当前位置: 首页 > news >正文

中国AI PC行业研究报告

核心摘要:

2020-2023年中国笔电出货量呈下降趋势,PC厂商亟需从产品形态、软硬技术、需求场景等角度寻求新的增长机会。而随着大模型、生成式AI技术的到来,其强大的数据处理、学习泛化与内容生成能力,高质效加速了各行各业人工智能技术的赋能进程,为AI可赋能的场景领域、扮演角色提供更多创新性与可能性。目前大模型陆续从技术基座打造走向产品生态应用,其能力也将陆续由云端下放到边缘与端侧, AI PC作为端侧大模型的理想功能载体备受市场关注,有望为PC市场发展带来颠覆性机会。

2024年,AI PC产品陆续进入商业化时代,各家PC厂商纷纷投入发布相关新品,布局大模型时代的AI PC产品。本篇报告将聚焦AI PC产业的时代背景、产品定义、定位逻辑、应用场景等维度,结合用户之声,分析探讨中国AI PC产业的演进发展,为市场提供有公信力、受到广泛认可的数据与观点。

01 大模型为PC市场注入新省略 

 

全球及中国的PC市场增长乏力

疫情后经济形势下行,居民终端消费疲软,笔电出货量呈下降趋势

PC,全称Personal Computer,又叫个人电脑,主要包括台式机、一体机、笔记本电脑及平板电脑等,产品形态各有特点,本篇报告对于PC、AI PC的研究范围将框定在笔记本电脑产品。根据Canalys研究机构发布的数据,受市场低迷、消费疲软等影响,中国消费电子的终端需求面临挑战,2020-2023年的笔电出货量呈下降趋势,PC厂商亟需从产品形态、软硬技术、需求场景等角度寻求新的增长机会注入笔电市场,重振消费电子领域的新兴发展活力。

PC成为端侧大模型的理想功能载体

搭载较大参数量级,赋能办公生产、教育教学、游戏娱乐等功能场景

如前文所说,未来AI大模型能力和消费终端的融合被视为消费电子产业的新创新锚点。而消费终端,即供日常消费者生活使用的电子产品,主要包括手机、笔记本电脑、平板电脑、智能音箱、智能穿戴设备(TWS耳机、智能手表、AR/VR产品)等。从消费终端角度出发,消费终端和大模型的融合路径将与其产品定位息息相关。相较于手机的生活定位,PC产品定位会更偏功能向,其大模型能力融合也将与办公生产、教育教学、游戏娱乐等场景深度绑定,为用户带来全新的AI PC价值体验。从产品形态来看,PC产品具备内置十亿、百亿级别端侧大模型的潜力空间,可在本地实现更多智能化、个性化AI功能调用,且在本地用户数据的积累下不断训练优化,成为贴近用户生产生活的理想终端。

在软硬件的技术发展上有良好储备

大模型在PC侧落地的可行性:硬件配置升级+端侧大模型能力内置

大模型时代,AI PC对产品的硬件性能及软件配置要求均有所提高。从硬件角度来看,AI PC需具备可良好支撑AI运算需求的能力,搭载AI计算单元或AI专用芯片,并在存储容量、传输速率、机身材质及屏幕键鼠等角度顺应AI配置完成智能化升级。而自2019年起,英特尔的酷睿处理系列陆续在CPU芯片内引入加速运算指令集,以支持深度学习及AI应用。且CPU+独立GPU显卡的配置下,GPU也具备一定的并行计算能力,理论算力数值表现优异,如英伟达的RTX系列。但出于CPU与GPU各有PC日常程序需求、GPU运载高能耗等考量,更多芯片厂商考虑引入NPU计算单元,兼顾“低能耗与高功效”的AI性能,来更好满足AI PC的硬件诉求,如高通的骁龙系列、英特尔的Ultra系列等。从软件配置来看,AI PC将搭载本地大模型完成端侧个性化部署,而中国在开闭源路径已具备相应技术储备,可结合开源模型完成PC厂商的自研或二开,也可与国内大模型厂商展开合作,共同打造PC端侧定制化大模型的商业化落地。

 

02 深入了解AI PC

AI PC的概念

AI PC的概念具有进化性,当前阶段强调芯片对大模型在PC端高效运行的满足,未来将突出强调大模型对PC软硬件的影响及持续运维能力

目前业界尚未出现AI PC的官方定义。在现有定义中,不同厂商侧重点不同:芯片厂商侧重提升AI加速器能力、PC厂商侧重配置及与大模型结合后的功能,具体到产品侧,目前游戏本在硬件算力需求和软件应用上更符合AI PC的率先价值落地。在本报告中,我们试图站在大模型、PC硬件、PC软件三者相互影响的视角,并基于当前业内对AI PC定义及特征的描述,试探着对AI PC进行定义:AI PC是一个内嵌大模型且能在本地运行的计算机产品。在当前,AI PC更多是指配有能在本地运行大模型、且具有良好能耗平衡能力芯片的PC,它具有初级的AI能力。但AI PC的定义具有发展性,是动态进化的,未来将具有两大特征:1)用户通过PC及其外设的持续使用、厂商的持续优化,形成用户个人智能体,既能与用户自然交互,更能个性化的无感满足用户需求;2)形成PC自己的智能体,持续保证电脑性能最优。

图片

AI+PC的产品定位-个性化服务

构建本地知识库+个人专属大模型,提供端云融合的智能化个性化体验

对于AI PC产品,PC厂商会在端侧本地化部署AI能力,内置本地知识库与个人专属大模型,让用户无需网络连接也可以实现本地功能的AI推理计算。另外,在保护用户数据安全隐私的前提下,AI PC会智能化收集用户行为轨迹,梳理绘制用户思维画像,将本地用户数据与云端功能应用实现充分融合,最大化释放个人数据的应用价值。未来,AI PC将成为真正理解用户的智能终端产品,充分满足、甚至主动猜想迎合用户的个性化场景需求,且不断学习优化提升智能化能力,在办公、游戏、教育、生活等领域为用户提供“越用越惊艳”的独特应用体验。

AI+PC的产品定位-用户体验

AI PC主动适应用户偏好及行为需求,让交互更简单化、效率化、个性化

目前人机交互的主导权仍会在PC产品侧,并涉及到复杂菜单及功能操作,需要用户主动去学习适应计算机的人机交互逻辑。而在AI PC时代下,人机交互的形式将变得更加多样,加载AI功能的AI PC产品可实现手势、语音、表情、视频、文本等多模态人机交互形式,愈发接近人与人的交互方式,进一步降低PC交互门槛,提高了PC产品使用的自然度与便利性,为AI PC产品的用户群体与场景功能也将提供更多可能性。在大模型能力加成下,AI PC产品将具备高阶智能的语音识别、语义分析甚至情绪感知等功能,对多模态数据的整合反馈能力也将大幅增强,人机交互逻辑将呈现“以用户为本”的发展趋势,更加快速高效响应用户需求,甚至变被动为主动,结合本地知识库及个人大模型合理预测用户意图,感知用户的潜在需求,主动进行服务引导,并提供个性化交互方式,让人机交互变得更加效率化与个性化。

AI+PC的产品定位-新的流量入口

个人智能体与新兴AI应用生态构建新流量入口,AI PC承载更多商业可能

随着大模型、生成式AI技术的到来,其强大的数据处理、学习泛化与内容生成能力,高质效加速了各行各业人工智能技术的赋能进程。2024年更多AI应用如雨后春笋,呈现爆发增长态势。无论是个人智能体,还是基于大模型底座的新型AI应用生态,都将可能成为承载用户AI功能需求的巨量流量入口,大模型厂商、操作系统厂商、AI应用厂商及PC厂商纷纷投入布局。作为重要的终端硬件载体,PC厂商的角色与责任将变得更加重要,将集聚各方产业资源,与各方形成竞合关系,从用户角度出发,让客户自由选择本地化处理或云端协同,达到本地数据隐私安全与云端强大功能调用的最大利益平衡点。

AI PC的应用价值-办公、游戏、教育

量身定制,以个性化、智能化为基底,极致发挥AI PC功能场景价值

依托于PC的功能性定位,AI PC的应用场景广泛,覆盖办公、代码、创意设计、游戏、教育等领域。利用端云融合的大模型能力,AI PC可以在文本、代码、设计等办公场景提供高质效移动生产力,显著节省用户所需的时间及资源;在游戏场景,AI PC一方面可以基于更强大的硬件性能给玩家带来更沉浸的游戏观感体验,一方面可进一步融合用户本地的个性化行为偏好,与游戏应用场景结合,为用户提供更加个性化、可玩性更高的人机交互、游戏环节及内容;在教育场景,AI PC可以其为终端教学载体,为教师、学生、家长提供教学辅助、个性化教学、成长陪伴分析等角色功能。由此可见,AI PC在各功能场景下,极致凸显出了“智能化效率提升与个性化用户体验”两大核心产品价值。相较于原本PC对用户功能诉求的基础满足,AI PC将会是一款量身定制,从用户角度出发,主动迎合用户在各场景的个性化、功能化需求,达成用户更深层次场景满足的革命性产品。

03 PC主流玩家产品及服务的思考逻辑

 

AI PC的产业链及产业图谱

当前硬件是推动AI PC产业升级和迭代的关键,未来软硬研发与实现兼备的、能提供持续运维及服务的企业将更具优势

AI PC的市场厂商洞察-适配是主旋律

适配是AI PC各参与厂商间的主旋律,试图推出产品、占据更大市场

当前,AI PC市场主要玩家有以下几类:PC厂商、芯片/算力厂商、基础模型厂商、应用软件开发商等几大类,目前几类厂商之间的合作以“适配”为主,试图抓住推出AI PC产品的先机。同时,各家都在积极布局模型瘦身,试图占据更大市场。若以PC厂商为中心,AI PC市场厂商特点如下:1)PC厂商+芯片厂商:采用带有AI推理能力的芯片,推出带有AI能力的AI PC产品(详情见PC厂商的布局),占领市场;2)PC厂商+应用厂商:1-结合市场需求,将自身能力与芯片厂商的能力进行封装,为应用厂商赋能,如为游戏厂商提供基于用户画像的语义解析能力,玩家可自定义对话的游戏开发;2-应用分发。3)PC+大模型厂商:1-促使大模型在端侧能流畅运行;2-调用模型厂商API,赋能自身硬件及软件的智能化,如全向麦、自动降噪、微软的recall等;3-集成大模型厂商的衍生应用,助力应用分发。

各家对AI PC的布局-国外PC厂商

国外PC市场产业链成熟、协同效应强,由微软主导Copilot助手、大模型能力与操作系统层、应用软件层的适配融合

各家对AI PC的布局-国内PC厂商

国内PC市场硬件配置基本与国外平齐,在大模型能力自主可控的宏观环境下,探索由国产PC-系统及软件-AI应用开发者带来的商业闭环,且重视后端持续运维服务

04 用户对AI PC的看法及功能期望

 

用户对AI PC的接受情况

超七成用户愿意将AI相关功能融入端侧设备,近七成用户选择PC和手机

75.3%的用户对AI相关功能融入到端侧设备持支持的态度,只有1%左右的用户持反对态度,用户整体对AI+端侧设备的接受度比较高。对于AI相关功能融入的端侧设备类型,PC和手机是用户最为支持的两类端侧设备,占比在70%左右。其中,男性用户更愿意融入PC端,而女性用户则更愿意融入手机端。

用户对AI PC的购买意愿

超七成用户愿意为AI PC支付额外费用;超五成用户认为能够完成工作中重复且机械的工作时,他们更愿意购买AI PC

整体来看,用户为AI PC支付额外费用的意愿相对较高,占比为76%。但用户整体以实用性为主,男女性差别相对较小,辅助完成重复且机械的工作、多设备互联互通、根据用户使用行为进行个性化推荐及结果优化是用户更愿意购买AI PC的TOP3的情形。

图片

用户对AI PC的使用场景偏好

AI PC的工具属性没有变,但改变和影响了用户使用PC时的场景选择,相比于传统PC,用户更愿意在AI PC上完成教育、设计等场景的活动

整体来看,文本类、设计类、教育类、代码类等是用户的主要应用场景,PC作为办公工具,无论是否具备AI的相关能力,其工具属性并没有变。但相比于传统PC,AI PC极大影响了用户的使用场景选择,其中家庭教育类、自主学习类、设计类是受影响最大的三个场景,这与AI PC提供的辅助能力息息相关。

用户对AI PC的功能偏好-文本相关工作

文本内容自动生成、文档内容智能化管理、语音实时转文本及互译等切实降低工作量、提升工作效率的功能是用户非常期望AI PC所具备的

从文本相关工作场景下AI PC功能的KANO模型分析看,用户整体是典型的实用主义者,他们对AI PC在文本相关工作的赋能情况更关注对其工作效率的提升情况,因此诸如文本内容自动生成(如文案、PPT、日报等)、文档内容智能化管理(如关键点提取、总结汇报等)、语音到文本的实时转换机互译等,这些功能有助于减少用户重复且占用时间的工作量,是用户所期望具备的,有则满意,无则不满。

用户对AI PC的功能偏好-代码相关工作

用户整体对AI PC在代码相关的赋能期望比较高,用户对代码错误检测和修复建议有需求,代码自动生成/自动补全/可视化等能提升更好体验

从代码相关工作场景下AI PC功能的KANO模型分析看,用户整体对AI PC在代码相关工作的赋能情况期望度比较高,期待效率与用户体验兼顾。代码错误和修复建议的能力是用户最为期望的,有则满意,无则满意度明显降低。

除了代码错误检测机修复建议外,代码可视化、代码自动补全、代码自动生成等功能可有效提升用户体验,还可以在一定程度上减少用户工作量,也是用户期望AI PC能够提供的功能。

用户对AI PC的功能偏好-设计相关工作

文生图、图生文、图生视频等自动生成功能,既能带来创意创新灵感,又能切实提升工作效率的功能是用户非常期望AI PC所具备的

从设计相关工作场景下AI PC功能的KANO模型分析看,用户整体依然是实用至上,他们对AI PC在设计相关工作的赋能情况具有效率提升与灵感创新并重的特点。就具体功能而言,文生图、图生文、图生视频等自动生成是用户最期待的功能,尤其是文生图,通过自然语言就可以将用户脑中的想法转为图片,有想法就能创作,而非想法与技能同时兼备才能创作逐步成为可能。除此以外,自动化设计工具、自动视频剪辑等提升效率的功能也是用户所期望的。

用户对AI PC的功能偏好-游戏相关

缩短游戏加载时间、画风优化、实时调整系统资源等提升游戏体验的功能是用户非常期望AI PC所具备的,同时也期望提升游戏交互性

从游戏场景下AI PC功能的KANO模型分析看,用户整体对AI PC在游戏方面的赋能聚焦于提升游戏体验和游戏可玩性。缩短游戏加载时间、AI增强的画面优化、实时调整系统资源等能提升用户游戏体验的功能是用户最为期望的,有则满意,无则满意度明显降低。

结合VR/AR游戏、游戏内语音命令和控制等功能是AI PC在游戏场景下的加分项,没有不会不满,但出现则更可能给用户带来更好体验,这些功能既可以提升用户的沉浸感,又可以增加游戏的互动性,使游戏的可玩性更高。

05 AI PC市场发展启示

 

启示1:硬件层面混合AI算力长期存在

AI PC端侧算力将持续提升,且跨端协同与“边”的能力将同步发展

AI PC在硬件层面,未来可能主要有两个特点:1)混合算力将长期存在。一方面,以CPU+GPU+NPU的异构算力形式将会长期存在,算力也讲持续提升,未来可能还会演变为CPU+GPU+NPU+DPU等模式;另一方面, AI PC将会调用云端算力,可能未来将以AI PC为主要处理中心、AI PC与云端协同处理为主。2)AI PC在算力持续提升与混合算力的支持下,部分算力得以释放,因此,AI PC与其他终端的关系必将有所变更:其一,AI PC与其他终端的端-端互联与协同将会加强;其二,AI PC可以扮演边的角色,为其他终端提供一定算力支持。

启示2:软件开发与无缝整合调用同步发展

AI能力落地是重点,其中,AI原生软件重视新产品/新功能开发,传统软件重视AI功能集成,软件整体重视跨应用/跨平台的无缝整合与调用

AI PC对软件层的影响集中在两方面:1)应用软件层,AI原生软件不断探索AI应用的落地、传统软件通过自主集成和合作开发的方式引入大模型相关功能。2)操作系统层,微软优先布局,其核心思想是将大模型的能力融入OS(操作系统)中,通过OS了解电脑软硬件的使用情况,完成用户画像,提供个性化服务。copilot在中国无法使用的当下,OS+大模型的方式让国内AI PC厂商挑战与机遇并存:Windows的市场“垄断性”,可能会让PC厂商、大模型厂商、应用软件厂商追随微软的规则;至于机遇,对于OS、芯片、硬件等初具闭环的厂商,如华为,可利用好AI PC发展初期的窗口期,将软硬件打通,进一步建立生态护城河,形成正向循环。

从软件层整体来看,AI功能调用-生成结果-结果应用流程的缩短与效率提升是未来趋势,这势必带动同一设备,甚至是不同设备、不同平台之间各应用软件的无缝整合与调用。但值得注意的是,市场数据资产争夺激烈,抛开整合能力不谈,在整合中如何保证自己数据资产积累及潜在数据服务展开,是各方需要思考的问题。

启示3:AI OS正在路上

AI OS为OS+大模型,是AI能力对OS能力的叠加与优化

电脑的操作系统(OS)是管理和控制计算机硬件与软件资源的,负责在用户、应用程序和硬件之间的协调和通信。AI OS并不是构建新的操作系统,而是OS与大模型结合后, 大模型的自我学习能力将赋予给OS,形成基于PC自己的智能体和基于用户的智能体。前者将有助于PC整体性能调优,促使PC以最优方式完成任务;后者有助于用户高效、便捷的完成任务。总体而言,AI OS本质是站在操作系统的层面去观察电脑和用户,基于对电脑软硬件的调优与整合,更好的了解用户、理解用户、服务用户。

启示4:AI PC商业化趋显

AI PC进入成熟期后,软件定制开发与运维服务等新的收费模式将形成

AI PC当前介于萌芽期和发展初期之间,产业链的各方(如大模型、PC、芯片等)都处于优先布局和产品孵化的阶段,厂商之间正在寻求合适的合作模式,为打磨AI PC产品及服务做准备。随着AI PC功能落地趋于成熟、厂商生态趋于完善,AI PC为用户所接受,市场的商业模式将不再局限于AI PC作为硬件的售卖收费,或将出现更多潜在软件服务收费场景。对于AI PC未来潜在的商业模式有很多,但有3点值得各参与方关注:其一,基于用户画像、用户认知、用户硬件能力、使用场景等维度的软件定制开发与运维收费;其二,电脑上的单项或打包付费的模式是初级收费,针对用户实际使用时的高级功能满足将是主要模式;其三,若AI OS能力足够强大时,操作系统可能会由买断制趋于订阅制。针对以上三类商业模式,各方均需思考:用户需求如何感知?用户需求如何满足?满足用户需求的媒介在哪里?等问题。当以上问题得以明确时,未来无论AI PC产业链中心如何调整,都将有自身价值点和可能的收费模式。

启示5:后端运维及服务或成为“胜负手”

AI PC硬件厂商需同时具备AI应用分发、调用、运维及优化能力

AI PC针对用户智能体的形成需要用户持续使用,可以源自用户对PC的直接使用,也可以是用户通过其他端或者外延设备对PC的调用与使用。在这个特点下,AI PC各参与方针对AI相应能力的开发、迭代、优化的持续投入非常必要,毕竟将影响用户粘性。模型厂商与软件厂商更多聚焦于应用落地的探索,而作为PC厂商,其角色与功能将主要发生三方面的变化:1)作为流量入口,具有AI相关应用集成与分发的能力;2)作为AI相关应用的承载方,需要满足用户对最新能力、最优性能、最佳体验等需求,这要求PC厂商需要具备持续的软件研发、运维等相应能力;3)作为用户服务方,与用户链接频次变高:PC厂商由“管道方”逐渐转为运维方,即AI PC之前,PC硬件售卖后,用户与PC厂商之间的链接更多聚焦于针对PC产品的售后服务,频次较低;AI PC之后, PC硬件售卖后不仅要提供针对PC产品的售后服务,还要提供针对AI应用的调用、更新、适配等运维相关服务,PC厂商与用户的链接频次增加。综上,未来同时具备硬件落地与软件运维能力的企业将在AI PC市场上更具竞争优势。

来源:艾瑞咨询 

相关文章:

中国AI PC行业研究报告

核心摘要: 2020-2023年中国笔电出货量呈下降趋势,PC厂商亟需从产品形态、软硬技术、需求场景等角度寻求新的增长机会。而随着大模型、生成式AI技术的到来,其强大的数据处理、学习泛化与内容生成能力,高质效加速了各行各业人工智能…...

Mybatis实战:图书管理系统(笔记)

前言:如果在接口的声明方法中鼠标右键没有Test的单元测试。 你的鼠标光标问题:要在花括号范围内!!!! 数据库表是应⽤程序开发中的⼀个重要环节, 数据库表的设计往往会决定我们的应⽤需求是否能顺利实现, 甚…...

win11 amd64 python安装matplotlib、pytorch报错记录

win11 amd64 python matplotlib 安装报错记录 安装时 错误是 metadata-generation-failed 查看上面的具体报错原因,来自: Files\Python\Python3_10_11\Include: linker input file not found: No such file or director注意Python 的路径中最好不要有…...

Python写UI自动化--playwright(等待页面加载机制)

很多情况下,我们都需要等待页面加载到一定程度才能进行下一步操作,而这个度该怎么操作,这篇文章就来详细讲一讲 目录 expect_popup() wait_until参数 "load" commit: "domcontentloaded" "networkidle"…...

书籍将整数字符串转成整数值(5)0804

题目 给定一个字符串str,如果str符合日常书写的整数形式,并且属于32位整数的范围,返回str所代表的整数值,否则返回0。 举例 str“123” 返回 123 str“023” 因为023 不符合日常的书写习惯,所以返回0 str“A13” …...

【2024年华数杯C题老外游中国】(完整题解+代码+完整参考论文)

请问 352 个城市中所有 35200 个景点评分的最高分(Best Score,简称 BS)是多少?全国有多少个景点获评了这个最高评分(BS)?获评了这个最高评分(BS)景点最多的城市有哪些&am…...

全球氢化双酚A (HBPA)市场规划预测:2030年市场规模将接近1330亿元,未来六年CAGR为2.7%

一、引言 随着全球化工行业的持续发展,氢化双酚A (HBPA)作为重要的化工原料,其市场重要性日益凸显。本文旨在探索HBPA行业的发展趋势、潜在商机及其未来展望。 二、市场趋势 全球HBPA市场的增长主要受全球化工行业增加、消费者对高性能化工产品要求提高…...

【C++】异常处理:深度解析与实战精髓,不容错过的编程秘籍

🌈 个人主页:Zfox_ 🔥 系列专栏:C从入门到精通 目录 🚀 前言:C语言传统的处理错误的方式 一: 🔥 C异常概念二: 🔥 异常的使用 2.1 📖 异常的抛出和…...

智能指针的循环引用 是什么 怎么引起的

智能指针的循环引用 是什么 怎么引起的 智能指针的循环引用(Circular Reference)是指两个或多个对象之间的共享指针相互引用,导致这些对象永远不会被释放,从而引发内存泄露。主要发生在使用std::shared_ptr时,因为它们…...

Stegdetect教程:如何用Stegdetect检测和破解JPG图像隐写信息

一、Stegdetect简介 Stegdetect 是一个开源工具,专门设计用于检测图像文件(JPG格式)中的隐写信息。Stegdetect 可以检测多种常见的隐写方法,比如 JSteg、JPHide 和 OutGuess 等。 二、使用Stegdetect检测图像隐写 官方描述&#…...

Co-Detr

参考:https://www.bilibili.com/video/BV1Sh4y1F7ur/?spm_id_from333.788&vd_source156234c72054035c149dcb072202e6be 之前的detr正样本数量少,匹配不平衡。 主要修改两个地方:encoder和decoder。 1.在encoder之后加入RPN,a…...

校园选课助手【1】-项目整体架构从此开始

项目背景 随着高校招生规模的不断扩大,学生选课需求日益增长。为提高选课效率,降低学生选课压力,本项目旨在开发一款校园选课助手软件。 项目目标:开发一款具有以下特点的校园选课助手软件: 易用性:界面简洁&#xff…...

椭圆曲线加法运算

1. 定义 椭圆曲线 (Elliptic Curve) 不是函数,而是一条平面曲线,其方程是定义如下: y 2 x 3 a x b y^2x^3axb y2x3axb 其中,判别式 Δ − 16 ( 4 a 3 27 b 2 ) ≠ 0 \Delta -16(4a^327b^2)\neq 0 Δ−16(4a327b2)0。判别…...

(STM32笔记)九、RCC时钟树与时钟 第一部分

我用的是正点的STM32F103来进行学习,板子和教程是野火的指南者。 之后的这个系列笔记开头未标明的话,用的也是这个板子和教程。 九、RCC时钟树与时钟 九、RCC时钟树与时钟1、时钟树HSE时钟HSI时钟锁相环时钟系统时钟HCLK时钟PCLK1时钟PCLK2时钟RTC时钟独…...

fastjson-流程分析

参考视频:fasfjson反序列化漏洞1-流程分析 分析版本 fastjson1.2.24 JDK 8u65 分析过程 新建Person类 public class Person {private String name;private int age;public Person() {System.out.println("constructor_0");}public Person(String na…...

Linux 命令安装

系列文章目录 提示:仅用于个人学习,进行查漏补缺使用。 1.Linux介绍、目录结构、文件基本属性、Shell 2.Linux常用命令 3.Linux文件管理 4.Linux 命令安装 提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助…...

清华和字节联合推出的视频理解大模型video-SALMONN(ICML 2024)

video-SALMONN: Speech-Enhanced Audio-Visual Large Language Models 论文信息 paper:https://arxiv.org/abs/2406.15704 code:https://github.com/bytedance/SALMONN/ AI也会「刷抖音」!清华领衔发布短视频全模态理解新模型 | ICML 2024 …...

从数据爬取到可视化展示:Flask框架与ECharts深度解析

目录 🔹 Flask框架源码解析 Flask应用初始化路由与视图函数请求与响应中间件 🔹 ECharts可视化精讲 ECharts安装与配置基本图表类型图表样式与交互高级图表配置与数据动态更新实战:结合Flask与ECharts展示爬取数据 Flask框架源码解析 &…...

【jvm】类加载分几步

目录 1. 加载(Loading)2. 链接(Linking)2.1 验证(Verification)2.2 准备(Preparation)2.3 解析(Resolution) 3. 初始化(Initialization&#xff0…...

使用Apache http client发送json数据(demo)

POM依赖 &#xff1a; <dependency><groupId>org.apache.httpcomponents</groupId><artifactId>httpclient</artifactId><version>4.5.12</version></dependency><dependency><groupId>com.alibaba</groupId&g…...

读零信任网络:在不可信网络中构建安全系统07设备信任

1. 设备信任 1.1. 在零信任网络中建立设备信任至关重要&#xff0c;这也是非常困难的一个环节 1.2. 建立设备信任是基石&#xff0c;直接影响零信任网络架构的成败 1.3. 大多数网络安全事件都和攻击者获得信任设备的控制权相关&#xff0c;这种情况一旦发生&#xff0c;信任…...

【Java算法专场】前缀和(下)

目录 和为 K 的子数组 算法分析 算法步骤 算法代码 算法示例 和可被 K 整除的子数组 算法分析 同余定理 负数取余 算法步骤 算法代码 算法示例 连续数组 算法分析 算法步骤 算法代码 算法示例 矩阵区域和 算法分析 算法步骤 算法代码 算法示例 算法分析 …...

音视频相关文章总目录

为了方便各位观看&#xff0c;本文置顶&#xff0c;以目录形式汇集我写过的大部分音视频专题文章。之后文章更新&#xff0c;本目录也会同步更新。写得不好和零零散散的文章就不放在这里了&#x1f605; &#xff1a; 音视频入门基础&#xff1a;像素格式专题系列文章&#x…...

7月31日MySQL学习笔记

今日内容: mysql: 行列转换 数据类型 函数 触发器 存储过程 事务 索引(还没讲) 三范式 JDBC连接数据库的6个步骤 三握四挥 行列转换 第一步 新建要转换的列 select name, 1 as 语文, 1 as 数学, 1 as 英语 from t_score GROUP BY name 第二步 对每一列填入值…...

什么是容器查询?分享 1 段优质 CSS 代码片段!

本内容首发于工粽号&#xff1a;程序员大澈&#xff0c;每日分享一段优质代码片段&#xff0c;欢迎关注和投稿&#xff01; 大家好&#xff0c;我是大澈&#xff01; 本文约 700 字&#xff0c;整篇阅读约需 1 分钟。 今天分享一段优质 CSS 代码片段&#xff0c;使用容器查询…...

【linux深入剖析】初识线程---线程概念

&#x1f341;你好&#xff0c;我是 RO-BERRY &#x1f4d7; 致力于C、C、数据结构、TCP/IP、数据库等等一系列知识 &#x1f384;感谢你的陪伴与支持 &#xff0c;故事既有了开头&#xff0c;就要画上一个完美的句号&#xff0c;让我们一起加油 目录 1. Linux线程概念什么是线…...

【MySQL】索引——索引的引入、认识磁盘、磁盘的组成、扇区、磁盘访问、磁盘和MySQL交互、索引的概念

文章目录 MySQL1. 索引的引入2. 认识磁盘2.1 磁盘的组成2.2 扇区2.3 磁盘访问 3. 磁盘和MySQL交互4. 索引的概念4.1 索引测试4.2 Page4.3 单页和多页情况 MySQL 1. 索引的引入 海量表在进行普通查询的时候&#xff0c;效率会非常的慢&#xff0c;但是索引可以解决这个问题。 -…...

python部署flask项目

python部署flask项目 1. 准备服务器2. 设置服务器环境3. 创建虚拟环境并安装项目依赖4. 配置Gunicorn5. 配置Nginx6. 设置Supervisor&#xff08;可选&#xff09;7. 测试部署 将Flask项目部署到服务器的流程大致如下&#xff1a; 1. 准备服务器 首先&#xff0c;需要准备一台…...

数据建模标准-基于事实建模

前情提要 数据模型定义 DAMA数据治理体系中将数据模型定义为一种文档形式&#xff0c;数据模型是用来将数据需求从业务传递到IT,以及在IT内部从分析师、建模师和架构师到数据库设计人员和开发人员的主要媒介&#xff1b; 作用 记录数据需求和建模过程中产生的数据定义&…...

量产部落SM2258XT开卡软件,SM2258XT主控128G SSD固态卡死修复

故障现象&#xff1a;连接此固态硬盘后电脑就会卡死&#xff0c;拔掉重新连接概率性显示盘符&#xff0c;显示了之后也不能正常操作&#xff0c;一点击打开&#xff0c;电脑就立马卡死。 解决过程&#xff1a;下载了很多款量产工具&#xff0c;都不能开卡成功&#xff0c;点击…...