQmNwXYc6ywACbSUAAkvwsVbWDUSwgq67Wz0E.png](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw11.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=mMwDV4YLVDC1a1MD%2F%2BaGzTo3fUA%3D)\r\n\r\n### 按输入数据形态分类\r\n\r\n1. 向量：固定长度一维数值，如手写数字展平特征\r\n2. 矩阵：二维结构化数据，典型代表图片\r\n3. 序列：长度不固定的向量组合，文字、语音、视频均属于序列输入\r\n\r\n### 按输出任务目标分类\r\n1. 回归任务：输出单一连续数值，例如气温预测、数值预估\r\n2. 分类任务：划分固定类别，例如手写数字 0-9 识别\r\n3. 生成任务：基于输入生成全新内容，例如文生图、文本续写\r\n\r\n\r\n\r\n## 加入训练营\r\n**InfiniTensor 官网**报名\u002F听课： [https:\u002F\u002Fwww.infinitensor.com]\r\n\r\n**B站直播**： InfiniTensor 官方直播间\r\n\r\n**答疑交流**： 训练营官方社群⬇️\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002Fportal_news\u002F2026-xjq.png?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=%2Fg%2Bc1%2FM0YlxzGJyajhCCmCXmOBw%3D)\r\n\r\n## 关注与交流\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002Fportal_news\u002Fnews_ewm02.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=JgiQxIXW%2Bu6YR1x2%2FNpdCzmQLzA%3D)",{"publishTime":7,"createTime":109,"canonicalPath":114,"id":115,"title":116},"\u002Fstudy-material\u002Fstudy-58","study-58","2026 夏季 InfiniTensor 训练营 CUDA 编程 1：并行编程导论与 CUDA 入门",50,"\u002Fstudy-material\u002Fstudy-59","study-59","markdown",{"publishTime":7,"createTime":109,"canonicalPath":122,"id":123,"title":124},"\u002Fstudy-material\u002Fstudy-60","study-60","2026 夏季 InfiniTensor 训练营 AI 编程与智能体应用方向 1：《AI 辅助编程：开发流程、Agent Skills 与工程化实践》",{"htmlContent":126,"headings":127},"\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw01.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=8Xd6yEYl0Dbu89675tnX7KZ83Wc%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cp>\u003Cspan style=\"font-size:12px;color:#555;\">7 月 13 日， 2026 夏季 InfiniTensor 大模型与人工智能系统训练营推理引擎方向第一课《AI模型导论与推理基础原理》开讲。本节课面向零基础学员，不涉及复杂推理实操，完整梳理人工智能底层基础概念，搭建 AI 基础认知框架。\u003C\u002Fspan>\u003C\u002Fp>\n\u003Ch2 id=\"重新定义智能与人工智能\">\u003Ca class=\"anchor\" href=\"#重新定义智能与人工智能\" aria-label=\"跳转到标题：重新定义智能与人工智能\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>重新定义智能与人工智能\u003C\u002Fh2>\u003Ch3 id=\"什么是人工智能-底层统一逻辑\">\u003Ca class=\"anchor\" href=\"#什么是人工智能-底层统一逻辑\" aria-label=\"跳转到标题：什么是人工智能？底层统一逻辑\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>什么是人工智能？底层统一逻辑\u003C\u002Fh3>\u003Cp>1.生物智能举例：草履虫应激反应\u003C\u002Fp>\n\u003Cul>\n\u003Cli>营养液环境下，草履虫主动向营养液移动\u003C\u002Fli>\n\u003Cli>高盐不适环境下，草履虫主动远离有害水体\u003C\u002Fli>\n\u003Cli>生物根据环境变化做出对应反馈，是最基础的智能表现\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>2.人工智能各类智能场景\u003C\u002Fp>\n\u003Cul>\n\u003Cli>图像识别系统，区分人脸性别、对应身份\u003C\u002Fli>\n\u003Cli>AlphaGo 依据当前棋盘局势，输出最优落子方案\u003C\u002Fli>\n\u003Cli>对话类大模型，读懂用户需求，输出匹配回答，支持本地文件操作\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>3.数学抽象：AI 等价于黑盒函数 f (x)=y\u003C\u002Fp>\n\u003Cul>\n\u003Cli>x 代表输入，即当前场景、特征信息\u003C\u002Fli>\n\u003Cli>y 代表输出，也就是模型给出的智能反馈\u003C\u002Fli>\n\u003Cli>图灵测试是一种行为测试。如果模型在限定条件下与人对话，评测者无法稳定区分人与机器，则说明模型具有接近人类的对话表现能力，可作为衡量人工智能的一种经典测试方法。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2 id=\"ai-两大核心发展路线-符号主义与联结主义\">\u003Ca class=\"anchor\" href=\"#ai-两大核心发展路线-符号主义与联结主义\" aria-label=\"跳转到标题：AI 两大核心发展路线：符号主义与联结主义\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>AI 两大核心发展路线：符号主义与联结主义\u003C\u002Fh2>\u003Ch3 id=\"符号主义-早期人工智能-代表产物专家系统\">\u003Ca class=\"anchor\" href=\"#符号主义-早期人工智能-代表产物专家系统\" aria-label=\"跳转到标题：符号主义：早期人工智能，代表产物专家系统\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>符号主义：早期人工智能，代表产物专家系统\u003C\u002Fh3>\u003Cp>1.符号主义核心思想\u003C\u002Fp>\n\u003Cul>\n\u003Cli>认定智能本质是符号逻辑处理，全部认知均可通过固定逻辑表达式描述\u003C\u002Fli>\n\u003Cli>以阴天、潮湿推断下雨、出门带伞为例，人脑依靠多层逻辑推导完成判断\u003C\u002Fli>\n\u003Cli>人类所有思考行为，都能拆解为标准化逻辑公式\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>2.专家系统两大核心模块\u003C\u002Fp>\n\u003Cul>\n\u003Cli>知识库：由行业专家手动录入全部逻辑规则，系统无法自主新增知识\u003C\u002Fli>\n\u003Cli>推理机：读取知识库规则，结合输入信息自动推导对应结论\u003C\u002Fli>\n\u003Cli>经典应用 MYCIN：面向医生的辅助疾病诊断系统，通过症状逻辑完成初步诊断\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>3.符号主义与专家系统固有缺陷\u003C\u002Fp>\n\u003Cul>\n\u003Cli>不具备自主学习能力，环境发生变化后，只能依靠人工手动更新规则库\u003C\u002Fli>\n\u003Cli>大量现实规律无法用简单逻辑描述，例如中医脉象、细微感官差异，难以符号化表达\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw02.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=1N%2FeMFVIzV1BvYuTW8SDxt5CUEI%3D\" alt=\"BQACAgUAAyEGAASHRsPbAAEXKgtqVbR-usk_2FzDP-2oIjdKJVXVBQACPCUAAkvwsVY0xJsyRe_M7D0E.png\">\u003C\u002Fp>\n\u003Ch3 id=\"联结主义-模仿人脑神经元-神经网络理论基础\">\u003Ca class=\"anchor\" href=\"#联结主义-模仿人脑神经元-神经网络理论基础\" aria-label=\"跳转到标题：联结主义：模仿人脑神经元，神经网络理论基础\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>联结主义：模仿人脑神经元，神经网络理论基础\u003C\u002Fh3>\u003Cp>1.连接主义核心思路\u003C\u002Fp>\n\u003Cul>\n\u003Cli>人类智能根源为人脑神经元网络，复刻神经元联结模式即可实现人工智能\u003C\u002Fli>\n\u003Cli>人脑依靠海量神经元、突触完成电信号、化学信号并行传递，这是智能的底层载体\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>2.感知器：单神经元简易数学模型\u003C\u002Fp>\n\u003Cul>\n\u003Cli>基础计算分为两步：线性加权运算 + 非线性激活判断\u003C\u002Fli>\n\u003Cli>线性计算：输入特征搭配对应权重，叠加偏移值完成数值汇总\u003C\u002Fli>\n\u003Cli>非线性计算：判断神经元是否激活，区分输出结果\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>3.案例：水果识别感知器\u003C\u002Fp>\n\u003Cul>\n\u003Cli>提取水果标准化特征：尺寸、颜色、口味，转化为数值向量输入模型\u003C\u002Fli>\n\u003Cli>感知器接收连续数值特征，区别于专家系统非黑即白的逻辑判断\u003C\u002Fli>\n\u003Cli>仅调整权重参数、不改动整体结构，即可切换识别目标（苹果、西瓜等）\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>4.单层感知器的局限：无法解决异或问题\u003C\u002Fp>\n\u003Cul>\n\u003Cli>异或逻辑属于线性不可分问题\u003C\u002Fli>\n\u003Cli>单层感知器仅能在高维空间绘制一条分割直线，无法区分对角分布样本点\u003C\u002Fli>\n\u003Cli>该缺陷曾让联结主义研究长期陷入发展低谷\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw03.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=%2FimusM3NAGg8ndDFX5FbeDBxhKM%3D\" alt=\"BQACAgUAAyEGAASHRsPbAAEXKhZqVbTXd-kYSSf_gmtVs5B2tbKcdQACRyUAAkvwsVYKjxG5Pbo33z0E.png\">\u003C\u002Fp>\n\u003Ch3 id=\"多层感知器解决线性不可分问题\">\u003Ca class=\"anchor\" href=\"#多层感知器解决线性不可分问题\" aria-label=\"跳转到标题：多层感知器解决线性不可分问题\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>多层感知器解决线性不可分问题\u003C\u002Fh3>\u003Cp>1.两层感知器实现异或逻辑\u003C\u002Fp>\n\u003Cul>\n\u003Cli>两层神经元分别绘制分割线，划分空间局部区域\u003C\u002Fli>\n\u003Cli>最后一层神经元做 “与逻辑” 判断，整合两层输出结果，完成异或运算\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw04.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=%2Fkx61l%2BPiOYNptfH1dA2Y5qVTuE%3D\" alt=\"BQACAgUAAyEGAASHRsPbAAEXKipqVbVnVNv5x49Gtvn4lrp5aM2HZQACXiUAAkvwsVZ8Db9WII8GVD0E.png\">\u003C\u002Fp>\n\u003Cp>2.多层感知器通用能力\u003C\u002Fp>\n\u003Cul>\n\u003Cli>两层感知器：可拟合空间内任意形状决策边界\u003C\u002Fli>\n\u003Cli>三层感知器：输入层、隐藏层、输出层，理论可模拟任意复杂决策边界\u003C\u002Fli>\n\u003Cli>多分类任务采用 one hot 编码，多输出神经元对应不同类别判定\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw05.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=218epEodfWavMcO2AICxHBySnBk%3D\" alt=\"BQACAgUAAyEGAASHRsPbAAEXKi5qVbWSr_aMMH3S8ywjWx9ezJNhPQACYiUAAkvwsVYDcmkJAw8cRT0E.png\">\u003C\u002Fp>\n\u003Cp>3.深度神经网络由来\u003C\u002Fp>\n\u003Cul>\n\u003Cli>多层三层神经网络相互串联堆叠，形成深度神经网络\u003C\u002Fli>\n\u003Cli>输入层维度匹配特征数量，输出层维度匹配分类数量，隐藏层自由扩充神经元数量\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw06.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=cqvW3uybgwT9bwZpWYbqSJ9p2Xc%3D\" alt=\"BQACAgUAAyEGAASHRsPbAAEXKi9qVbW0BC2zPwIw7XDfc919KjURNwACYyUAAkvwsVaFHcSWcIMBIT0E.png\">\u003C\u002Fp>\n\u003Ch2 id=\"神经网络训练核心原理\">\u003Ca class=\"anchor\" href=\"#神经网络训练核心原理\" aria-label=\"跳转到标题：神经网络训练核心原理\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>神经网络训练核心原理\u003C\u002Fh2>\u003Ch3 id=\"最优参数求解-损失函数与梯度下降\">\u003Ca class=\"anchor\" href=\"#最优参数求解-损失函数与梯度下降\" aria-label=\"跳转到标题：最优参数求解：损失函数与梯度下降\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>最优参数求解：损失函数与梯度下降\u003C\u002Fh3>\u003Cp>1.损失函数作用\u003C\u002Fp>\n\u003Cul>\n\u003Cli>量化模型预测结果与真实结果的差距\u003C\u002Fli>\n\u003Cli>识别准确率越低，损失函数数值越大；识别精准，损失数值趋近于 0\u003C\u002Fli>\n\u003Cli>训练目标：寻找一组参数，让损失函数数值最小\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>2.梯度下降法底层逻辑\u003C\u002Fp>\n\u003Cul>\n\u003Cli>通过求导计算损失函数梯度，判断参数调整方向\u003C\u002Fli>\n\u003Cli>类比山谷寻最低点：沿下坡方向持续调整权重参数，不断降低整体损失\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>3.训练完整流程\u003C\u002Fp>\n\u003Cul>\n\u003Cli>将参数优化转化为函数求极值数学问题\u003C\u002Fli>\n\u003Cli>持续迭代更新权重，自动拟合最优函数，整套自动化流程即为机器学习\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 id=\"激活函数-神经元非线性计算单元\">\u003Ca class=\"anchor\" href=\"#激活函数-神经元非线性计算单元\" aria-label=\"跳转到标题：激活函数：神经元非线性计算单元\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>激活函数：神经元非线性计算单元\u003C\u002Fh3>\u003Cp>1.符号函数缺陷\u003C\u002Fp>\n\u003Cul>\n\u003Cli>除零点外导数均为 0，梯度下降无法更新参数，无法用于模型训练\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>2.通用激活函数特点\u003C\u002Fp>\n\u003Cul>\n\u003Cli>输出不再局限 0、1，存在中间连续数值\u003C\u002Fli>\n\u003Cli>分类任务通过取最大值（argmax）、随机采样完成类别判定\u003C\u002Fli>\n\u003Cli>大模型主流使用 SwiGLU 函数，后续课程详细讲解\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw07.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=z0kFUfdSby2n0qOAWDSZE5fv6vM%3D\" alt=\"BQACAgUAAyEGAASHRsPbAAEXKjRqVbXfhK2AdKAxThkkzLIkDcPh8gACaCUAAkvwsVavXKo8IDZrYD0E.png\">\u003C\u002Fp>\n\u003Ch3 id=\"神经网络核心计算-矩阵乘法\">\u003Ca class=\"anchor\" href=\"#神经网络核心计算-矩阵乘法\" aria-label=\"跳转到标题：神经网络核心计算：矩阵乘法\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>神经网络核心计算：矩阵乘法\u003C\u002Fh3>\u003Cp>1.线性计算数学表达\u003C\u002Fp>\n\u003Cul>\n\u003Cli>单样本输入：向量与权重矩阵相乘，叠加偏移值\u003C\u002Fli>\n\u003Cli>批量样本输入：矩阵与矩阵相乘，一次性完成全部样本并行计算\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>2.矩阵乘硬件优势\u003C\u002Fp>\n\u003Cul>\n\u003Cli>计算逻辑高度并行，适配 AI 芯片算力架构\u003C\u002Fli>\n\u003Cli>循环逐次计算无法充分利用硬件性能，批量矩阵运算算力利用率更高\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>3.大模型硬件算力挑战\u003C\u002Fp>\n\u003Cul>\n\u003Cli>千亿、万亿级别参数需要大容量内存存储权重\u003C\u002Fli>\n\u003Cli>海量矩阵运算对芯片并行算力、低延迟、高能效提出硬性要求\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw08.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=0ezGDQGB52YEm%2Flca9jLoT9kD7k%3D\" alt=\"BQACAgUAAyEGAASHRsPbAAEXKjdqVbX5sVE6e0hPOB_k-gscG9kOhgACayUAAkvwsVYUpQToy1jgiz0E.png\">\u003C\u002Fp>\n\u003Ch2 id=\"特殊神经网络结构设计逻辑\">\u003Ca class=\"anchor\" href=\"#特殊神经网络结构设计逻辑\" aria-label=\"跳转到标题：特殊神经网络结构设计逻辑\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>特殊神经网络结构设计逻辑\u003C\u002Fh2>\u003Ch3 id=\"通用深度网络存在的短板\">\u003Ca class=\"anchor\" href=\"#通用深度网络存在的短板\" aria-label=\"跳转到标题：通用深度网络存在的短板\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>通用深度网络存在的短板\u003C\u002Fh3>\u003Cp>单纯堆叠多层神经元，拟合复杂特征需要大量参数、算力与训练时间，效率偏低。\u003C\u002Fp>\n\u003Ch3 id=\"专用结构核心优势\">\u003Ca class=\"anchor\" href=\"#专用结构核心优势\" aria-label=\"跳转到标题：专用结构核心优势\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>专用结构核心优势\u003C\u002Fh3>\u003Cp>提前结合数据固有特征设计网络架构，用更少参数捕捉关键特征，降低算力、内存、训练耗时。\u003C\u002Fp>\n\u003Cp>1.卷积神经网络（视觉专用）\u003C\u002Fp>\n\u003Cul>\n\u003Cli>通过卷积核提取图像局部特征，类似七段灯拆解数字轮廓\u003C\u002Fli>\n\u003Cli>图像识别场景参数更少、训练速度更快、识别精度更高\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>2.残差结构\u003C\u002Fp>\n\u003Cul>\n\u003Cli>拷贝浅层原始信息传递至深层，缓解多层网络信息丢失、特征弱化问题\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw09.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=zUbc5jJ456H1qbXtO2eV8qMyM%2BQ%3D\" alt=\"BQACAgUAAyEGAASHRsPbAAEXKjhqVbYfB3CzmtT1Tl21WwABL2oZ_7oAAmwlAAJL8LFWKsIv7TxoQkY9BA.png\">\u003C\u002Fp>\n\u003Cp>3.层归一化\u003C\u002Fp>\n\u003Cul>\n\u003Cli>统一每层数值区间，避免浮点数计算累积溢出\u003C\u002Fli>\n\u003Cli>大语言模型常用简化版 RmsNorm，仅缩放数值、不做中心化处理\u003C\u002Fli>\n\u003Cli>优化向量区分度，提升模型收敛速度\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw10.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=4yx5pabVr7vX%2Fl4RA0qfkBqMq%2BI%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ch2 id=\"ai-模型任务类型\">\u003Ca class=\"anchor\" href=\"#ai-模型任务类型\" aria-label=\"跳转到标题：AI 模型任务类型\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>AI 模型任务类型\u003C\u002Fh2>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_59_zw11.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=mMwDV4YLVDC1a1MD%2F%2BaGzTo3fUA%3D\" alt=\"BQACAgUAAyEGAASHRsPbAAEXKjlqVbY4mwhG03qaI-fOQmNwXYc6ywACbSUAAkvwsVbWDUSwgq67Wz0E.png\">\u003C\u002Fp>\n\u003Ch3 id=\"按输入数据形态分类\">\u003Ca class=\"anchor\" href=\"#按输入数据形态分类\" aria-label=\"跳转到标题：按输入数据形态分类\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>按输入数据形态分类\u003C\u002Fh3>\u003Col>\n\u003Cli>向量：固定长度一维数值，如手写数字展平特征\u003C\u002Fli>\n\u003Cli>矩阵：二维结构化数据，典型代表图片\u003C\u002Fli>\n\u003Cli>序列：长度不固定的向量组合，文字、语音、视频均属于序列输入\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Ch3 id=\"按输出任务目标分类\">\u003Ca class=\"anchor\" href=\"#按输出任务目标分类\" aria-label=\"跳转到标题：按输出任务目标分类\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>按输出任务目标分类\u003C\u002Fh3>\u003Col>\n\u003Cli>回归任务：输出单一连续数值，例如气温预测、数值预估\u003C\u002Fli>\n\u003Cli>分类任务：划分固定类别，例如手写数字 0-9 识别\u003C\u002Fli>\n\u003Cli>生成任务：基于输入生成全新内容，例如文生图、文本续写\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Ch2 id=\"加入训练营\">\u003Ca class=\"anchor\" href=\"#加入训练营\" aria-label=\"跳转到标题：加入训练营\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>加入训练营\u003C\u002Fh2>\u003Cp>\u003Cstrong>InfiniTensor 官网\u003C\u002Fstrong>报名\u002F听课： [\u003Ca href=\"https:\u002F\u002Fwww.infinitensor.com%5D\">https:\u002F\u002Fwww.infinitensor.com]\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>B站直播\u003C\u002Fstrong>： InfiniTensor 官方直播间\u003C\u002Fp>\n\u003Cp>\u003Cstrong>答疑交流\u003C\u002Fstrong>： 训练营官方社群⬇️\u003C\u002Fp>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002Fportal_news\u002F2026-xjq.png?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=%2Fg%2Bc1%2FM0YlxzGJyajhCCmCXmOBw%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ch2 id=\"关注与交流\">\u003Ca class=\"anchor\" href=\"#关注与交流\" aria-label=\"跳转到标题：关注与交流\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>关注与交流\u003C\u002Fh2>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002Fportal_news\u002Fnews_ewm02.jpg?Expires=1792752826&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=JgiQxIXW%2Bu6YR1x2%2FNpdCzmQLzA%3D\" alt=\"\">\u003C\u002Fp>\n",[128,130,133,136,139,142,144,146,149,152,155,157,159,161,164,166,168,170],{"id":129,"text":129,"level":110},"重新定义智能与人工智能",{"id":131,"text":132,"level":9},"什么是人工智能-底层统一逻辑","什么是人工智能？底层统一逻辑",{"id":134,"text":135,"level":110},"ai-两大核心发展路线-符号主义与联结主义","AI 两大核心发展路线：符号主义与联结主义",{"id":137,"text":138,"level":9},"符号主义-早期人工智能-代表产物专家系统","符号主义：早期人工智能，代表产物专家系统",{"id":140,"text":141,"level":9},"联结主义-模仿人脑神经元-神经网络理论基础","联结主义：模仿人脑神经元，神经网络理论基础",{"id":143,"text":143,"level":9},"多层感知器解决线性不可分问题",{"id":145,"text":145,"level":110},"神经网络训练核心原理",{"id":147,"text":148,"level":9},"最优参数求解-损失函数与梯度下降","最优参数求解：损失函数与梯度下降",{"id":150,"text":151,"level":9},"激活函数-神经元非线性计算单元","激活函数：神经元非线性计算单元",{"id":153,"text":154,"level":9},"神经网络核心计算-矩阵乘法","神经网络核心计算：矩阵乘法",{"id":156,"text":156,"level":110},"特殊神经网络结构设计逻辑",{"id":158,"text":158,"level":9},"通用深度网络存在的短板",{"id":160,"text":160,"level":9},"专用结构核心优势",{"id":162,"text":163,"level":110},"ai-模型任务类型","AI 模型任务类型",{"id":165,"text":165,"level":9},"按输入数据形态分类",{"id":167,"text":167,"level":9},"按输出任务目标分类",{"id":169,"text":169,"level":110},"加入训练营",{"id":171,"text":171,"level":110},"关注与交流"]