tag 标签: 人工智能

相关博文
  • 2025-4-10 15:35
    63 次阅读|
    0 个评论
    割草机器人丨技术激变,行业发展迈入黄金期
    【报告导读】 割草机器人方兴未艾,渗透率空间广阔 2025年全球OPE市场规模预计达325亿美元,割草机占60%约200亿美元,年销量近3000万台。割草机器人行业规模仅26亿美元,年销量120-130万台,销售额渗透率12%、销量渗透率5%。目前销量集中在欧洲,德法北欧渗透率超40%,北美草坪面积大但渗透率不足5%。随着无边界技术成熟和成本下降,美国市场有望爆发,2025-2030年全球年销量有望突破500至1000万台。在劳动力成本上升和智能家居趋势下,割草机器人正加速替代传统割草机,成为家庭园艺OPE的智能终端代表。 技术路线趋于稳定,降本提速+功能集成, 行业进入爆发阶段 无边界割草机器人凭借免埋线、高效率、强环境适应性的综合优势,正加速替代传统埋线式产品,推动行业渗透率提升并开辟新市场空间。当前主流方案RTK+视觉/激光技术已趋成熟,而纯固态激光雷达凭借短距探测、全环境适应、抗振长寿命、小型轻量化等特性,成为平衡性能与成本的优选方案 —— 相较传统机械式激光雷达(易损且寿命短),其更契合需全天候作业的庭院场景。 技术突破背后存在双重挑战 一方面,庭院场景存在动态障碍物(宠物 / 玩具)、复杂地形(坡度 / 树根)及多变光照条件,对厘米级定位、实时避障 AI视觉感知提出严苛要求;另一方面,家用市场对价格敏感,需在有限成本内实现高性能。这倒逼供应链创新:2024 年行业爆发元年,无边界方案成本已降至 500 美元以下,规模化生产叠加国产替代将释放超 30% 降本空间,推动产品价格下探并提升市场接受度。 功能拓展带来的增量机遇 目前追觅、科沃斯等头部厂商已在高配机型采用激光雷达+视觉融合方案,未来多传感器技术融合或成趋势。值得关注的是功能拓展带来的增量机遇:通过集成扫雪、吹叶、浇水等模块,割草机器人正升级为全能庭院管家。叠加硬件成本持续下降,纯固态激光雷达规模效应显现,行业渗透空间有望进一步打开。 核心关注割草机器人企业: 企业名称 国别 主流产品 富世华(Husqvarna) 瑞典 割草机器人(埋线式和无边界产品),如Husqvarna Automower 105等 宝时得(Worx) 中国 割草机器人(埋线式和无边界产品),如Worx Landroid S300、Worx Landroid Vision等 格力博(Greenworks) 中国 割草机器人(埋线式和无边界产品) 泉峰(Chervon) 中国 割草机器人 九号公司(Segway) 中国 无边界割草机器人,如Navimow H800E、Navimow i110、Navimow X3等 科沃斯(Ecovacs) 中国 无边界割草机器人,如GOAT G1、GOAT A1600 RTK、GOAT A3000 LiDAR等 追觅(Dreame) 中国 割草机器人,如Dreame Roboticmower A1、A2、A1Pro等 松灵机器人(Mammotion) 中国 割草机器人,如Luba mini AWD 1500、Yuka 1500等 汉阳科技(Heisenberg Robotics) 中国 庭院机器人,如Snowbot S1(扫雪机器人) 河森堡(Yarbo) 中国 庭院机器人,具备扫雪、割草、吹落叶等多功能 Yardroid 美国 庭院机器人,具备多种功能 核心关注配套激光雷达企业: 企业名称 所属行业 国别 主流产品 速腾聚创 智能硬件 中国 E1R全固态数字化激光雷达等 禾赛科技 激光雷达 中国 迷你型超半球3D激光雷达JT系列 览沃科技 激光雷达 中国 Mid-360激光雷达 亮道智能 激光雷达 中国 纯固态激光雷达 LD Gen2 Lite 和LD Gen2 Mini Ouster 激光雷达 美国 OS 穹顶激光雷达 竞争格局:千帆竞渡、百舸争流 目前,富世华、宝时得等传统龙头仍主导埋线式产品市场,正在追赶无边界技术;九号公司占据无边界出货量近半,科沃斯、松灵、追觅紧随其后。2024年,九号割草机器人收入超7亿元,同比增长250%。松灵Yuka系列主打坡度适应与AI视觉避障,追觅则通过激光雷达+视觉组合实现高性价比突破。 割草机器人正处于从小众工具向主流家电跃迁的关键阶段,技术路线趋于统一,成本快速下探,用户教育加速完成。预计2030年前,割草机器人将成为全球智能家居的重要组成,重塑OPE行业格局。 资料获取方法: 右下角“点赞”和“在看”。 关注本公众号后,在对话框内输入“割草”,即可下载《割草机器人深度报告》全文。 报告正文 一、行业:割草机器人迎来春天 1、行业规模:渗透率低,快速增长 割草机器人现有市场:202 年估计25亿美元左右。 根据 Mordor Intelligence 数据,2021-2024年全球割草机器人市场规模从15亿增至26亿美元,行业复合增长20%。Fortune Business Insights 预测2028年割草机器人市场规模将增长至40.4亿美元,CAGER在16%左右,行业处于快速成长期。 割草机器人作为 OPE 割草机的替代产品,将在行业占据一席之地。 1、OPE规模超过 300 亿美元。 根据弗若斯特沙利文预测,2025 年全球 OPE 市场 325 亿美元,2016-2025 全球市场 CAGER 为 5%。 2、割草机为 OPE 的核心品类: 根据史丹利百得,骑乘式割草机( 22%)+手推式割草机( 15%)+手持式割草机( 21%合计占 OPE 比重接近6成,对应 200 亿美元左右,参考当下割草机器人行业规模 25 亿美元,销售额渗透率仅 12.5%,销量渗透率 4-5%,未来发展潜力巨大。 2、行业并非伪需求,百亿美元级市场 (1)产业发展:技术进步,机器替代人工大势所趋 割草机器人是OPE的下一个阶段,也是终极形态。 梳理 OPE行业发展趋势,依次经历了手动、燃油和交流电动力、直流电动力三个阶段,未来将沿智能化无人化趋势发展。 第一阶段: 手工作业为主,该阶段使用无动力系统的园林绿化和养护器械,需要通过人工操作 第二阶段: 燃油动力产品的出现提高了生产力和便携性,并且为了使工具具备更高的环保和低噪音特性,也出现了以外接电源为动力系统的 OPE,但有绳产品由于作业半径受限,便携性较差,因此燃油动力产品仍占据主流; 第三阶段: 锂电技术成熟、成本大幅优化,叠加消费者环保观念日益增强,对燃油动力产品的排放要求愈发严苛,因此以锂电池为动力系统的无线产品开始普及; 第四阶段: 三电技术、智能控制技术、传感器技术等取得突破,以智能割草机器人为代表的智能化、无人化、物联网 OPE产品将陆续出现,预计将是OPE产品的终极形态。 当前不考虑商用OPE产品的话,家用OPE行业锂电化率已经达到50%,正在加速向第四阶段迈进。 (2)成本角度:割草机器人经济性优于雇人,相较自己维护省心省力 欧美地区人工费用较高,并且近年来逐年上升。 园林工人: 美国园林工人绿化时薪在 2021 年提升至17 美元/h,考虑到 22 年以后通货膨胀,目前工作时薪按20 美元、每年绿化 24 小时来算,全年花费接近1000 美元,倘若花园面积更大带来维护时间,发达地区将超过1500 美元。欧洲500 到1000 平方米的草坪,每年在草坪维护上的支出也接近400 美元; 自己割草: 单台手推式割草机价格一般在 500 美元左右,使用周期 5-6 年,年适用成本不到 100 美元最低,因此欧美家庭 70-80%自主维护草坪,同时美国家庭DIY 文化偏好较高,更倾向自己打理,20-30%高端住宅区或者花园面积较大的家庭选择雇佣园林工人 割草机器人: 分埋线随机割草和无埋线自主规划割草两种类型,根据割草面积大小、价格也会有所上扬,入门级价格在 500-600 美元,中端 800-1500 美元,高端2000-5000 美元,按使用周期5-6 年来算,年成本介于自己割草和雇人二者之间。 3、欧洲市场之外,北美潜在市场更大 OPE 市场:全球 OPE 市场欧美占比将近 9 成,其中美国市场占比 56%,欧洲占比30%。从终局来看,割草机器人美国市场所占份额应当与OPE 份额相匹配。 现阶段看,割草机器人主销量仍在欧洲,北美开发潜力大。 根据 EGMF 统计欧洲市场割草机器人销量超过 85 万台,全球占比超过 7 成。富世华公告显示,欧洲割草机器人销量渗透率较高,北欧、德国、瑞士等地区销量渗透率超 40%,而南欧平均销量渗透率 15-30%,北美市场不足 5%,据此推算北美目前占割草机器人销量约 20%,与北美在全球OPE 市场的规模并不匹配。Mordor Intelligence数据显示,欧洲地区后续仍是全球割草机器人增速最快的地区。 割草机器人在欧洲市场渗透率快速提升原因在于: 1、欧洲花园面积小。 根据EGMF 统计,欧洲66%的割草机器人服务 1000 平米以下的花园,其中 43%面积在500-1000 平米、23%面积在500 平米以下,仅有34%的割草机器人服务 1000 平米以上的大花园。考虑到早期割草机器人为埋线式产品,埋线成本较高、只适用小花园(500-1000 平米花园,周长 90-120 米,埋线费用额外支出 250-300 美元)。美国花园面积大部分在 1000-5000 平方米,埋线成本直线上升,而且对产品功率、复杂环境适应性要求更高。解决方向:从埋线式产品向无边界产品切换,节省埋线成本,增加传感器提升环境感知能力。 2、美国花园半开放,欧洲花园边界明显、草坪相对规整。 美国花园环境半开放,对导航和避障的要求明显更高,而埋线式产品的问题主要出现在导航和避障上,欧洲花园相对封闭有围栏边界。此外,美国花园整体较为复杂,如树多、草坚硬、坡度陡峭,环境复杂性也影响割草机器人的渗透。 解决方向:无边界产品电池容量提升、提高功率,RTK/视觉/激光+传感器,解决信号丢失、障碍物识别、避障等问题。 3、消费者教育不足。 首先,锂电OPE 产品在美国渗透率显著低于欧洲,割草机器人作为锂电 OPE 的延续,在欧洲有更好的铺垫;其次,不同于扫地机市场,美国本土在割草机器人这一新品类缺乏龙头做消费者教育, 早期全球第一大割草机器人厂商富世华的大本营在瑞典,主要聚焦北欧和西欧市场(2023 年其欧洲和北美收入占比分别为5 成、3 成)。 潜在市场规模:保守/乐观情境下2030 年销量突破至500-1000 万台。 保有量角度: 欧洲市场大约1.5 亿户家庭,其中约70%家庭拥有住宅花园,对应 1 亿个私人花园;美国市场1.3 亿户家庭,其中60-70%家庭拥有住宅花园,对应 8000 万左右私人花园。截止目前割草机器人整体保有量渗透率不足 3%,其中欧洲德语区和北欧保有量渗透率最高 40-50%,乐观假设中期2030 年欧洲整体保有量渗透率提高到40%,美国保有量渗透率提到20%,割草机器人保有量将增至6500 台,按照5-6 年更新一次,割草机器人年销量有望突破 1000 万台。 增量替代角度: 割草机器人替代手推式和手持式割草机(分别占 OPE 市场的 15%和20%),目前全球手持+手推式割草机销量在2600-3000 万,其中美国市场 1400-1500 万,欧洲市场 1200-1500 万,割草机器人欧洲销量渗透率 7%-8%,美国销量渗透率 1%,保守假设中期2030 年欧洲销量渗透率提高到 20%-30%,美国销量渗透率 10%-20%,对应割草机器人总销量将突破 500 万台以上。 二、割草机器人技术路线与降本探讨 1、技术路线:埋线式- RTK 时代,路线已经成熟 2021 年以前割草机器人以埋线式产品为主。 1995 年,富世华发明了第一台太阳能驱动的割草机器人,成为自动割草机器人的始祖。公司奠定了埋线式割草机的技术路线,埋线式通过在草坪中预埋线框定割草区域,优点在于产品结构简单成本较低,机身之外无需增加智能模块。不过缺点也很明显:1)埋线人工成本高,在 300 美元左右,无法适用大面积草坪。2)随机路线,割草效率低,同样在大花园使用挑战大。 无边界割草机器人向下替代埋线式产品,向上打开增量渗透空间。 2024 年全球割草机出货量在 120 万台左右,主要被老牌割草机器人企业富世华(Husqvarna+gardena)+宝时得所占据,其中富世华约 65 万台,宝时得30 万台,在埋线式产品时代,两家份额合计 90%左右,目前依旧占据75%左右份额。 1、九号自研RTK+视觉,成为首个年出货量突破10 万台的无边界割草机器人公司。 2021 年 9 月,九号旗下未岚大陆发布了全球首款超超静音无边界智能割草机器人 Navimow,采用RTK 定位技术实现行业重要突破,使用超声波传感器感知。由于存在树荫遮挡信号丢失及超声波传感器分辨率低等问题,2023 年未岚大陆迭代第二代 Navimowi 系列产品,采用RTK+视觉路线,同时升级了AI 助手建图更智能识别草坪边缘,得益于自研 RTK 优势,九号率先将无边界产品价格下探到 1000 欧元以内。 2、科沃斯早期尝试 UWB+双目视觉路线,后改为 RTK+视觉方案。 2022 年 10月,科沃斯2022 秋季战略新品发布会推出旗下首款智能割草机器人GOAT G1,搭载 True Mapping 四重融合定位系统,首次在割草机器人产品上使用UWB 超带宽无线载波通信技术。UWB 缺点在于需要多点部署,没有完全解决埋线繁琐的问题,而且定位精度不如RTK。科沃斯后续产品放弃了UWB,转为RTK+视觉路线。我们估算年出货量在4 万台左右。 3、追觅:主打3D 激光雷达+视觉方案,产品小试牛刀。 追觅2023 年9 月发布第一代割草机器人产品 A1,2024 年 IFA 展发布第二代产品 A2,首次引入激光雷达+视觉方案,不过由于激光雷达成本相对较高,预计二代产品定位在更大面积花园和更高价位段。截止2025 年 2 月8 日,追觅宣布割草机器人产品累计出货量突破 10 万台。 4、松灵:库犸动力主打 GPS+RTK+雷达方案。 2022 年松灵旗下库犸动力发布首款割草机器人产品,采用 GPS+RTK 方案、结合超声波和雷达实现自主定位、规划作业等;2025 年发布专为小花园设计的割草机器人产品,开始采用 RTK+ 视觉方案。库犸主打美国和欧洲线上渠道销售,年销量突破5 万台。 本报告共计:26页。受篇幅限制,仅节选部分内容。 资料获取方法: 右下角“点赞”和“在看”。 关注本公众号后,在对话框内输入“割草”,即可下载《割草机器人深度报告》全文。 微信号| Robo Lab 重构机器「看见世界」的方式。 用硬核科普+实战案例,拆解光束背后的科技革命。 欢迎关注“Robo Lab 机器人实验室”
  • 2025-4-9 08:34
    103 次阅读|
    0 个评论
    芯资讯|WT2605C蓝牙语音芯片:AI对话大模型赋能的智能交互新引擎
    引言:AI技术驱动智能交互新趋势 在万物互联的智能时代,用户对产品的交互体验提出了更高要求——从“被动响应”向“主动对话”升级。如何将AI大模型的强大语义理解与语音交互能力轻量化集成至硬件产品中,成为厂商打造差异化竞争力的关键。 WT2605C蓝牙语音芯片 ,凭借 在线TTS、多引擎融合 与 极简开发 特性,为智能硬件接入AI对话功能提供了“即插即用”的解决方案。 核心优势:高度集成,让AI对话触手可及 WT2605C芯片通过五大技术引擎的集成,重新定义语音交互芯片的边界: 在线语音识别引擎 :支持动态语音指令捕捉,无需预设固定词条,实现类ChatGPT的开放式对话体验。 NLP自然语言处理引擎 :精准理解用户意图,结合上下文场景优化应答逻辑,支持自定义知识库训练。 在线TTS引擎 :实时合成拟人化语音,提供48kHz高清音质与22种方言/51国语言无缝切换能力。 流媒体处理引擎 :支持音频流实时传输与云端内容播控,适配音乐、教育等场景的在线资源调用。 BLE+蓝牙双模通信 :低功耗连接与高速数据传输兼备,兼容智能家居、穿戴设备的跨平台交互。 开发效率革命 :厂商仅需10分钟即可完成基础功能部署,硬件成本降低30%,助力产品快速上市。 技术原理:从数据到语音的AI闭环 WT2605C构建的AI交互链路分为三步: 数据采集与上报 :通过外接传感器、按键或APP获取用户指令及环境数据(如温度、位置),经蓝牙/WiFi上传至云端AI大模型。 AI语义决策 :大模型结合知识库分析数据,生成自然语言反馈(如“当前室温偏高,已为您打开空调”)。 拟真语音输出 :反馈文本经芯片在线TTS引擎实时转换为带情感语调的语音,通过扬声器或耳机播报,延迟低于200ms。 典型案例 : 智能空调:用户语音询问“节能模式如何设置?”→ 芯片上传指令 → AI返回操作指南 → TTS合成语音指导。 医疗设备:血氧仪检测数据异常 → 自动触发AI健康建议 → 生成语音警示:“您当前血氧值为92%,建议联系医生”。 应用场景:全领域赋能智能升级 1. 智能家居:从控制到情感陪伴 通过语音直接控制家电(无需唤醒词),如“调暗客厅灯光至30%”。 融合环境传感器数据,主动提示:“检测到PM2.5超标,空气净化器已自动开启”。 支持个性化音色定制,让智能音箱化身“家庭管家”或“儿童伴读老师”。 2. 教育硬件:多语言学习的交互革命 英语学习机实时纠正发音,TTS生成例句对话,支持美式/英式发音切换。 故事机接入GPT模型,根据儿童兴趣生成原创睡前故事,方言模式增强亲和力。 3. 医疗健康:无障碍健康管理 血压计播报测量结果时同步AI解读:“您的收缩压偏高,建议减少盐分摄入”。 支持盲人用药提醒,通过BLE连接药盒,语音指导“请取出第二格白色药片”。 4. 公共服务:智慧城市的交互节点 公交站牌语音导览:乘客询问“下一班地铁时间” → 芯片联动交通大数据应答。 景区导览机支持方言问答,自动讲解文物历史,减少人力部署成本。 开发者生态:低成本拥抱AI浪潮 WT2605C提供 SDK+云端API 双开发模式: 硬件层 :开放UART/I2C接口,兼容主流MCU,提供语音降噪、回声消除算法。 软件层 :支持一键对接ChatGPT、文心一言等主流模型,可定制企业专属知识库。 生产级工具 :内置音频烧录工具与OTA升级方案,确保量产一致性。 结语:重新定义智能硬件的“对话力” WT2605C芯片的价值不仅在于技术参数的突破,更在于其打通了AI大模型与硬件产品的“最后一公里”——让智能设备从“能听会说”进化到“懂思考、有温度”。随着智能家居、银发经济、全球化设备需求的爆发,这款高性价比的“对话引擎”或将成为下一代智能终端的标配选择。 未来展望 :WT2605C后续将支持多模态交互(语音+触控+视觉),进一步拓展其在AR眼镜、服务机器人等前沿领域的应用。 作者注 :本文数据基于WT2605C芯片技术文档及实测案例,应用场景可根据具体需求扩展适配。
  • 2025-3-20 09:12
    0 个评论
    厂家芯资讯|WTK6900系列语音识别芯片自学习功能深度答疑
    在智能硬件全面拥抱语音交互的时代, 广州唯创电子 WTK6900系列芯片凭借其独特的离线自学习能力,已成为智能家居、工业控制等领域的核心交互模块。本文针对实际应用中的高频问题,深度解析故障排除方法与优化策略。 一、学习模式全流程控制 1.1 智能入口机制 Q:如何精准触发学习模式? 系统采用 多级唤醒验证机制 ,需满足以下条件方可激活学习: 声纹匹配 :唤醒词需与系统预设声纹模板相似度>0.82 能量阈值 :语音信号幅值需超过环境噪声基线12dB以上 时序验证 :指令间隔需控制在0.3-1.2秒范围内 操作示范 : 在距离设备50cm处清晰说出"智能管家 → 学习唤醒词"(间隔0.5秒),此时设备将播放频率为2kHz的提示音,表示进入教学模式。 1.2 双通道退出策略 Q:如何安全终止学习进程? 系统提供 主动/被动双重退出保障 : 语音退出 :说出"退出学习"触发安全存储协议,已学习数据自动加密存入EEPROM 超时保护 :静默超时15秒自动退出,避免异常挂起 物理复位 :长按RESET键3秒强制退出(慎用,可能丢失未保存数据) 二、学习失败故障树分析 2.1 环境干扰排除 案例现象 :三次学习均提示失败 诊断路径 : 检查环境噪声谱:使用手机分贝仪测量,确保<45dB(A) 验证设备指向性:麦克风阵列的120°拾音锥角需对准用户 排查电磁干扰:远离变频器、无线基站等干扰源(建议距离>3米) 解决方案 : 执行 环境自校准协议 : python # 伪代码示例:环境噪声基线学习defnoise_calibration(): sample = audio_capture(duration=3)# 采集3秒环境音 vad_threshold = calculate_vad(sample)*1.3# 自动提升30%静音阈值 set_parameter (0x1A, vad_threshold)# 写入寄存器 2.2 语音参数优化 典型故障 :系统无响应或误识别 关键参数调整 : 参数项 标准值 可调范围 调节步长 最小语音时长 0.5s 0.3-1.0s 0.1s 最大语音时长 3.0s 2.0-5.0s 0.5s 端点检测阈值 -40dBov -45~-35 1dB 调优技巧 : 工业场景:延长最大时长至4s,提升抗噪等级至L3 儿童交互:缩短最小时长至0.4s,降低VAD阈值3dB 三、高级诊断与维护 3.1 声学特征可视化 通过UART输出调试信息(需启用开发者模式): AT+DEBUG=1 RECV: MFCC= , ENERGY=0.78 RECV: DTW_SCORE=0.85, THRESHOLD=0.75 MFCC值异常 :检查是否存在齿音失真(建议增加预加重系数) 能量值过低 :调整AGC增益参数(寄存器0x2B) 3.2 存储管理策略 芯片采用 分级存储架构 : 临时缓存区:存储未确认的学习数据(循环覆盖) 永久存储区:加密存储验证通过的特征模板 备份扇区:保留最近5次有效模板版本 维护建议 : 每月执行 AT+STORAGE_OPT=1 进行碎片整理 存储量达80%时自动触发LRU替换算法 四、场景化解决方案 4.1 工业环境应用 挑战 :冲压车间噪声达75dB 对策 : 启用定向波束成形: AT+BF_MODE=2 设置学习参数: shell AT+VAD_THRESH=35# 提高语音激活阈值 AT+NOISE_SUPP =4# 开启强降噪模式 AT+LEARN_RETRY =5# 增加学习重试次数 4.2 方言适配方案 现象 :粤语用户学习成功率低 优化步骤 : 下载方言语音包: AT+DL_DIALECT=3 调整声学模型: python set_phoneme_weight( )# 增强鼻音权重 扩展端点检测窗口: AT+EPD_WIN=300 通过掌握这些深度调试技巧,开发者可充分释放WTK6900系列的潜力。该芯片支持通过AT指令集配置200+个参数,配合频谱分析工具,能实现毫米级的语音特征微调。随着边缘计算能力的提升,离线语音交互正在从"能听会做"向"知意懂情"演进,而精准的问题诊断能力正是通往智能未来的钥匙。
  • 2025-3-20 08:54
    259 次阅读|
    0 个评论
    芯资讯|WTK6900系列语音识别芯片IC自学习功能解析
    在人工智能与物联网技术深度融合的今天,离线语音识别技术凭借其隐私安全、即时响应等优势,正在智能家居、工业控制等领域快速普及。广州唯创电子推出的WTK6900系列语音识别芯片,凭借其创新的离线命令词自学习功能,为用户提供了灵活高效的语音交互解决方案。本文将深入解析这一核心技术的工作原理及操作流程。 一、智能自学习功能概述 WTK6900系列芯片支持多模态学习方式,用户可通过物理按键、串口指令、语音命令或专用APP启动学习流程。其核心技术突破在于: 全离线运行 :所有学习过程均在本地完成,无需网络传输 动态模板管理 :可存储100+个自定义语音模板 自适应算法 :支持0.5-3秒语音指令,识别准确率≥95% 二、唤醒词学习全流程 启动学习模式 在默认唤醒状态("智能管家")下,清晰说出"学习唤醒词"指令,芯片将播放提示音进入教学模式。 三次语音采样 根据语音提示,在安静环境中用自然语调重复新唤醒词三次。系统通过以下技术处理: 时频分析:提取MFCC特征参数 动态时间规整:消除语速差异 高斯混合建模:建立声学特征模板 模板存储与验证 学习成功后芯片自动播放确认音,新建模板存入FLASH的专用存储区(占用约8KB空间)。此时新唤醒词即生效,原厂唤醒词仍保留作为备用。 三、命令词学习进阶应用 批量学习模式 说出"学习命令词"进入连续学习状态,系统支持单次学习5-20个指令词(视存储空间而定)。每个词学习流程包含: 声纹降噪处理:自动过滤环境底噪 端点检测:精准识别语音起止点 特征压缩:采用PCA算法降低数据维度 中断续学机制 长按物理按键3秒可随时退出学习,已成功学习的命令词自动加密存储。下次进入学习模式时,系统智能跳过已存词条,实现断点续学。 多场景适配 支持方言自适应学习,通过调节以下参数提升识别率: 相似度阈值:默认为0.75,可设0.6-0.9 响应延时:50-1000ms可调 拒识灵敏度:过滤非目标语音 四、核心技术原理 该芯片采用混合识别架构: 前端处理 通过16kHz采样率获取语音信号,经预加重、分帧、加窗处理,提取包含12维MFCC+能量+差分参数的39维特征向量。 模板匹配 应用改进型DTW算法,计算公式为: 复制 D(i,j) = d(i,j) + min{D(i-1,j), D(i,j-1), D(i-1,j-1)} 其中d(i,j)表示测试模板第i帧与参考模板第j帧的欧氏距离。 决策机制 设置双重判别条件: 最近邻得分 阈值θ1 次优得分差 阈值θ2满足条件则触发对应指令,否则进入拒识状态。 五、典型应用场景 智能家居控制 自定义"打开星空灯"、"调至影院模式"等场景指令,实现0.3秒内响应 工业设备操控 在嘈杂车间环境下(信噪比≥15dB),可靠识别设备启停指令 无障碍交互 支持语速0.5-3倍正常范围,适配不同用户群体 六、注意事项 学习环境建议背景噪声<45dB 避免设置过近发音的唤醒词(如"开门"与"开灯") 定期通过#04指令进行模板优化维护 存储满时自动触发LRU替换算法 WTK6900系列通过创新的本地化学习架构,在保证用户隐私的前提下,实现了媲美在线方案的识别性能。其模块化设计支持二次开发,开发者可通过UART接口灵活配置200+个控制参数,为各类智能设备赋予"能听会说"的交互能力。随着边缘计算技术的进步,这类离线语音方案正在开启人机交互的新纪元。
  • 2025-3-18 09:16
    2 次阅读|
    0 个评论
    广州唯创电子WTK6900系列AI语音识别芯片选型指南—精准匹配场景需求
    在智能化浪潮的推动下,语音交互已成为智能设备的核心功能之一。然而,面对多样化的应用场景与差异化需求,如何选择合适的语音识别芯片,成为开发者与企业的关键决策。 广州唯创电子 凭借其丰富的语音芯片产品线,为不同行业提供针对性解决方案。本文将从 应用场景、功能需求、成本预算 三大维度,系统解析其主流芯片(WTK6900P、WTK6900HA、WTK6900HC、WTK6900FC)的选型逻辑,助力用户高效决策。 一、选型核心原则:场景驱动,功能与成本平衡 语音识别芯片的选型需遵循 “场景优先、功能适配、成本可控” 的原则: 明确场景特性 :环境噪声、供电方式、交互距离等直接影响芯片性能要求; 定义功能需求 :语音指令数量、识别精度、接口扩展性、是否需要联网等; 控制成本预算 :在满足功能的前提下,优先选择性价比最优方案。 唯创电子的语音芯片产品线覆盖低成本到中高端市场,不同系列在存储技术、功耗管理、抗干扰能力等方面形成差异化布局。以下结合典型场景,详解选型策略。 二、分场景选型推荐与芯片特性解析 1. 玩具类场景:低成本、易开发 典型需求 : 基础语音交互(如儿歌播放、指令响应); 低功耗长续航(电池供电); 快速开发与低成本量产。 推荐型号 : WTK6900P系列 : 核心优势 :采用OTP存储技术,支持20-170秒语音容量,音质清晰,工作电压宽(2.4V-5.2V),适配纽扣电池或干电池供电。 适用产品 :语音玩具、故事机、电子宠物等。 开发支持 :提供免费语音烧录工具,支持1天内完成样品调试。 WTK6900HA系列 : 升级亮点 :支持FLASH存储,可重复擦写,方便后期功能迭代;待机功耗低至1μA,延长玩具续航时间。 适用产品 :需多次升级语音内容的智能玩具(如编程教育机器人)。 2. 灯具与消费电子类:稳定交互、功能扩展 典型需求 : 语音控制灯光模式(如色温调节、亮度切换); 抗环境噪声干扰(如客厅、卧室场景); 支持与智能家居平台联动。 推荐型号 : WTK6900HA系列 : 核心优势 :内置噪声抑制算法,5米内识别准确率90%;支持UART接口,可连接Wi-Fi模块实现云端控制。 适用产品 :智能台灯、语音控制吸顶灯、便携式氛围灯。 WTK6900HC系列 : 升级亮点 :增强型远场拾音技术,支持10米超长距离唤醒;集成PWM输出,可直接驱动RGB LED实现动态光效。 适用产品 :高端智能灯具、语音交互型家电(如风扇、空气净化器)。 3. 工控与车载类:高可靠性、抗干扰能力强 典型需求 : 工业级宽温运行(-40℃~85℃); 抗电磁干扰(电机、发动机环境); 支持复杂指令集与多设备协同。 推荐型号 : WTK6900HC系列 : 核心优势 :通过EMC抗干扰认证,支持硬件级滤波;内置16位高精度ADC,适配工业传感器信号输入。 适用产品 :工业控制面板、车载语音导航终端、物流手持设备。 WTK6900FC系列 : 升级亮点 :采用金属封装工艺,散热性能提升50%;支持双麦克风阵列,增强嘈杂环境下的语音分离能力。 适用产品 :重型机械语音控制系统、车载智能中控、安防巡检设备。 三、关键参数对比与选型决策表 参数/型号 WTK6900P WTK6900HA WTK6900HC WTK6900FC 存储类型 OTP FLASH FLASH FLASH 工作电压 2.4V-5.2V 2.4V-5.2V 2.4V-5.5V 3.3V-5.5V 待机功耗 5μA 1μA 1.5μA 2μA 接口扩展 GPIO UART/I2C UART/I2C/PWM UART/I2C/SPI 抗干扰能力 基础 中等 高 极高 典型成本 ¥0.8-1.5/片 ¥1.5-2.5/片 ¥2.5-4/片 ¥4-6/片 四、选型注意事项与常见问题 功耗与供电匹配 : 电池供电设备优先选择WTK6900P或WTK6900HA系列;车载设备因电源稳定,可选用WTK6900FC。 环境适应性验证 : 工控场景需测试芯片在高温、高湿、振动条件下的稳定性,建议选择WTK6900HC/FC系列。 语音内容定制 : OTP芯片(如WTK6900P)投产后无法修改内容,FLASH芯片(如WTK6900HA)支持后期升级。 开发周期控制 : 唯创电子提供完整SDK与参考设计,WTK6900P系列最快3天可完成原型验证。 结语 广州唯创电子的语音识别芯片通过精准的场景化设计,实现了从玩具、家电到工业设备的全覆盖。选型时需紧扣实际需求: 玩具类注重成本与续航,消费电子侧重交互体验,工控车载强调可靠性与抗干扰 。通过本文的对比分析与参数解读,开发者可快速锁定适配型号,缩短产品开发周期。
相关资源
  • 所需E币: 0
    时间: 2024-5-24 17:08
    大小: 2.93KB
    一、PyQT的概念PyQt是一个创建PythonGUI应用程序的工具包,是Qt和Python结合的一个产物,可以说是为了将Qt的功能用于Python开发的一个Qt的Python包装器。它是Python编程语言和Qt库的成功融合。PyQt的整个程序开发框架,主要包括如下部分:图形界面编辑的工具:QtDesigner不同部分信息交换机制:信号和槽界面操作的事件及捕获机制一套控制界面显示和数据存储分离以及映射的机制:Model/View架构通过这些重要的工具和框架机制,开发人员可以设计对应的GUI图形化界面、定义不同部件的操作及响应、捕获部件或应用的消息以及实现界面显示组件和数据存储组件的联动,从而构造完整的应用程序框架。PyQt实现了一个Python模块集。它有超过300类,将近6000个函数和方法。它是一个多平台的工具包,可以运行在所有主要操作系统上,包括UNIX,Windows和Mac。PyQt采用双许可证,开发人员可以选择GPL和商业许可。在此之前,GPL的版本只能用在Unix上,从PyQt的版本4开始,GPL许可证可用于所有支持的平台。二、OpenCVOpenCV项目最初由Intel于1999年启动,当时的目标是提供一个免费的计算机视觉库,并开放其源代码,以促进计算机视觉研究的发展。随后,OpenCV在2000年发布了第一个公开版本,从那时起,OpenCV迅速成为了计算机视觉领域最受欢迎的库之一。后来,OpenCV的开发由WillowGarage公司继续,随后由Itseez公司接管,直到今天,OpenCV的开发由OpenCV开发团队维护。核心功能和模块:OpenCV库包含了众多的模块,每个模块都提供了不同的功能,以下是一些核心的模块:2.1核心功能模块(CoreModule)这个模块提供了基本的数据结构和功能,包括图像数据类型、矩阵操作、文件IO等。图像操作:读取和保存图像:可以使用imread()函数读取图像文件,使用imwrite()函数保存图像到文件。图像属性访问:可以通过Mat对象的属性访问功能获取图像的尺寸、通道数、数据类型等信息。像素操作:可以直接访问和修改图像的像素值,或者使用像素迭代器遍历图像。图像通道操作:可以将多通道图像拆分成单通道图像,或者将单通道图像合并成多通道图像。创建矩阵:可以使用Mat类的构造函数或create()函数创建矩阵。矩阵运算:支持常见的矩阵运算,如加法、减法、乘法等。矩阵转换:可以对矩阵进行转置、仿射变换、透视变换等操作。2.2图像处理模块(ImageProcessingModule)OpenCV的图像处理模块提供了各种图像处理算法,包括图像滤波、边缘检测、图像变换等。这些算法可以帮助用户对图像进行预处理、增强、分析和特征提取等操作。下面是图像处理模块中常用的功能和算法:图像滤波(ImageFiltering):平滑滤波(SmoothingFilters):如均值滤波、高斯滤波、中值滤波等,用于去除图像中的噪声。锐化滤波(SharpeningFilters):如拉普拉斯滤波器、Sobel滤波器等,用于增强图像的边缘和细节。图像变换(ImageTransformations):几何变换(GeometricTransformations):如平移、旋转、缩放、仿射变换等,用于调整图像的尺寸和位置。透视变换(PerspectiveTransformation):用于校正图像中的透视失真。边缘检测(EdgeDetection):Sobel算子:Sobel算子通常用于灰度图像的边缘检测,其基本思想是利用图像中像素灰度值的变化情况来识别边缘。Sobel算子在水平和垂直方向上分别定义了两个卷积核(通常为3x3的矩阵),用于计算图像中每个像素点的水平和垂直方向的梯度值。Canny边缘检测:首先,对输入图像进行高斯滤波,以减少图像中的噪声。高斯滤波可以平滑图像,并模糊图像中的细节,从而有助于检测到真实的边缘。在经过高斯滤波的图像上,利用Sobel算子或其他梯度算子计算图像的梯度幅值和梯度方向。梯度方向可以帮助确定边缘的方向。对图像中的梯度幅值进行非极大值抑制,保留局部梯度幅值最大的像素点,以使得边缘变得更细化。利用双阈值检测策略对梯度幅值进行阈值处理,将图像中的像素点分为强边缘、弱边缘和非边缘三类。通常设置两个阈值,一个是高阈值(highthreshold),用于确定强边缘像素;另一个是低阈值(lowthreshold),用于确定弱边缘像素。通过连接强边缘像素,利用弱边缘像素进行边缘跟踪,得到完整的边缘。三、人工智能应用人工智能在生活中的应用有:1、虚拟个人助理,使用者可通过声控、文字输入的方式,来完成一些日常生活的小事;2、语音评测,利用云计算技术,将自动口语评测服务放在云端,并开放api接口供客户远程使用;3、无人汽车,主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶的目标;4、天气预测,通过手机gprs系统,定位到用户所处的位置,在利用算法,对覆盖全国的雷达图进行数据分析并预测。
  • 所需E币: 5
    时间: 2024-3-13 13:47
    大小: 1.45MB
    上传者: 美格智能
    大模型作为人工智能发展脉络中的里程碑,引发了新一轮的科技创新浪潮其以强大的计算能力和深度学习技术,极大地提高了内容生产效率,促进内容生产方式颠覆式变革。各行各业纷纷布局大模型应用,把握智能化发展的机遇。然而,大模型也面临隐私泄露、侵犯第三方权益以及违背伦理等潜在风险,引发了社会各界的关注和担忧。随着大模型的广泛应用,加快完善大模型的立法监管以确保大模型的应用与发展符合伦理道德和社会价值观,推动人工智能科技的健康发展变得迫在眉睫。世界上主要国家和地区均着手并加快完善大模型相关的法律监管。例如,欧盟以《人工智能法案》为核心,结合大模型可能涉及的其他领域的立法,逐步建立起专项法案为主、现存法规为辅的人工智能法律监管框架;美国对于人工智能大模型的立法较为分散,各州分别各自推进人工智能立法,联邦政府则试图在现有的立法框架及监管规则内对大模型及人工智能进行规制,但同时,人工智能相关的联邦专项立法提案也在推进当中。我国围绕网络安全、数据安全、个人信息保护等重点领域制定了法律法规,并及时跟进人工智能技术创新发展态势,先后针对互联网信息推荐、生成式人工智能等技术领域出台了管理办法,建立了法律法规和标准规范相协调的人工智能监管制度体系。
  • 所需E币: 0
    时间: 2024-1-30 15:29
    大小: 2.32KB
    今天抽空跟大家讨论一下关于成为AI人工智能算法工程师的条件是什么?众所周知,AI人工智能是当前最热门的技术之一,那么需要掌握哪些技术才能胜任这一职位呢?我们今天就来唠一唠。算法工程师是一个很高端的岗位,要求有很高的数学水平和逻辑思维能力,需要学习高等数学、离散数学Q、线性代数、数据结构和计算机等课程。专业要求:计算机、通信、数学、电子等相关专业。学历要求:本科及其以上学历,大多数都是硕士及其以上学历。语言要求:英语要求熟练,基本上可以阅读国外相关的专业书刊。另外,还必须要掌握计算机相关的知识,能够熟练使用仿真工具MATLAB等,必须要掌握一门编程语言。那算法工程师到底具体需要哪些知识第一个:肯定就是数学和统计学数学和统计学是算法工程师必备的基础知识,要掌握线性代数、概率论、统计学等知识,才能理解和应用各种机器学习算法和模型。第二个:数据结构和算法数据结构和算法是算法工程师必备的知识,需要熟练掌握各种数据结构和算法,如数组、链表、树、图、排序、查找、动态规划等,以便能够设计和实现高效的算法。第三个:编程语言和工具算法工程师需要熟练掌握至少一门编程语言,如Python、C++等,并熟悉常用的开发工具和框架,如Git、JupyterNotebook、PyTorch等。第四个:深度学习深度学习是机器学习的一个子集,常见的深度学习算法包括受限波尔兹曼机、DeepBeliefNetworks、卷积网络、堆栈式自动编码器等。第五个:算法基础算法工程师需要掌握算法基础,包括线性代数、概率论与数理统计、数据结构、算法分析与设计等方面的知识。当然还有很多,在此就不一一列举,主要分为4个部分:数学基础、编程能力、算法基础、实战。接下来,我们聊聊大家最关心的薪资这块。算法岗位薪资方面:在前几年,算法岗的薪资确实是比开发岗要高很多,可以称之为红利期。但最近几年,算法和开发岗有趋于拉平的意思,但是相对来说,同级情况下,算法岗还是要高1~2k的样子。领域分类:算法岗位的方向还是很多的,一方面是按技术领域,可以划分为计算视觉(CV),自然语言处理(NLP),AIGC,语音算法等等。另一方面是按行业领域,分成气象、交通、工业。。。等等等等。方向不一样,技术栈相差非常大了。优缺点在薪资方面,算法打赢开发。在难度方面,算法打赢开发。在工作强度方面,开发打赢算法。在岗位数量方面,开发打赢算法。在职业周期长度方面,算法打赢开发。(这也是一些焦虑状态下的程序员对算法岗动心的原因)在职业发展上限方面,算法打赢开发。最后我们来谈谈十大基础算法都有哪些。一、选择排序过程简单描述:首先,找到数组中最小的那个元素,其次,将它和数组的第一个元素交换位置(如果第一个元素就是最小元素那么它就和自己交换)。其次,在剩下的元素中找到最小的元素,将它与数组的第二个元素交换位置。如此往复,直到将整个数组排序。这种方法我们称之为选择排序。二、插入排序我们在玩打牌的时候,你是怎么整理那些牌的呢?一种简单的方法就是一张一张的来,将每一张牌插入到其他已经有序的牌中的适当位置。当我们给无序数组做排序的时候,为了要插入元素,我们需要腾出空间,将其余所有元素在插入之前都向右移动一位,这种算法我们称之为插入排序。三、冒泡排序1、把第一个元素与第二个元素比较,如果第一个比第二个大,则交换他们的位置。接着继续比较第二个与第三个元素,如果第二个比第三个大,则交换他们的位置….四、希尔排序五、归并排序六、快速排序七、计数排序八、桶排序九、基数排序十、堆排序
  • 所需E币: 0
    时间: 2024-1-30 12:04
    大小: 2.79KB
    上传者: 开心就很好了
    今天给大家讲讲关于AI,打通视觉,NLP,机器学习,深度学习,推荐搜索,AIGC,大模型等等这些当下最热门技术,我将从以下9个方面给大家做详细讲解关于AI人工智能算法工程师的相关知识。阶段一:从AI全面认知到基础夯实-行业认知&Python&必备数学阶段二:从AI核心技术理论体系构建到项目实战:机器学习&深度学习阶段三:构建AI的数据驱动力--数据预处理工程阶段四:AI深度学习框架实战-Pytorch从基础到进阶阶段五:AI核心算法+方法——经典深度学习模型实战阶段六:AI计算机视觉核心技术与项目实战-工业&医疗与直播&自动驾驶等主流领域阶段七:AIGC火热领域技术与项目-文本图像生成&扩散模型等阶段八:NLP自然语言处理与LLM大语言模型应用实战阶段九:AI工程师入行&转化&就业&面试指导首先,我们先来说说什么是人工智能:人工智能(ArtificialIntelligence),简称为AI,是一门集多学科于一体的综合性技术科学。它的核心目的是创造出能够模拟人类思维能力的机器,使其具备感知、思考和决策的能力。自然语言处理(NaturalLanguageProcessing,简称NLP)是计算机科学和人工智能领域的一个重要分支。它的核心目标是让计算机能够理解和生成人类自然语言,这包括了文本、语音等多种形式的人类语言输入输出。机器学习是一门人工智能的科学,其核心在于计算机通过对数据的学习和经验积累来自动提升性能。深度学习是机器学习的一个子领域,它受到人类大脑神经网络的启发,旨在模拟人类的学习过程。生成式人工智能——AIGC(ArtificialIntelligenceGeneratedContent),是指基于生成对抗网络、大型预训练模型等人工智能的技术方法,通过已有数据的学习和识别,以适当的泛化能力生成相关内容的技术。大模型是指包含超大规模参数(通常在十亿个以上)的神经网络模型。接下来,我们讲解环境的安装配置:安装CPU版本PyTorch#创建PyTorch环境condacreate-ntorch2python==3.10#进入环境condaactivatetorch2#安装cpu版本pytorchpipinstalltorch==2.0.0torchvision==0.15.1torchaudio==2.0.1--index-urlhttps://download.pytorch.org/whl/cpu验证CPU版是否安装成功importtorchprint(torch.__version__)print(torch.cuda.is_available())输出2.0.0+cpuFalseTensor存储的数值Tensor可以用多种方法进行初始化。下面给出例子:直接传数据Tensor可以直接从数据进行创建,数据类型会自动适应。importtorchdata=[[1,2],[3,4]]x_data=torch.tensor(data)print(x_data)使用Numpy数据可以通过Numpy矩阵中进行创建importtorchimportnumpyasnpnp_array=np.array([[1,2],           [3,4]])x_np=torch.from_numpy(np_array)print(x_np)利用已有tensor根据已有的数据形式(形状,数据类型),创建出新的tensorimporttorchdata=[[1,2],[3,4]]x_data=torch.tensor(data)#保持了x_data的数据属性与形状x_ones=torch.ones_like(x_data) print(f"OnesTensor:\n{x_ones}\n")#保持x_data的形状,重新定义x_data的数据属性x_rand=torch.rand_like(x_data,dtype=torch.float) print(f"RandomTensor:\n{x_rand}\n")最后到案例部分:案例1:导入两个列表到Dataset举一个例子,fromtorch.utils.dataimportDataset,DataLoaderclassMyDataset(Dataset):#继承自Dataset  def__init__(self,):#定义数据集包含了什么东西    self.x=[iforiinrange(10)]    self.y=[2*iforiinrange(10)]  def__len__(self):#返回数据集的总长度    returnlen(self.x)  def__getitem__(self,idx):#当数据集被读取时,需要返回的数据    returnself.x[idx],self.y[idx]my_dataset=MyDataset()my_dataloader=DataLoader(my_dataset)forx_i,y_iinmy_dataloader:  print("x_i=",x_i,"y_i=",y_i)输出x_i= tensor([0]) y_i= tensor([0])x_i= tensor([1]) y_i= tensor([2])x_i= tensor([2]) y_i= tensor([4])x_i= tensor([3]) y_i= tensor([6])x_i= tensor([4]) y_i= tensor([8])x_i= tensor([5]) y_i= tensor([10])x_i= tensor([6]) y_i= tensor([12])x_i= tensor([7]) y_i= tensor([14])x_i= tensor([8]) y_i= tensor([16])x_i= tensor([9]) y_i= tensor([18])案例2:导入Excel数据到Dataset中dataset只是一个类,因此数据可以从外部导入,我们也可以在dataset中规定数据在返回时进行更多的操作,数据在返回时也不一定是有两个。fromtorch.utils.dataimportDataset,DataLoaderimportpandasaspdclassMyDataset(Dataset):#继承自Dataset  def__init__(self,data_loc):#定义数据集包含了什么东西    data=pd.read_excel(data_loc)    self.x1,self.x2,self.x3,self.x4,self.y=data['x1'],data['x2'],data['x3'],data['x4'],data['y']  def__len__(self):#返回数据集的总长度    returnlen(self.x1)  def__getitem__(self,idx):#当数据集被读取时,需要返回的数据    returnself.x1[idx],self.x2[idx],self.x3[idx],self.x4[idx],self.y[idx]if__name__=='__main__':  data_loc="模仿数据读取.xlsx"  my_dataset=MyDataset(data_loc)  my_dataloader=DataLoader(my_dataset,batch_size=2)  forx1_i,x2_i,x3_i,x4_i,y_iinmy_dataloader:    print(f"x1_i={x1_i},x2_i={x2_i},x3_i={x3_i},x4_i={x4_i},y_i={y_i}")
  • 所需E币: 5
    时间: 2023-5-28 11:59
    大小: 6.05MB
    上传者: 木头1233
    基于python人工智能算法的五官识别设计资料
  • 所需E币: 1
    时间: 2023-5-9 14:31
    大小: 50.34MB
    智慧的疆界:从图灵机到人工智能-周志明
  • 所需E币: 1
    时间: 2023-5-9 09:55
    大小: 80.81MB
    人工智能伦理-于江生
  • 所需E币: 1
    时间: 2023-4-25 15:01
    大小: 2.2MB
    人工智能十万个为什么
  • 所需E币: 1
    时间: 2023-4-25 15:04
    大小: 3.17MB
    2019中国医疗人工智能市场研究报告(亿欧智库)
  • 所需E币: 1
    时间: 2023-4-25 15:05
    大小: 3.13MB
    2019年人工智能发展白皮书(中科院大数据挖掘与知识管理重点实验室)
  • 所需E币: 1
    时间: 2023-4-27 10:36
    大小: 11.5MB
    人工智能:国家人工智能战略行动抓手-腾讯研究院-中国信通院互联网法律研究中心-2017(epub格式,附阅读器安装程序)
  • 所需E币: 1
    时间: 2023-4-27 10:36
    大小: 8.79MB
    人工智能简史-刘韩-人民邮电出版社(epub格式,附阅读器安装程序)
  • 所需E币: 1
    时间: 2023-4-26 09:46
    大小: 129.46MB
    人工智能导论(第4版)-王万良-高等教育出版社
  • 所需E币: 1
    时间: 2023-4-26 09:46
    大小: 132.01MB
    TensorFlow+Keras深度学习人工智能实践应用-林大贵-清华大学出版社
  • 所需E币: 1
    时间: 2023-4-18 11:33
    大小: 200.19MB
    TensorFlow+Keras深度学习人工智能实践应用-林大贵
  • 所需E币: 1
    时间: 2023-4-19 09:39
    大小: 98.99MB
    无所不能:从逻辑运算到人工智能,计算机科学趣史-[英]DernmotTuring
  • 所需E币: 1
    时间: 2023-4-19 10:42
    大小: 22.69MB
    人工智能哲学-[英]MargaretA.Boden
  • 所需E币: 1
    时间: 2023-4-20 10:45
    大小: 137.56MB
    科学的极致:漫谈人工智能-(图灵原创)-集智俱乐部
  • 所需E币: 0
    时间: 2023-4-24 16:21
    大小: 72.35MB
    人工智能伦理-于江生-清华大学出版社(epub格式,附阅读器安装程序)
  • 所需E币: 1
    时间: 2023-4-14 08:06
    大小: 4.75MB
    上传者: Jpower
    大学教材,介绍了人工智能的相关的基础知识