. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 298 14. 更多关于 Cargo 和 Crates.io 的内容 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 把在一个领域中学习的技能延伸到另一个领域：你可以通过编写网页应用来学习 Rust，接着 将同样的技能应用到你的 Raspberry Pi（树莓派）上。 本书全面介绍了 Rust 为用户赋予的能力。其内容平易近人，致力于帮助你提升 Rust 的知识， 并且提升你作为程序员整体的理解与自信。欢迎你加入 Rust 社区，让我们准备深入学习 Rust 吧！ —— Nicholas Matsakis 和 Aaron 生态系统中丰富的工具，开发者在编写系统级代码时可以更加高效。 学生 Rust 适合学生群体，也适合有兴趣学习系统概念的人。许多人通过 Rust 学习了操作系统开发 等主题。社区对学生问题非常欢迎并乐于回答。通过类似这本书以及其他内容的努力，Rust 团队希望使系统概念能为更多人所易于理解，特别是编程新手。 公司 数百家大小规模的公司在生产环境中使用 Rust 完成各种任务，包括命令行工具、Web 服务、 DevOps 工具

有异常难以快速修正和溯源追责。 （b）偏见、歧视风险。算法设计及训练过程中，个人偏见被有意、无意引入， 或者因训练数据集质量问题，导致算法设计目的、输出结果存在偏见或歧视， 甚至输出存在民族、宗教、国别、地域等歧视性内容。 （c）鲁棒性弱风险。由于深度神经网络存在非线性、大规模等特点，人 工智能易受复杂多变运行环境或恶意干扰、诱导的影响，可能带来性能下降、 决策错误等诸多问题。- 4 - 人工智能安全治理框架 实则不符常理的内容，造成知识偏见与误导。 （f）对抗攻击风险。攻击者通过创建精心设计的对抗样本数据，隐蔽地 误导、影响，以至操纵人工智能模型，使其产生错误的输出，甚至造成运行瘫痪。 3.1.2 数据安全风险 （a）违规收集使用数据风险。人工智能训练数据的获取，以及提供服务 与用户交互过程中，存在未经同意收集、不当使用数据和个人信息的安全风险。 （b）训练数据含不当内容、被 “投毒” 风险。训练数据中含有虚假、偏见、 风险。训练数据中含有虚假、偏见、 侵犯知识产权等违法有害信息，或者来源缺乏多样性，导致输出违法的、不良 的、偏激的等有害信息内容。训练数据还面临攻击者篡改、注入错误、误导数 据的“投毒”风险，“污染”模型的概率分布，进而造成准确性、可信度下降。 （c）训练数据标注不规范风险。训练数据标注过程中，存在因标注规则 不完备、标注人员能力不够、标注错误等问题，不仅会影响模型算法准确度、 可靠性

价格下降240倍  国内：大模型「亏本」卖，可以「白嫖」大模型API能力 19政企、创业者必读 DeepSeek出现之前的十大预判 之七 多模态越来越重要  由文本生成迈向图像、视频、3D内容与世界模拟  多模态模态在能力变强的同时，规模正在变小 20政企、创业者必读 21 DeepSeek出现之前的十大预判 之八 智能体推动大模型快速落地  能够调用各种工具，具有行动能力 过去如何做蛋白质研究 AlphaFold 1. X射线晶体衍射 2. 核磁共振 3. 冷冻电子显微镜 1. 利用Transformer的预测能力， 2. 直接从蛋白质的氨基酸序列 3. 中预测蛋白质的3D结构 靠肉眼观察，几年才能发现一个复杂蛋 白质结构，半个世纪预测了20多万种 从数年缩短到几分钟，解开了生物学密码 成功预测了地球存在的2亿种蛋白质结构 45政企、创业者必读  DeepS

julia> cat(a, b; dims=(1, 2)) 2×6 Matrix{Int64}: 1 2 3 0 0 0 0 0 0 4 5 6 Extended Help Concatenate 3D arrays: julia> a = ones(2, 2, 3); julia> b = ones(2, 2, 4); julia> c = cat(a, b; dims=3);CHAPTER row (2, 1, 1) _______ _ 3 1 = elements in each column (3, 1) _____________ 4 = elements in each 3d slice (4,) _____________ 4 = elements in each 4d slice (4,) ⇒ shape = ((2, 1, 1), (3, 1), (4,), IndexLinear to the extent that it is possible. Index replacement Consider making 2d slices of a 3d array: julia> A = rand(2,3,4); julia> S1 = view(A, :, 1, 2:3) 2×2 view(::Array{Float64, 3}, :, 1

julia> cat(a, b; dims=(1, 2)) 2×6 Matrix{Int64}: 1 2 3 0 0 0 0 0 0 4 5 6 Extended Help Concatenate 3D arrays: julia> a = ones(2, 2, 3); julia> b = ones(2, 2, 4); julia> c = cat(a, b; dims=3);CHAPTER row (2, 1, 1) _______ _ 3 1 = elements in each column (3, 1) _____________ 4 = elements in each 3d slice (4,) _____________ 4 = elements in each 4d slice (4,) ⇒ shape = ((2, 1, 1), (3, 1), (4,), IndexLinear to the extent that it is possible. Index replacement Consider making 2d slices of a 3d array: julia> A = rand(2,3,4); julia> S1 = view(A, :, 1, 2:3) 2×2 view(::Array{Float64, 3}, :, 1

julia> cat(a, b; dims=(1, 2)) 2×6 Matrix{Int64}: 1 2 3 0 0 0 0 0 0 4 5 6 Extended Help Concatenate 3D arrays: julia> a = ones(2, 2, 3); julia> b = ones(2, 2, 4); julia> c = cat(a, b; dims=3);CHAPTER row (2, 1, 1) _______ _ 3 1 = elements in each column (3, 1) _____________ 4 = elements in each 3d slice (4,) _____________ 4 = elements in each 4d slice (4,) ⇒ shape = ((2, 1, 1), (3, 1), (4,), IndexLinear to the extent that it is possible. Index replacement Consider making 2d slices of a 3d array: julia> A = rand(2,3,4); julia> S1 = view(A, :, 1, 2:3) 2×2 view(::Array{Float64, 3}, :, 1

julia> cat(a, b; dims=(1, 2)) 2×6 Matrix{Int64}: 1 2 3 0 0 0 0 0 0 4 5 6 Extended Help Concatenate 3D arrays: julia> a = ones(2, 2, 3); julia> b = ones(2, 2, 4); julia> c = cat(a, b; dims=3); julia> row (2, 1, 1) _______ _ 3 1 = elements in each column (3, 1) _____________ 4 = elements in each 3d slice (4,) _____________ 4 = elements in each 4d slice (4,) ⇒ shape = ((2, 1, 1), (3, 1), (4,), IndexLinear to the extent that it is possible. Index replacement Consider making 2d slices of a 3d array: julia> A = rand(2,3,4); julia> S1 = view(A, :, 1, 2:3) 2×2 view(::Array{Float64, 3}, :, 1

julia> cat(a, b; dims=(1, 2)) 2×6 Matrix{Int64}: 1 2 3 0 0 0 0 0 0 4 5 6 Extended Help Concatenate 3D arrays: julia> a = ones(2, 2, 3); julia> b = ones(2, 2, 4); julia> c = cat(a, b; dims=3); julia> row (2, 1, 1) _______ _ 3 1 = elements in each column (3, 1) _____________ 4 = elements in each 3d slice (4,) _____________CHAPTER 48. ARRAYS 1088 4 = elements in each 4d slice (4,) ⇒ shape = ((2 IndexLinear to the extent that it is possible. Index replacement Consider making 2d slices of a 3d array: julia> A = rand(2,3,4); julia> S1 = view(A, :, 1, 2:3) 2×2 view(::Array{Float64, 3}, :, 1

julia> cat(a, b; dims=(1, 2)) 2×6 Matrix{Int64}: 1 2 3 0 0 0 0 0 0 4 5 6 Extended Help Concatenate 3D arrays: julia> a = ones(2, 2, 3); julia> b = ones(2, 2, 4); julia> c = cat(a, b; dims=3); julia> row (2, 1, 1) _______ _ 3 1 = elements in each column (3, 1) _____________ 4 = elements in each 3d slice (4,) _____________CHAPTER 48. ARRAYS 1087 4 = elements in each 4d slice (4,) ⇒ shape = ((2 IndexLinear to the extent that it is possible. Index replacement Consider making 2d slices of a 3d array: julia> A = rand(2,3,4); julia> S1 = view(A, :, 1, 2:3) 2×2 view(::Array{Float64, 3}, :, 1

julia> cat(a, b; dims=(1, 2)) 2×6 Matrix{Int64}: 1 2 3 0 0 0 0 0 0 4 5 6 Extended Help Concatenate 3D arrays: julia> a = ones(2, 2, 3); julia> b = ones(2, 2, 4); julia> c = cat(a, b; dims=3); julia> row (2, 1, 1) _______ _ 3 1 = elements in each column (3, 1) _____________ 4 = elements in each 3d slice (4,) _____________CHAPTER 48. ARRAYS 1087 4 = elements in each 4d slice (4,) ⇒ shape = ((2 IndexLinear to the extent that it is possible. Index replacement Consider making 2d slices of a 3d array: julia> A = rand(2,3,4); julia> S1 = view(A, :, 1, 2:3) 2×2 view(::Array{Float64, 3}, :, 1