跳到正文
11月20日週五
  1. AWS Machine Learning Blog62

    BMW Group 如何治理服務數千名開發者的數百個智能體

    BMW Group 分享如何治理服務數千名開發者的數百個智能體,並將治理要求納入建置、部署及運行流程。其研發團隊有逾 12,500 名開發者,治理規則以 IaC 編碼,並透過 CI/CD 執行安全、驗證及評估檢查。架構以 MCP 工具、技能和流程構成三層組合,中央登記庫負責資產發現、審批、安全檢查及重複能力識別。

    推薦理由:文章把治理落實到架構、CI/CD 與運行階段,具體展示如何透過分層組合及自動化檢查,兼顧團隊自主和企業管控。

  2. DEV Community29

    Physical AI 硬件與軟件協同設計——第 03 章:致動器與 AI 協同設計

    本章説明 Physical AI 的致動器與 AI 必須協同設計,因為致動器的動態特性、限制與不確定性,決定 AI 指令能否安全有效地轉化為實際動作。致動器規格、動作表示方式、控制頻率、機械順應性及能源需求,都會影響 AI 架構與可行動作範圍。分層架構可由高層 AI 規劃任務,再由中低層控制器將目標轉化為可執行的致動器指令。

  3. DEV Community32

    Physical AI 硬件與軟件協同設計——第 02 章:Physical AI 計算平台

    Physical AI 的計算平台需求須按任務、環境、感測配置、模型、延遲目標、功耗及安全要求整體規劃,不能只根據硬件規格選擇。感知、規劃與控制等工作負載各有不同特性,平台需兼顧端到端延遲、記憶體與數據傳輸,並由 CPU、GPU、NPU 及 MCU 分工處理。即時工作通常需要機載邊緣計算,訓練、模擬及大型運算則可按連線和營運要求交由本地或雲端基建處理。

  4. DEV Community29

    Physical AI 硬件與軟件協同設計——第 01 章:協同設計原則

    Physical AI 的硬件與軟件協同設計,須按任務、工作環境及機械形態規劃系統架構,而非把機械平台、軟件和 AI 模型視為互相獨立的部分。AI 模型與硬件應一併選擇,平衡計算能力、記憶體、功耗、延遲及系統要求。分配軟件與硬件功能時,須按時限和安全要求區分高層自主功能與即時控制。

  5. DEV Community39

    是否信任 AI?我的開源專案並非「只為自己而做」

    一名利用業餘時間開發 JavaScript 專案的作者指出,AI 助手屢次把他的開源作品當成個人玩具;這些專案已在 GitHub 公開並發佈至 npm,目標是服務其他開發者。測試 BeeLadybug 時,他在其他網站的 CSS 下發現覆蓋遊戲畫面的錯誤,認為面向他人使用的作品才能暴露這類問題。他建議信任 AI 協助解釋和提速,但要自行測試、閲讀程式碼並糾正錯誤假設。

  6. 新浪科技76

    Google Gemini 4 使用攻略:4 款模型、5 個套餐及優惠整理

    文章整理 Google Gemini 4 四款模型及五種訂閲方案,列出模型定位、價格、使用權限與可領取的優惠。AI Pro 每月 19.99 美元可在 Gemini App 使用 Gemini 4 Neon;Neon 在 Artificial Analysis 智能指數得 61 分,比 Carbon 高 1 分。

    推薦理由:文章對照 Gemini 4 各模型的評測分數、API 價格與不同套餐的使用權限,亦整理免費及折扣入口,呈現訂閲選擇的實際差異。

  7. DEV Community32

    模擬與 Sim2Real 遷移——第 03 章:域隨機化

    域隨機化透過在訓練期間改變模擬環境參數,讓 AI 策略適應多種條件,減少對單一模擬設定的依賴,協助轉移至實體機械人。隨機化範圍可涵蓋視覺特徵、物理動態及感測器特性,促使策略更依賴可靠特徵和感測回饋。成效取決於訓練條件是否涵蓋或接近真實環境;不切實際的分佈或參數覆蓋不足,仍可能導致部署失敗。

  8. DEV Community36

    Simulation and Sim2Real Transfer 第 02 章:逼真渲染

    本章説明 Physical AI 的逼真渲染如何將模擬環境轉化為接近真實感測器觀測的合成影像,供感知、學習、規劃及自主互動使用。渲染品質須按下游感知與控制表現評估,而非只看影像是否逼真;幾何、材質、光照及相機模型均會影響模擬觀測。渲染亦可涵蓋深度相機、LiDAR、雷達及熱像等感測器,並須考慮噪聲、校準誤差及漏測等不完美因素。

  9. DEV Community28

    模擬與 Sim2Real 遷移:第 00 章導言

    模擬為 Physical AI 提供可反覆試驗的計算環境,讓智能系統在接觸真實操作條件前探索物理關係,並支援學習、評估及優化。模擬亦可並行收集訓練經驗、生成合成數據和測試危險情境;訓練中的域隨機化有助提升泛化能力,但遷移至真實環境仍須實證驗證。

  10. DEV Community46

    旅遊行程檢索架構:Node.js 文件版本管理

    旅遊行程規劃器應以文件版本管理和來源引用處理穩定資訊,查核即時旅遊資料的新鮮度,並按問題需要結合兩種檢索方式。文章示範以 Node.js 建立向量檢索測試,並建議評估版本正確性、新鮮度及引用是否齊全。Infrai 提供 REST API,並以一個 API key 覆蓋 20 個模組的 295 個路由。

  11. DEV Community63

    多智能體系統的故障往往出在智能體交接環節

    這篇多智能體監控指南指出,系統故障多出現在智能體交接,而非單一智能體內,並建議逐次記錄交接任務、傳遞的上下文與權限,以及接收方理解的任務。文中引用 UC Berkeley 對七個多智能體框架逾 1,600 條執行追蹤的標註研究,歸納出 14 種故障模式,分為三類,不少故障源於系統設計。

  12. DEV Community53

    競爭對手研究的 MCP 伺服器:類型比較與選擇方法

    選擇用於競爭對手研究的 MCP 伺服器時,應檢查資料覆蓋、證據可追溯性、情境設定、成本及唯讀權限,而非只看工具數量。相關資料涵蓋搜尋曝光、AI 答案曝光、付費廣告創意、社交媒體與社羣,以及市集與本地資訊;第三方流量和關鍵字數據屬估算,重要數字應以第一方資料核對。

  13. DEV Community47

    如何建立穩定運作的 Raspberry Pi Icecast 伺服器

    Raspberry Pi 可用作 Icecast 伺服器;Pi 4 以 128 kbps 單一掛載點可服務數百名聽眾,但實際上限通常取決於家用上行頻寬。架設時應更改預設來源密碼,改用 USB SSD 或將記錄寫入 tmpfs,並設定 systemd 在斷電後重新啟動來源用戶端;超出單台 Pi 的負荷後,可遷移至 VPS。

  14. DEV Community37

    如何確認反向連結仍然有效並計入搜尋排名:7 點清單及 Node.js 程式

    文章提供 7 項檢查,協助確認反向連結仍然有效並可能計入搜尋排名,涵蓋 HTTP 狀態碼、原始 HTML、rel 屬性、頁面索引狀態、canonical、錨文字及目標網址。Node 18+ 配合 cheerio 的程式可自動檢查前 6 項,並輸出連結狀態、canonical 及匹配連結資料;robots.txt、JavaScript 渲染和頁面是否已被索引則不在檢查範圍。

  15. DEV Community64

    AI 智能體回傳 200 OK,結果仍然出錯:開發者追蹤智能體指南

    文章説明如何用 OpenTelemetry GenAI spans 追蹤 AI 智能體,定位 HTTP 200 OK 下被一般監控掩蓋的錯誤決策。指南建議在每個 span 記錄提示詞、檢索內容、工具參數、版本和決策,並在資料離開程序前遮蔽個人資料。多智能體系統則應跨代理及 MCP 伺服器傳遞同一 trace ID,並保留錯誤、升級及高風險操作的追蹤資料。

  16. DEV Community67

    識別 AI 智能體生產環境中的隱性故障:指標、漂移與幻覺行動

    文章提出一套識別 AI 智能體生產環境隱性故障的監測方法,涵蓋任務成效、品質、執行路徑、工具、檢索、成本及安全指標。它建議標記模型、提示詞及知識庫版本,比較改動前後的行為,並用固定回歸案例捕捉沒有程式碼變更的行為漂移。對幻覺行動,可把智能體聲稱完成的動作與追蹤中的成功工具呼叫比對;文章亦建議把可觀測性、評測和紅隊測試接成持續循環。

  17. DEV Community19

    具身與形態學——第 01 章:具身智能

    《具身與形態學》第 01 章將具身智能界定為智能體透過與物理身體及周邊環境持續互動,進行感知、學習、推理和行動的能力。感知、計算、驅動和物理互動形成持續循環,而身體結構與環境條件會共同影響智能體能採取的行動。

  18. DEV Community26

    體化與形態學——第00章:引言

    STATERA Library《Embodiment and Morphology》第00章闡述體化對物理 AI 的重要性:智能系統的感知與行動,會受身體結構、物理環境及兩者互動影響。形態會限制或擴展機械繫統的行動能力,亦會影響學習、控制策略和能源效率;系統設計須權衡靈活性、穩定性、效率與機械複雜性。

  19. DEV Community27

    具身與形態——第 10 章:仿生機械人

    仿生機械人研究生物的結構、動作、感知機制和適應行為,並將其功能原理應用於機械人設計,而非直接複製生物外形。生物力學、柔順結構、感知與動作的互動,以及分佈式控制,均可為提升機械人的穩定性、能源效率和環境適應能力提供設計思路。

  20. DEV Community28

    具身與形態——第09章:軟體機械人

    軟體機械人透過可變形本體、柔性結構及順應性材料,利用持續形變適應接觸與環境,並支援安全互動和靈活操作。順應性形態受材料特性、幾何設計及控制方式影響,也會改變感測、建模與控制需求;過度形變或能量耗散則可能降低定位精度和機械效率。

  21. DEV Community27

    具身與形態——第08章:空中機械人形態

    空中機械人形態涵蓋機翼、旋翼、機身、推進系統及載荷介面等結構,影響升力、推力、穩定性、機動性、載荷能力與續航力。常見配置包括固定翼、旋翼、多旋翼及混合式,各自適用於不同飛行方式與任務需求。設計亦須協調氣動特性、質量分佈、推進整合及載荷配置。

  22. DEV Community27

    具身與形態學——第 06 章:人形機械人形態學 [EN]

    人形機械人的形態設計旨在配合以人類活動為中心的環境,讓機械人有機會在毋須大幅改動基礎設施的情況下行走、操作物件及與人互動。雙足行走和仿人手部可支援樓梯通行、雙手協作及精細操作,但亦帶來平衡、能耗、感測和控制方面的工程挑戰。相近的運動結構亦有助將人類示範轉化為機械人動作,但仍須考慮機械人的動力學和穩定性限制。

  23. DEV Community34

    具身與形態學 — 第 05 章:機械臂形態學

    機械臂形態學探討機械臂的實體結構及其如何影響可執行的動作、操作能力與控制。機械臂可分為串聯、並聯及混合架構,其關節配置、工作空間、靈巧度、負載能力和結構剛度各有取捨。順應性可協助機械臂適應接觸力和幾何不確定性,但可能降低定位速度範圍及精度。

  24. DEV Community23

    Physical AI 工程——第 01 章:Physical AI 基礎

    Physical AI 將人工智能從數碼環境延伸至物理世界,讓機器透過感知、推理、行動及與環境互動來完成任務並持續適應。其核心是感知、認知、規劃、控制與執行的整合,以及由感測器、致動器和回饋構成的互動循環;系統還須在資訊不完整、環境多變的情況下作出穩健決策,並兼顧即時性與安全。

  25. DEV Community20

    Physical AI 工程 — 第 13 章:Physical AI 的計算平台

    Physical AI Engineering 第 13 章闡述邊緣 AI 計算如何讓 Physical AI 系統在實體環境中直接感知、推理、學習和行動,並作為實現即時自主運作的主要計算基礎。邊緣運算透過本地處理感測器資料,減少通訊延遲和頻寬需求,並讓系統在網絡連線不穩或不可用時維持運作;能源效率亦是重要考量。

  26. DEV Community47

    單點故障:為何一台設備可令整個系統癱瘓,以及如何修復

    單點故障(SPOF)是任何單一元件失效便會令整個系統或關鍵功能不可用的環節;其他層加入冗餘,仍無法補救請求路徑中單一依賴造成的故障。串聯的負載平衡器、應用層及資料庫示例,可用率約為99.79%;兩個各有99.9%可用率且故障互相獨立的資料庫副本,則可令資料庫層可用率達99.9999%。DNS、設定、部署、區域、憑證、第三方 API 及人員知識也可能構成單點故障。

  27. DEV Community15

    Physical AI Engineering — 第10章:醫療與以人為本的 Physical AI

    《Physical AI Engineering》第10章探討醫療及以人為本的 Physical AI,並以醫療機械人為例,説明 Physical AI 如何整合感知、推理、精準操作及臨牀知識,支援診斷、治療、復康和病人監察。醫療機械人旨在輔助而非取代醫護人員,並透過融合多種感測資訊,提升臨牀情境理解。

  28. DEV Community19

    Physical AI Engineering 第 09 章:工業 Physical AI

    Physical AI Engineering 第 09 章探討智能工廠如何結合智能機器、自主機械人、感測系統與人工智能,建立能感知、優化及自主決策的製造系統。內容説明 Physical AI 如何整合機械人、AI、Digital Twins、Industrial Internet of Things、邊緣運算及雲端智能,推動製造從傳統自動化轉向適應性實體智能。

  29. DEV Community26

    Physical AI Engineering 第 08 章:自動駕駛與出行

    Physical AI Engineering 第 08 章聚焦自動駕駛,説明系統如何整合感知、定位、建圖、預測、規劃、控制與安全管理,以應對動態的真實環境。文章亦探討 AI 基礎模型、Physical AI 推理引擎及異構運算平台在自動駕駛架構中的角色,以及系統逐步轉向以世界模型為核心。