汽车智能座舱的技术演进与用户体验重构 —— 基于多模态交互与 AI 融合的范式创新
摘要：
汽车智能座舱作为人 - 车 - 环境交互的核心载体，正经历从功能驱动到体验驱动的范式变革。本文通过技术解构与用户行为分析，深入揭示智能座舱在异构计算、多模态感知、服务生态等维度的创新路径。研究表明，智能座舱的竞争焦点已从硬件性能转向场景化服务能力与情感化交互效率的协同优化，而数据安全与伦理问题成为技术落地的关键约束。文章最后提出 “脑机协同” 与 “元宇宙融合” 等未来研究方向，为汽车智能座舱的持续发展提供理论与实践参考。
一、引言
1.1 传统汽车座舱的局限性
传统汽车座舱设计主要围绕 “驾驶任务优先” 原则，其功能较为单一，主要局限于机械仪表显示，仅能提供基本的车辆行驶信息，如车速、转速、油量等，以及基础娱乐系统，像收音机只能接收有限的广播频道，CD 播放器也受限于光盘的存储容量和内容更新不便。这种座舱设计无法满足现代消费者日益多样化和个性化的需求。随着智能电动汽车的快速普及以及用户需求的代际迁移，年轻一代消费者对汽车座舱的期望不再仅仅是一个驾驶空间，而是更倾向于将其视为一个集工作、娱乐、休息等多功能于一体的 “第三空间”。
1.2 智能座舱变革的驱动力
智能座舱变革的技术驱动力主要体现在 “三化”。首先是计算集中化，座舱域控制器算力密度呈现出年均 45% 的高速增长态势，到 2023 年，旗舰车型的算力更是突破 100 TOPS，如英伟达 Thor 芯片，强大的算力为智能座舱的复杂功能实现提供了基础保障。交互多模态化方面，语音、手势、眼动等多通道输入融合准确率高达 92%，奔驰 MBUX Hyperscreen 的实测数据就证明了这一技术的可靠性和先进性，使驾驶者能够更加自然、便捷地与座舱进行交互。服务场景化基于 LBS（位置服务）与生物识别，主动服务触发占比超 60%，蔚来 NOMI 系统日志分析展示了这一技术在实际应用中的广泛场景和高实用性，能够根据用户的位置和身份信息，主动提供个性化的服务。
根据麦肯锡 2023 年调研数据，消费者对 “第三空间” 智能体验的支付意愿提升至车辆总价的 17%-23%，远超传统豪华配置如真皮座椅的溢价水平。这充分表明，智能座舱的变革不仅是技术发展的必然趋势，更是市场需求推动的结果。
二、技术架构解构
2.1 硬件平台：从分布式 ECU 到异构计算
2.1.1 早期分布式 ECU 的弊端
早期座舱采用分布式电子控制单元（ECU），这种架构下各个 ECU 独立工作，资源利用率极低，不足 30%。同时，大量的 ECU 导致线束复杂度极高，超过 2km，这不仅增加了车辆的重量和成本，还降低了系统的可靠性和可维护性。
2.1.2 异构计算架构解析
当前主流方案转向 “单 SOC + 多协处理器” 异构架构。以特斯拉 HW4.0 硬件架构为例，在计算层，CPU 采用 AMD Ryzen V1000（4 核 Zen2，3.4GHz），能够高效处理通用任务，如系统运行、文件管理等；GPU 采用 RDNA2 架构（10 TFLOPS），强大的图形处理能力驱动 3D 导航与游戏渲染，为用户带来更加逼真的视觉体验；NPU 作为专用 AI 加速器（72 TOPS），有力支持 DMS（驾驶员监测系统）实时运算，确保对驾驶员状态的精准监测。
在感知层，3 颗 IR 摄像头（分辨率 1280×960）实现面部表情识别，精度高达 98.7%，能够实时捕捉驾驶员的情绪和注意力状态；电容式方向盘传感器检测握力变化，采样率 100Hz，及时反馈驾驶员的操作意图；毫米波雷达监测后排乘客生命体征，误差 ±2bpm，保障乘客的安全。
从异构计算效能对比来看，分布式 ECU 算力利用率仅为 28%，功耗高达 150W，典型延迟 120ms；高通 SA8295P 算力利用率提升至 76%，功耗降低到 45W，典型延迟缩短至 18ms；英伟达 Thor 算力利用率更是达到 89%，功耗 65W，典型延迟仅 9ms。异构计算架构在算力利用率、功耗和延迟等方面展现出明显优势。
2.2 软件系统：SOA 架构与原子服务
2.2.1 SOA 架构的优势
面向服务架构（SOA）打破了传统 “烟囱式” 软件开发模式。传统软件开发模式下，各个功能模块相互独立，开发和维护成本高，且难以实现功能的灵活组合和扩展。而 SOA 架构通过将功能封装为独立的原子服务，实现了软件的高度复用和灵活配置。
2.2.2 以华为 HarmonyOS 智能座舱为例
华为 HarmonyOS 智能座舱在服务抽象层，将空调控制、座椅调节等 200 + 功能封装为独立原子服务。这些原子服务就像一个个独立的 “积木块”，可以根据不同的场景需求进行自由组合。动态编排引擎根据场景，如 “儿童模式”，自动组合服务，实现自动锁窗、空调恒温、适龄内容推送等一系列功能，为用户提供了更加便捷和个性化的体验。跨端协同方面，实现了手机、手表、家居设备服务无缝调用，端到端延迟 < 50ms，真正实现了多设备之间的互联互通。
2.2.3 小鹏 Xmart OS 4.5 OTA 升级案例
小鹏 Xmart OS 4.5 OTA 升级新增 “冥想模式”，通过座椅倾角、香氛浓度、白噪声组合降低疲劳指数 23%，基于 EEG 脑波监测，精准满足用户在长途驾驶中的休息需求。语音助手全双工对话能力升级，支持最长 30 秒连续指令解析，误唤醒率 < 0.1 次 / 小时，大大提升了语音交互的效率和准确性，其中语音交互就是多模态交互的重要组成部分。
三、用户体验重构
3.1 注意力管理模型与 ISO 15007 - 2 合规性
3.1.1 视觉分心指数（VDI）的计算与意义
智能座舱需要在丰富的信息展示与驾驶安全之间找到平衡。宝马 iDrive 8.0 的 AR - HUD 设计遵循视觉分心指数（VDI）计算原则，公式为：[此处应插入公式，由于格式限制无法显示，实际撰写时需正确插入公式 1]，其中，Tglance 为单次注视时长，Nglance 为注视次数，Ttotal 为总任务时间。通过这个公式可以量化评估不同交互方式对驾驶员注意力的分散程度。
3.1.2 实验数据对比
实验数据表明，在导航设置任务中，传统中控屏的 VDI = 34%，而 AR - HUD 的 VDI = 12%，且 p <0.01，具有显著的统计学差异。这充分说明 AR - HUD 能够有效减少驾驶员在操作过程中的视觉分心，提高驾驶安全性。除了视觉交互，宝马 iDrive 8.0 也融合了语音交互功能，当驾驶者说出 “导航到最近的加油站” 等指令时，系统能快速响应并规划路线，无需驾驶者手动输入，进一步降低了驾驶过程中的分心程度 ，体现了多模态交互在保障驾驶安全方面的优势。
3.2 情感化交互的神经科学机制
3.2.1 即时反馈对用户满意度的影响
多巴胺奖励回路设计能够有效提升用户粘性。即时反馈是其中的关键因素之一，当语音助手响应时间 <700ms 时，用户满意度提升 52%，J.D. Power 2023 报告的数据有力地证明了这一点。快速的响应能够让用户感受到系统的高效和智能，从而增强对智能座舱的好感和信任。以理想汽车的智能座舱为例，其语音助手不仅响应速度快，还支持打断式交互。当用户在描述导航目的地时，中途补充 “避开拥堵路段”，语音助手能立即理解并调整导航规划，这种灵活的多模态交互方式极大提升了用户体验。
3.2.2 拟人化表达提升信任度
拟人化表达也是情感化交互的重要方面。NOMI 机器人头部转向与语调匹配使信任度提升 37%，蔚来眼动实验数据表明，这种拟人化的交互方式能够让用户更容易产生情感共鸣，增强用户与智能座舱之间的情感连接。NOMI 不仅能通过语音与用户交流，当用户发出指令时，它还会配合转头、眨眼等动作，如用户说 “打开天窗”，NOMI 会一边回应一边转头看向天窗方向，生动的多模态交互表现让用户感觉更像是在与一个伙伴交流，而不是单纯的人机交互。
3.2.3 情绪识别保障驾驶安全
DMS 系统通过微表情，如眉毛抬高 0.5mm，检测驾驶焦虑，准确率 89%。这一技术能够及时发现驾驶员的情绪变化，当检测到驾驶员处于焦虑状态时，可以通过播放舒缓的音乐、调整车内环境等方式来缓解驾驶员的情绪，保障驾驶安全。比如，比亚迪的部分车型智能座舱，当 DMS 检测到驾驶员情绪焦虑时，会自动调暗车内灯光，播放轻柔的音乐，同时驾驶员还可以通过语音指令进一步调节音乐的音量、切换曲目等，多模态交互的协同作用为驾驶员营造一个舒适的驾驶环境。
四、多模态交互的具体应用案例深入剖析
4.1 奔驰 MBUX Hyperscreen 的交互创新
奔驰 MBUX Hyperscreen 凭借其先进的多模态交互技术，为用户带来了极具科技感和便捷性的体验。在实际驾驶过程中，驾驶者既可以通过触摸屏幕进行操作，如调节空调温度、切换多媒体播放内容；也能使用语音指令，说出 “我有点冷，把温度调高 2 度”，系统会迅速响应并执行。更值得一提的是，其手势控制功能，当驾驶者在屏幕前方做出特定的手势，如左右挥手切换应用程序页面，上下滑动调节音量，无需直接接触屏幕，减少了驾驶过程中的操作干扰，提高了驾驶安全性。这种触摸、语音、手势的多模态融合交互，使得驾驶者能够根据自身需求和驾驶场景灵活选择交互方式，大大提升了交互效率和用户体验。
4.2 奥迪虚拟座舱的多模态融合实践
奥迪虚拟座舱将多模态交互与全数字化的驾驶显示系统深度融合。在导航方面，驾驶者不仅能通过语音输入目的地，系统还会在全液晶仪表盘和中控大屏上以 3D 地图的形式直观展示导航路线，同时结合眼动追踪技术，当驾驶者目光聚焦在地图上的某个区域时，系统会自动放大该区域并提供详细信息。此外，在车辆行驶过程中，如果检测到驾驶者注意力不集中，系统会通过声音和震动座椅的方式进行提醒，形成了视觉、听觉、触觉多模态交互的协同提醒机制，全方位保障驾驶安全和提升驾驶体验。
4.3 新势力车企的多模态交互特色应用
以小鹏汽车为例，其智能座舱除了具备强大的语音交互功能，支持连续对话、可见即可说等特性外，还在一些车型上探索了基于生物识别的多模态交互应用。通过车内摄像头识别驾驶者的身份，自动调整座椅、后视镜位置到该驾驶者的习惯设置，同时结合驾驶者的面部表情和心率监测数据，当检测到驾驶者疲劳时，自动播放提神的音乐，并通过语音提示驾驶者适当休息。这种融合了生物识别、语音、视觉等多模态交互的方式，实现了更加个性化、智能化的座舱体验，充分体现了多模态交互在满足用户多样化需求方面的潜力。
五、产业生态竞争格局
5.1 芯片厂商：制程竞赛与生态绑定
5.1.1 高通芯片的优势
高通的 SA8295P 芯片通过 “硬件虚拟化” 支持同时运行 Android Automotive 与 QNX 系统，这使得汽车厂商可以在同一芯片上灵活选择和配置不同的操作系统，满足不同用户的需求和应用场景。同时，这种硬件虚拟化技术也提高了芯片的资源利用率和系统的稳定性。高通强大的芯片性能为多模态交互的高效运行提供了基础，支持语音识别、图像识别等复杂算法的快速处理，保障了多模态交互的流畅性和准确性。
5.1.2 英伟达的生态布局
英伟达 Thor 芯片的 CUDA 核心赋能开发者生态，拥有超 400 家 ISV 合作伙伴。通过强大的开发者生态，英伟达能够吸引更多的软件开发者基于其芯片进行应用开发，丰富智能座舱的应用场景和功能，提升用户体验。众多开发者基于英伟达芯片开发出各种多模态交互应用，如更加智能的手势识别游戏、基于眼动追踪的个性化内容推荐系统等，进一步拓展了多模态交互的应用边界。
5.1.3 华为的自主可控体系
华为的昇腾 AI 芯片与鸿蒙 OS 构建了端到端自主可控体系。在当前国际形势复杂多变的背景下，自主可控的技术体系对于保障国家信息安全和产业发展具有重要意义。华为的这一布局不仅能够为国内汽车厂商提供安全可靠的技术支持，还能够推动国内智能座舱产业的自主创新和发展。在多模态交互方面，华为的技术体系实现了语音、视觉等多模态数据的高效融合与处理，为智能座舱的交互创新提供了有力支撑，如鸿蒙 OS 系统下的智能座舱能够实现手机与车机之间的多模态交互无缝流转，用户在手机上未完成的语音指令可以在车机上继续执行。
5.1.4 2023 年座舱芯片市场份额分析
2023 年座舱芯片市场份额中，高通占 43%，三星占 22%，华为占 15%，其他占 20%。高通凭借其在芯片技术和生态方面的优势，占据了较大的市场份额；三星在芯片制造工艺和技术研发方面也具有较强的实力；华为虽然市场份额相对较小，但凭借其自主可控的技术体系和不断创新的能力，在市场中也具有重要的地位。不同芯片厂商的技术特点和市场份额，影响着多模态交互技术在智能座舱中的应用和发展方向，各厂商通过不断提升芯片性能和优化生态，推动多模态交互技术向更高效、更智能的方向发展。
六、技术挑战与伦理争议
6.1 数据主权博弈
欧盟 GDPR 规定车内生物识别数据需本地化存储，这一规定导致跨国车企研发成本增加 30%，大众集团 2022 年报就明确指出了这一问题。不同国家和地区的数据主权政策存在差异，这给汽车厂商在全球范围内的数据管理和应用带来了巨大的挑战。多模态交互过程中产生的大量数据，如语音数据、面部识别数据等，其存储、传输和使用都受到数据主权政策的严格限制，如何在保障数据安全和合规的前提下，充分利用这些数据提升多模态交互的智能化水平，是汽车厂商面临的重要难题。
6.2 人机权责界定困境
2023 年德国慕尼黑法院裁定，因语音助手误触发紧急制动导致追尾，车企承担 70% 责任（判决号：AZ 34 O 567/23）。这一案例凸显了人机权责界定的困境，随着智能座舱技术的不断发展，越来越多的驾驶辅助和智能交互功能被应用到汽车上，当出现事故时，很难明确界定是人的责任还是机器的责任。在多模态交互场景下，如手势控制误识别、语音指令错误执行等情况，可能引发安全事故，如何从法律和伦理层面明确人机双方的责任，对于保障消费者权益和推动多模态交互技术的健康发展至关重要。
七、未来趋势展望
7.1 脑机接口（BCI）
Neuralink 的柔性电极技术已实现猴子通过意念控制游戏，在 2023 年的 Demo 中展示了这一技术的可行性。未来，脑机接口技术有望应用到汽车智能座舱中，驾驶者可以通过意念控制车辆的一些功能，如加速、减速、转向等，实现更加自然、高效的交互。这将极大地提升驾驶体验，同时也为残障人士提供了更加便捷的出行方式。脑机接口技术与现有的多模态交互技术融合，将开启全新的交互范式，如驾驶者在专注驾驶时，通过脑电信号控制一些简单的座舱功能，如调节音量、切换电台等，进一步减少手动操作和语音交互对驾驶注意力的分散。
7.2 元宇宙座舱
Meta 与宝马联合开发车内 VR 会议系统，时延 < 20ms，眩晕指数降低 65%。元宇宙座舱将为用户带来全新的沉浸式体验，用户可以在车内参加虚拟会议、观看虚拟电影、进行虚拟游戏等。在元宇宙座舱中，多模态交互将发挥重要作用，用户通过语音、手势、眼动等方式与虚拟环境进行自然交互，如在虚拟会议中，通过语音发言、手势操作文档、眼神交流来增强沟通效果，打造更加真实、高效的虚拟交互场景。
7.3 自进化架构
基于联邦学习的座舱系统可在保护隐私前提下实现跨车型知识迁移，准确率提升 18%。自进化架构能够使智能座舱系统不断学习和优化，根据用户的使用习惯和场景变化，自动调整系统的功能和参数，提供更加个性化和智能化的服务。在多模态交互方面，自进化架构可以根据用户对不同交互方式的偏好和使用频率，自动优化交互流程和响应策略，如用户经常使用语音交互进行导航设置，系统会不断提升语音导航功能的准确性和便捷性，同时结合用户的驾驶习惯和路况信息，提供更加智能的语音导航提示。
八、结论
智能座舱技术的发展，本质是人类移动空间数字化生存方式的重塑。技术层面，依循 “算力 × 算法 × 数据” 法则，三者共同推动其进步；商业层面，用户数据资产运营是提升竞争力、优化用户体验的关键。
多模态交互与 AI 融合，变革了人车交互模式。多模态交互借语音、手势等协同，提升交互便捷性与智能化；AI 为其提供数据分析支持，助力座舱理解、预测用户需求，实现个性化服务。产业生态中，芯片厂商、车企、软件商激烈竞争，共同推进智能座舱技术落地。
但技术发展也引发难题。数据主权方面，复杂法规和高合规成本，限制汽车厂商数据应用；人机权责界定模糊，冲击现有法律与责任认定机制，影响消费者信任。
未来，脑机接口、元宇宙座舱、自进化架构等带来新机遇。脑机接口或实现意念交互，元宇宙座舱拓展功能场景，自进化架构让座舱更智能。
为促进智能座舱健康发展，需构建跨学科治理框架。融合多学科知识，在鼓励技术创新、提升用户体验的同时，强化数据安全保护，明确人机权责，确保技术应用合法合规、符合伦理。智能座舱是汽车智能化转型关键，各方携手努力，有望打造理想移动生活空间，为出行与生活带来变革 。
相关文章：
汽车智能座舱的技术演进与用户体验重构 —— 基于多模态交互与 AI 融合的范式创新
摘要： 汽车智能座舱作为人 - 车 - 环境交互的核心载体，正经历从功能驱动到体验驱动的范式变革。本文通过技术解构与用户行为分析，深入揭示智能座舱在异构计算、多模态感知、服务生态等维度的创新路径。研究表明，智能座舱的竞争焦…...
TresJS：用Vue组件构建3D场景的新选择
在当今数字化时代，3D图形技术正以前所未有的速度发展，从游戏开发到虚拟现实（VR）、增强现实（AR），再到各种沉浸式体验，3D技术的应用场景日益丰富。TresJS作为一款基于Three.js的Web3D开…...
【鸿蒙HarmonyOS Next实战开发】实现ArkTS/JS和C/C++的交互-Node-API
一、HarmonyOS Node-API简介 在HarmonyOS应用开发中，通常以ArkTS/JS语言为主，但在一些特殊场景下，例如游戏开发、物理模拟等，由于对性能、效率等有较高要求，需要借助现有的C/C库来实现。为了满足这种需求，…...
QT笔记——多语言翻译
文章目录 1、概要2、多语言切换2.1、结果展示2.2、创建项目2.2、绘制UI2.2、生成“.st”文件2.4、生成“.qm”文件2.5、工程demo 1、概要 借助QT自带的翻译功能，实现实际应用用进行 “多语言切换” 2、多语言切换 2.1、结果展示 多语言切换 2.2、创建项目 1、文件…...
JPG、PNG、GIF有什么区别？
JPG、PNG、GIF是三种常见的数字图像格式，它们各自具有不同的特点和适用场景。以下是它们之间的主要区别以及如何进行选择： 一、JPG与PNG、GIF的区别 1. JPG（JPEG）： 特点：JPG是一种有损压缩的图像格式&…...
Excel 融合 deepseek
效果展示 代码实现 Function QhBaiDuYunAIReq(question, _Optional Authorization "Bearer ", _Optional Qhurl "https://qianfan.baidubce.com/v2/chat/completions")Dim XMLHTTP As ObjectDim url As Stringurl Qhurl 这里替换为你实际的URLDim postD…...
机器学习在环境科学中的应用
机器学习在环境科学中的应用 第一节 机器学习的基本概念 什么是机器学习 机器学习是一种通过对大量数据的学习和分析，让计算机系统能够逐渐改善其性能和行为的技术。它通过建立数学模型来识别数据中的模式和规律，进而进行预测和决策。 机器学习在环境科学…...
【AIGC魔童】DeepSeek v3推理部署：vLLM/SGLang/LMDeploy
【AIGC魔童】DeepSeek v3推理部署：vLLM/SGLang/LMDeploy （1）使用vLLM推理部署DeepSeek（2）使用SGLang推理部署DeepSeek（3）使用LMDeploy推理部署DeepSeek （1）使用vLLM推理部…...
Monorepo保姆级教程
Monorepo是一种将多个项目或组件存储在一个统一的代码仓库中的策略，旨在提高代码复用性和团队协作效率。以下是一个详细的Monorepo管理多个项目的保姆级教程： 1. 初始化项目 首先，创建一个新的项目目录并初始化为Git仓库： mkdi…...
【蓝桥杯—单片机】第十一届省赛真题代码题解题笔记 | 省赛 | 真题 | 代码题 | 刷题 | 笔记
第十一届省赛真题代码部分 前言赛题代码思路笔记竞赛板配置内部振荡器频率设定键盘工作模式跳线扩展方式跳线 建立模板明确设计要求和初始状态显示功能部分数据界面第一部分第二部分第三部分调试时发现的问题 参数设置界面第一部分第二部分和第四部分第三部分和第五部分 按键功…...
hive的几种复杂数据类型
Hive的几种复杂数据类型 Hive 提供了几种复杂数据类型，能够支持更灵活和多样的数据存储。这些复杂数据类型对于处理嵌套数据或不规则数据特别有用。主要包括以下几种： 文章目录 Hive的几种复杂数据类型1. 数组（ARRAY）2. 结构体&a…...
使用 `WITH` 子句优化复杂 SQL 查询
使用 WITH 子句优化复杂 SQL 查询 在 SQL 中，处理复杂的查询需求时，代码往往会变得冗长且难以维护。为了解决这个问题，SQL 提供了 WITH 子句（也称为公用表表达式，Common Table Expression，CTE）…...
k8s网络插件及基础命令
一、k8s的cni网络插件 1.k8s的内部网络模式 pod内的容器与容器之间的通信。一个节点上的pod之间的通信，docker0网桥直接通信。不同节点上的pod之间的通信：通过物理网卡的ip地址和其他节点上的物理网卡的设备进行通信，然后把流量转发到指定的…...
)
组合总和II(力扣40)
这道题的难点就在于题目所给的集合中有重复的数字，我们需要进行去重操作。首先明确去重指的是去重哪一部分。注意并不是对递归的集合去重，而是对当前集合的遍历进行去重。这么说可能有点抽象，举个例子：假设集合为1,1,2,3,4&#x…...
【vue3 入门到实战】7. 标签中的 ref
目录 1. ref 的作用 2. 如何使用 1. ref 的作用 用于注册模板引用 用在普通DOM标签上，获取的是DOM节点。 用在组件标签上，获取的是组件的实例对象。 2. 如何使用 代码如下 <template><div class"app"><h2 ref"titl…...
MAC OS安装Homebrew
文章目录 1.下载Homebrew2.完成安装3.验证安装4.更新 Homebrew作为一个包管理器，提供了一种简便的方式来安装、更新和卸载各种命令行工具和应用程序。相比于手动下载和编译源代码，或者从不同的网站下载安装包，使用Homebrew可以显著减少这些操…...
)
数据结构之栈和队列(超详解)
文章目录 概念与结构栈队列 代码实现栈栈是否为空，取栈顶数据、栈的有效个数 队列入队列出队列队列判空，取队头、队尾数据，队列的有效个数 算法题解有效的括号用队列实现栈用栈实现队列复用 设计循环队列数组结构实现循环队列构造、销毁循环队…...
[Deepseek-自定义Ollama 安装路径+lmStudio 简易安装]
ollama 先下载 https://ollama.org.cn/download 使用 发现报错 检查路径 自己的路径! 再用 .\OllamaSetup.exe /DIRE:\MySoftware\Ollama 删除掉 多余模型 ollama delete <model_name> 例如 ollama delete deepseek-r1:1.5b 下载 ollama run deepseek-r1:1.5b…...
uniapp mqttjs 小程序开发
在UniApp中集成MQTT.js开发微信小程序时，需注意平台差异、协议兼容性及消息处理等问题。以下是关键步骤与注意事项的综合指南： 一、环境配置与依赖安装 安装MQTT.js 推荐使用兼容性较好的版本：mqtt4.1.0（H5和小程序兼容性最佳&…...
LabVIEW位移测量系统
本文介绍了一种基于LabVIEW的位移测量系统，结合先进的硬件设备与LabVIEW平台的强大功能，能够实现对位移的精确测量和高效数据处理。该系统具备高精度、实时性和良好的可扩展性，适用于工程与科学实验中对位移测量的多种需求。 项目背景 位移…...
VMware下Linux和macOS遇到的一些问题总结
1.解决.NET程序通过网盘传到Linux和macOS不能运行的问题 这是文件权限的问题。当你通过U盘将文件传输到虚拟机的macOS和Linux系统时，文件的权限和所有权可能得到了保留或正确设置。但如果你通过网盘上传，文件的权限或所有权可能没有正确设置，…...
Mac: docker安装以后报错Command not found: docker
文章目录 前言解决办法（新的）解决步骤（原来的）不推荐总结 前言 本操作参考 http://blog.csdn.net/enhenglhm/article/details/137955756 原作者，更详细请，查看详细内容请关注原作者。 一般，…...
深度学习里面的而优化函数 Adam，SGD，动量法，AdaGrad 等 | PyTorch 深度学习实战
前一篇文章，使用线性回归模型逼近目标模型 | PyTorch 深度学习实战 本系列文章 GitHub Repo: https://github.com/hailiang-wang/pytorch-get-started 本篇文章内容来自于 强化学习必修课：引领人工智能新时代【梗直哥瞿炜】 深度学习里面的而优化函数 …...
C++自研3D教程OPENGL版本---动态批处理的基本实现
又开始找工作了，借机休息出去旅行两个月，顺便利用这段时间整理下以前写的东西。 以下是一个简单的动态批处理实现： #include <GL/glew.h> #include <GLFW/glfw3.h> #include <iostream> #include <vector>// 顶点结…...
如何使用deepseek开发一个翻译API
什么是deepseek Deepseek 是一个基于人工智能技术的自然语言处理平台，提供了多种语言处理能力，包括文本翻译、语义分析、情感分析等。它通过深度学习模型和大规模语料库训练，能够实现高质量的文本翻译和多语言理解。Deepseek 的核心优势在于…...
Java使用aspose实现pdf转word
Java使用aspose实现pdf转word 一、下载aspose-pdf-21.6.jar包【下载地址】，存放目录结构如图；配置pom.xml。 <!--pdf to word--> <dependency><groupId>com.aspose</groupId><artifactId>aspose-pdf</artifactId>…...
fs 文件系统模块
在 Node.js 中，fs（File System）模块提供了与文件系统进行交互的能力。无论是读取、写入还是操作文件和目录，fs 模块都提供了丰富的 API 支持。本文将详细介绍 fs 模块的基本用法、异步与同步方法的区别以及一些高级功能࿰…...
正激变换器拓扑
正激变换器拓扑是一种常见的DC-DC电源拓扑结构，以下是关于它的详细介绍： 基本组成 - 主开关：通常为MOSFET，用于控制输入电压的通断。 - 变压器：实现电压隔离和电压变换，传递能量。 - 续流二极管&#x…...
Rsyslog omhttp（HTTP输出模块）
个人博客地址：Rsyslog omhttp（HTTP输出模块） | 一张假钞的真实世界 使用Rsyslog的omhttp模块可以将收集的日志数据以HTTP请求的方式输出。该模块支持单条/批量发送数据，支持GZIP压缩，支持HTTPS。 Rsyslog默认未包含o…...
防火墙与Squid代理服务器
服务器的安装、搭建与配置准备前期 虚拟机版本：redhat Enterprise Linux Server release 7.2(Maipo)系统架构：x86虚拟机服务器地址：192.168.195.3Window地址：192.168.195.237进行ISO挂载操作进入root模式[yonghu@localhost 桌面]#su 返回上级目录文件进入media文件中，创建…...
为何实现大语言模型的高效推理以及充分释放 AI 芯片的计算能力对于企业级落地应用来说，被认为具备显著的研究价值与重要意义？
🍉 CSDN 叶庭云：https://yetingyun.blog.csdn.net/ AI 芯片：为人工智能而生的 “大脑” AI 芯片，又称人工智能加速器或计算卡，是专为加速人工智能应用，特别是深度学习任务设计的专用集成电路（A…...
【教程】docker升级镜像
转载请注明出处：小锋学长生活大爆炸[xfxuezhagn.cn] 如果本文帮助到了你，欢迎[点赞、收藏、关注]哦~ 目录 自动升级 手动升级 无论哪种方式，最重要的是一定要通过-v参数做数据的持久化！ 自动升级 使用watchtower，可…...
k8s常见面试题2
k8s常见面试题2 安全与权限RBAC配置如何保护 Kubernetes 集群的 API Server？如何管理集群中的敏感信息（如密码、密钥）？如何限制容器的权限（如使用 SecurityContext）？如何防止容器逃逸࿰…...
mysql运维
1、msyqlLinux通用二进制安装 1. MySQL :: Download MySQL Community Server (Archived Versions)https://downloads.mysql.com/archives/community/https://downloads.mysql.com/archives/community/https://downloads.mysql.com/archives/community/https://downloads.mysql…...
将Deepseek接入pycharm 进行AI编程
目录 专栏导读1、进入Deepseek开放平台创建 API key 2、调用 API代码 3、成功4、补充说明多轮对话 总结 专栏导读 🌸 欢迎来到Python办公自动化专栏—Python处理办公问题，解放您的双手 🏳️🌈 博客主页：请点击——…...
Redis03 - 高可用
Redis高可用 文章目录 Redis高可用一：主从复制 & 读写分离1：主从复制的作用2：主从复制原理2.1：全量复制2.2：增量复制（环形缓冲区） 3：主从复制实际演示3.1：基本流程准…...
日常知识点之面试后反思遗留问题汇总
梳理一下最近接触到的几个知识点： 1：突然问到端口复用 （SO_REUSEADDR） 端口复用一般用在服务端重启时，套接字处于time_wait状态时，无法绑定该端口，导致无法启动问题。 设置端口复用ÿ…...
软考教材重点内容 信息安全工程师 第15章 网络安全主动防御技术与应用
目录 15.1.1 人侵阻断技术原理 15.1.2 人侵阻断技术应用 15.3 网络流量清洗技术与应用 15.3.1 网络流量清洗技术原理 15.3.2 网络流量清洗技术应用 15.4 可信计算技术与应用 15.4.1 可信计算技术原理 15.5 数字水印技术与应用 15.5.1 数字水印技术原理 15.5.2 数字水…...
大模型的底层逻辑及Transformer架构
一、大模型的底层逻辑 1.数据驱动 大模型依赖海量的数据进行训练，数据的质量和数量直接影响模型的性能。通过大量的数据，模型能够学习到丰富的模式和规律，从而更好地处理各种任务。 2.深度学习架构 大模型基于深度学习技术，通常采用多层神经网络进行特征学习与抽象。其中…...
PostgreSQL-字符串函数
字符串连接 SELECT A||B; 字符串连接，适用于字符串与数字连接 SELECT CONCAT(10,a,hello,20.0); 连接所有参数，个数不限，类型不限 字母转换 SELECT LOWER(ABCD); 将字符转换成小写 SELECT UPPER(ABCD); 将字符转换成大写 SELECT IN…...
Qt修仙之路2-1 炼丹初成
widget.cpp #include "widget.h" #include<QDebug> //实现槽函数 void Widget::login1() {QString userusername_input->text();QString passpassword_input->text();//如果不勾选无法登入if(!check->isChecked()){qDebug()<<"xxx"&…...
华为的IPD模式VS敏捷项目管理模式
本文介绍了华为的IPD模式与敏捷项目管理模式的对比。文章详细阐述了两种模式的特点、适用范围及实施要点，为读者提供了全面的理解。 重点内容： 1. IPD模式强调跨部门协同，注重产品全生命周期管理，适用于复杂产品领域。 2. 敏捷…...
Ollama python交互:chat+embedding实践
Ollama简介 Ollama 是一个开源的大型语言模型（LLM）平台，旨在让用户能够轻松地在本地运行、管理和与大型语言模型进行交互。 Ollama 提供了一个简单的方式来加载和使用各种预训练的语言模型，支持文本生成、翻译、代码编写、问答等…...
Redis进阶
Redis持久化： 前面我们讲到mysql事务有四个比较核心的特性： 原子性：保证多个操作打包成一个。一致性：A给B100，A少一百，B必须多一百。持久性：针对事务操作必须要持久生效，不管是重启…...
【蓝桥杯嵌入式】6_定时器输入捕获
全部代码网盘自取 链接：https://pan.baidu.com/s/1PX2NCQxnADxYBQx5CsOgPA?pwd3ii2 提取码：3ii2 这是两个信号发生器，可以通过调节板上的两个电位器R39和R40调节输出频率。 将PB4、PA15选择ch1，两个信号发生器只能选择TIM3和TIM…...
C#常用集合优缺点对比
先上结论： 在C#中，链表、一维数组、字典、List<T>和ArrayList是常见的数据集合类型，它们各有优缺点，适用于不同的场景。以下是它们的比较： 1. 一维数组 (T[]) 优点： 性能高：数组在内存中…...
Python调取本地MongoDB招投标数据库，并结合Ollama部署的DeepSeek-R1-8B模型来制作招投标垂直领域模型
根据你的需求，以下是使用Python调取本地MongoDB招投标数据库，并结合Ollama部署的DeepSeek-R1-8B模型来制作招投标垂直领域模型的步骤： 安装PyMongo 首先，确保你已经安装了PyMongo库，用于Python与MongoDB的交互。如果未…...
【MySQL】深入了解索引背后的内部结构
目录 索引的认识： 作用： 索引的使用： 索引底层的数据结构： 哈希表 AVL树 红黑树 B树： B树： B树搜索： 索引的认识： 索引是数据库中的一个数据结构，用于加速查询…...
pytest-xdist 进行多进程并发测试
在自动化测试中，运行时间过长往往是令人头疼的问题。你是否遇到过执行 Pytest 测试用例时，整个测试流程缓慢得让人抓狂？别担心，pytest-xdist 正是解决这一问题的利器！它支持多进程并发执行，能够显著加快测试…...
蓝桥杯准备 【入门3】循环结构
素数小算法（埃氏筛&&欧拉筛） 以下四段代码都是求20以内的所有素数 1.0版求素数 #include<iostream> using namespace std;int main() {int n 20;for(int i2;i<n;i){int j0;for(j2;j<i;j)//遍历i{if(i%j0){break;}}if(ij){cout&l…...