白拾的笔记本

网站 Sphinx: Sphinx is a tool that makes it easy to create intelligent and beautiful documentation, written by Georg Brandl and licensed under the BSD license. Taichi: Build world-class open-source graphics infrastructure and cloud platforms, making graphics computing benefit everyone. Taitopia: The world’s first cloud-native 3D DCC platform. Create and share inspiring artworks with anyone, from anywhere, at any time. Dasher v6：An information-efficient text-entry interface driven by natural contin ...

在上一期的内容里，我们探讨了如何通过气动优化与被动式设计来降低螺旋桨在工作时产生的噪声。然而，当气动优化触及瓶颈，一种更激进、更具科幻感的方案浮出水面：既然噪声不可避免地发生，那就用另一股“反噪声”去抵消它。本篇文章将深入探讨这种“从源头干掉噪声”的思路，看看球面声波、AI算法以及主动降噪技术如何成为让无人机“静音潜行”的关键。 当被动降噪不再足够仅仅依靠改变螺旋桨形状、叶片数量，或者在机体上贴上吸音材料，这些被动或“物理层面”的优化，确实能让噪声降低一定程度，但仍然存在难以消除的限制。例如，小型无人机往往带有高频“嘶嘶”声，而大型多旋翼则产生低频“嗡鸣”。这些噪声不仅影响城市环境，还可能干扰特定场景下的隐私与安全需求。 那么，除了继续优化螺旋桨本身，是否有办法直接“抵消”这些噪声，让它们在空气中自我消失？ AI与球面声波的奇妙联手主动降噪（Active Noise Cancellation, ANC） 技术的基本原理是利用相位相反、振幅相等的声波干涉来抵消噪音。这一技术已经广泛应用于耳机和汽车噪声控制系统。然而，将其应用到螺旋桨降噪却充满挑战： 螺旋桨产生的噪声频率复杂，并 ...

无人机、风机甚至孩子们的遥控飞机——这些配备螺旋桨的设备看似离我们很近，却总在某个深夜突然发力，发出嘈杂的轰鸣，让人怀疑是不是住在了飞机跑道附近。螺旋桨噪声为什么如此难缠？它真的就无法彻底“消失”在我们的耳朵里吗？MIT最近推出的一款“静音螺旋桨”似乎让人看到了希望，而更让人脑洞大开的，是能否把噪声频率推到超声波区，让人耳彻底听不见——但这对蝙蝠等依赖高频定位的生物又意味着什么？这篇文章就从螺旋桨噪音的来源讲起，一路延伸到当下各种降噪方案的思路与争议，带你一探究竟。 在无人机的深夜轰鸣中，我们被吵得怀疑人生？你可能曾在深夜睡意正浓时，忽然听到窗外像“马蜂”一样的嗡嗡声，却又不知道究竟是谁在“造作”。事实上，随着无人机送货、消防监控甚至户外娱乐的普及，越来越多人在夜晚或清晨感受到它的存在。为什么单靠几片扁扁的旋翼，就能制造如此巨大又刺耳的噪声？答案离不开螺旋桨本身的运转原理。 当螺旋桨高速旋转时，每片叶片割裂空气，形成急剧变化的涡流和湍流；同时，螺旋桨叶片通过频率（Blade Passing Frequency，BPF）也会形成一种周期性压力波。归根结底，这是空气动力学与声学的“相互碰 ...

我第一次意识到AI不再只是个“功能型工具”，是在某个深夜里。我半梦半醒地呼唤了语音助手，让它把次日闹钟再推迟半小时。它冷不丁地回答我：“你似乎很累，要不要先休息一下？我会安排好明天的提醒。”一瞬间，我恍惚地觉得——这家伙是不是有点“在乎”我？它的回答让人产生了某种情感联结，好像它不只是一台机械地执行指令的设备，而是一个贴心的“小存在”。 为什么“温度”突然变得重要过去，当我们谈到AI的时候，第一反应通常是“自动化”“效率”或“工具”。它能帮我们写邮件、做翻译、拼接数据，但谈不上真正的“陪伴”。然而，随着自然语言处理、情感计算等技术的突破，AI开始拥有更细腻的语言输出和更丰富的环境感知能力。 这意味着它不仅能“听到”你说了什么，还能“理解”你说话的语气和内容背后的情绪。有人称其为“共情计算”，也有人认为这只是算法在模拟人类。无论如何，AI正往“理解你的情感需求”这个方向发展——这是它在演化中第一次尝试为人类提供心灵层面的互动。 工具进化的背后：从“石器”到“智能体”回想几千年前，当我们的祖先把石头打磨成凹槽、用来敲碎坚硬的坚果壳——这就是最原始的“工具”。它的逻辑很直白：人类需要外 ...

在海洋深处，如果你恰好能遇到一只章鱼，请仔细观察它。多数人知道它是一种极具智慧的软体动物，却未必了解，它的大脑并不止一个。章鱼拥有一个中央大脑，外加分布在八条触腕里的八个“副脑”，由此形成了一个极具弹性又彼此协作的“九脑结构”。当这位“多脑”选手，遇上了地面上浩浩荡荡、却没有明显领导者的蚂蚁社会，再加上丛林里社交策略满点的猩猩家族，会产生怎样的思维碰撞？这就是我们今天想探讨的主题：群体智慧或多智能体协作，以及它们在人工智能与人类未来中的可能性。 为什么要重视群体智能 许多人关心人工智能何时能再上一层楼。纵使深度学习、强化学习发展得如火如荼，算法性能和硬件水平都在提升，但我们不免感觉：好像还缺了点什么。有人将目光转向自然界，看到成群结队的动物能各司其职、不慌不乱，哪怕没一位“总指挥”发号施令，依旧能从“局部行为”汇聚成“整体智慧”。如果我们能学到这种本领，那么 AI 是否能在群体协作和分布式计算中获得下一次腾飞？ 这并不是凭空想象：人类本身就可能是“基因共生体”，所有的个体同时为基因延续服务，也在大群体里彼此搭配、互利共生。由此观之，对“群体智能”或“多智能体系统”的研究，不仅关乎机器 ...

在日常生活中，我们常常会被各种视错觉迷惑：两条本应等长的线段却看起来一长一短；同样的颜色换个背景就显得不一样；甚至一幅图中，你能看到完全相反的两种形象。这些令人拍案叫绝的“错觉”，究竟是大脑的缺陷，还是一种“奇思妙想”？更令人“惊尧”的是：如果人类在视觉上会出现错觉，那AI呢？AI在视觉上会不会也闹一些“小糊涂”？又或者，错觉反而能帮AI进化出更聪明的“眼睛”？ 人类的大脑并不总是客观的摄像机，它会将过往的经验、情绪乃至进化痕迹都混杂在一起，形成一个复杂但高效的“信息处理系统”。视错觉恰恰揭示了这种系统的奥妙：当外部刺激与我们已有的认知模型不匹配时，错觉就此产生。对AI而言，如何借鉴这些“好像出错”的机制，去突破现有算法的瓶颈，成为一个值得深思的问题。 视错觉的魔力：从“我的妻子和岳母”到“理发杆”有些错觉是我们再熟悉不过的“老朋友”了。比如那张著名的《我的妻子和岳母》，有的人先看出一位年轻女子的轮廓，有的人则第一眼看到一位年长妇人的侧脸。又或者“鲁宾花瓶”，究竟是看到花瓶，还是两个面对面的人像？这些图形-背景反转的经典错觉让我们惊觉：同样的视觉信息，在大脑的不同理解模式下，会出现完 ...

基因：自私vs强盗，共生vs变异——给AI的启示 人类究竟是为什么而存在？如果把视角拉向基因，你或许会发现一个“惊尧”的可能：我们或许只是基因为延续自身而构建的“容器”。听上去很刺激？更刺激的是，这其中还蕴含了不小的AI灵感。毕竟，从遗传算法开始，AI就一直在向生物进化取经。如果人类能在基因层面上与病毒、细菌发生“强盗式”或“共生式”的基因交换，那AI是否也能在机器世界里来点“横向传递”的花样操作？让我们从头说起。 从“自私基因”到“共生基因”：人类为何是个“大杂烩”？在理查德·道金斯的《自私的基因》中，基因是拼了命想要复制自己的“自私存在”。可我们又知道，病毒等外来基因会和人体基因产生复杂的纠缠，有些甚至成了人体制造新蛋白质的重要基础。虽然听起来像是病毒在“强盗式地”入侵，但它们往往又能帮助宿主做点实事，让我们拥有更多进化可能。 在AI领域，“自私基因”式的思路早已有之——这就是遗传算法。算法个体模拟基因的“适者生存”，胜出者继续传递“优良基因”。然而，如果从生物学角度看，进化并不只靠“垂直”的遗传，很多时候还靠“横向”基因交换——这就像算法们能不能直接从别的算法那里“偷师”学习？ ...

当科研人沦为“流水线工人”？AI时代的脑力解放“把科研工作者称作体力劳动者，难道不是天方夜谭吗？”或许你会这样想。可是在自动化生产线大行其道的时代，曾经站在流水线上的工人正逐步被机械手臂和机器算法取代。而如今，随着AI在科学研究领域的崛起，那些埋头于实验室、论文堆、代码行的科研人员，是否也即将迎来“被取代”的危机？更刺激的问题是：如果科研过程本身越来越像重复操作的体力劳动，那么科研人究竟还要做些什么？ 1. 当“体力劳动者”遇上AI提到体力劳动者，我们脑海中通常浮现的画面，也许是带着安全帽、手持工具，或是站在生产线忙碌的工人。然而在AI时代，这个刻板印象或许需要“刷新”了：很多科研工作其实有着高度的重复性与流程化。实验数据的采集、海量文献的检索、各种代码的调参和跑模型……当这些日常劳动都可以逐步交给自动化程序和AI助手，科研工作者的角色该如何定位？ 更关键的是，过去几年里，我们看到了太多科研人员加班熬夜、猝死的新闻，也听到太多博士生被抑郁折磨的故事（参考来源：同济大学、某些高校公开数据）。以往我们把这种压力简单归因为“科研高强度”，但随着AI的发展，我们必须再次审视：能否借助 ...

到底是终末的黑暗，还是无限的起点？——AI对未知的挑战当人们还在惊叹AlphaFold对蛋白质结构预测的“一骑绝尘”时，更多人已在思考：如果把科研这件事交给AI，未来会走向何方？资源有限，欲望无穷，这是整个历史长河里，人类一直在上演的悖论式命题。就像爱因斯坦描绘的那个圆：圈子越大，周围的未知也越明显。我们一边渴望快点扩大这个“已知”之圆，一边又对无尽的未知怀有敬畏与焦虑。也有人问：有没有可能，我们只是加快了撞上宇宙尽头的速度？ 乍看起来，这似乎是一个“人力（或资源）终有尽头 VS 无限探索欲望”的博弈。从某种程度上说，人类文明的每一次显著跃升，都在追赶或者拓宽我们自认为的“极限”。在最初，神话与宗教给出了对未知的解释；如今，各路科学技术的迭代似乎更直截了当——就像许多科幻作品预测的一样，人类一步步用“工具”去探寻边界。最新的“工具”之一，就是AI。 从爱因斯坦的圈子谈起：知道得越多，不知道得越多 很多人都听过那个生动比喻：人的知识是圆内之地，未知是圆外的海洋；圆越大，接壤的未知也就越广。所以随着人类对世界的认知不断拓展，会同时意识到更多我们还不明白的东西。这是一个十分有趣的悖论：我 ...

引言：为什么深度学习能进行“0样本推理”？“深度学习能在从未见过某些数据的情况下，依然给出惊人准确的推理，这也太离谱了吧！”——当这样的“惊尧”问题浮现，我们才猛然意识到，数学不仅仅是条条框框的逻辑游戏，它也关系到对混沌、对随机以及对未知的描述。 在学校里，我们学习了各种看似严谨无比的数学公式，还常被警告“一定要按逻辑来”。可当样本数很大时，概率或统计规律确实能很好解释世界；若样本数逼近零时，那些华丽的数学公式瞬间可能失灵，剩下的只是一片茫然的“随机”。既然逻辑方法能研究有序规律，那么“用非逻辑的方法研究随机问题”会不会同样有意义？深度学习告诉我们：或许真的可以！ 第一部分：当我们谈“随机”时，我们在谈什么？在切入严肃话题之前，先来聊点轻松的。还记得你在学校里背过多少公式？辛辛苦苦背下来的微积分、线性代数、概率论，转眼发现网上一搜就有答案，瞬间怀疑“我真的受够了学校里那些机械刷题式的知识灌输啊！”在 AI 当道的今天，当你输入几个关键词，模型就能给你推断出下一步怎么做、甚至能自动生成一整段理论分析——这让我们不得不重新思考，“学习的本质难道就是背公式吗？我们是不是应该花更多精力去学 ...

d6b2705594faac2605c03c803e14c0008c69250ea2786399748dbac0b44e1aac75aa8c34f829bfa1c824c2d45765eac04e47766b0c7220ba480e769479c7aeea6440ba5a8a9f9b48a83b028bd1ed1c9ea5210c2d6a3a56d11e0a119e7fed7e6701a474efc8ed1a773fceb40b7a9a713a3e71c26f56ceee068926f7a28aa9bfa71f362edeebc232b4f6c2e51d4bfa4cb8594622284f0030f08eee26e2b35e6b074747d3675f94ddb2f514b8550ac3fad87fa428be9b5f13597885ba66ee1f53ff647bac80f928711911128b23088eaa258a41af86043b6cc5eddf15d84f5470302cb6900f0213afd632e93ff8e4258816ade979292d101d234 ...

IntroductionIn the rapidly evolving field of artificial intelligence, integrating diverse data modalities—such as text, images, audio, and sensor data—poses significant challenges. Traditional monolithic AI models often struggle to handle the exponential complexity that arises when processing multiple modalities simultaneously. This is where the Mixture of Experts (MoE) framework demonstrates its true value. While MoE in isolation may seem less impactful compared to powerful single-model AI solu ...

Expanding the Concept of Sustainability: Beyond Green Energy and Into Humanity’s FutureWhen we hear the term “sustainability,” most people immediately think of environmental initiatives like renewable energy, reducing carbon footprints, or protecting ecosystems. While these are essential parts of the conversation, sustainability encompasses far more than just green energy. It’s a concept intricately tied to the long-term survival and flourishing of human society—what we could consider the “immor ...

Introduction In the vast field of data science, image processing has carved out a significant niche, providing tools and techniques to analyze and manipulate visual data. Python, with its rich ecosystem of libraries, offers several options for working with images. Among these, scikit-image stands out as a powerful, accessible tool dedicated to image processing, using NumPy arrays as image objects for easy integration with other scientific Python libraries. In this post, we’ll explore how to use ...

Introduction Matplotlib is one of the most popular Python libraries for data visualization. It provides an extensive range of tools to plot graphs that are highly customizable and suitable for a wide array of applications. Whether you are a data scientist, an engineer, or anyone who deals with graphical representations of data, understanding how to manipulate and customize your plots in Matplotlib can greatly enhance your ability to communicate data insights effectively. In this post, we will ex ...