SCHNIE:BLOG

一、持续闭环放大资源压力 在上一篇中，我们讨论了世界模型边缘部署的端侧稳定性挑战。本篇聚焦于另一维度：边缘系统资源的约束。 世界模型的独特之处在于，它不是一次性的「输入 → 输出」推理，而是持续闭环运行——每个控制周期都要完成感知、状态更新、多步预测、候选评估和决策输出。这种持续闭环把一次推理的成本放大了五类系统约束：存储、计算、像素生成、能耗和通信。 二、五类资源约束详解 2.1 存储开销：真正占内存的不只有模型参数 世界模型部署时占用的并非只有模型参数本身。设备上还要临时保存： 模型参数和优化器状态； 计算过程中的中间激活； 历史潜在状态和隐藏状态； 传感器缓存（图像、点云等）； 候选轨迹数据。 再加上各模块间数据的频繁传输，很容易将内存或显存占满。对于内存通常只有几 GB 的边缘设备来说，这种「隐式存储膨胀」是一个需要重点关注的约束。 2.2 计算开销：多候选、多步预测造成计算放大 世界模型的规划通常不是一次简单的前向推理。采样式 MPC 需要在每个控制周期生成并评估多条候选动作序列，计算量近似由「候选数 × 规划视野 × 单步动力学代价 × 优化迭代数」共同决定。 ...

一、问题的本质 世界模型为边缘智能带来了强大的前瞻能力——它让设备不仅能感知当下，还能推演未来、比较方案、做出主动决策。但将世界模型部署到资源严重受限的边缘设备上，远非简单的「缩小模型」就能解决。 部署问题的实质是：模型能力（环境表征、预测推演、模拟规划）、端侧稳定性（感知、控制、物理一致性、闭环安全、自主性）与边缘系统资源（算力、内存、能耗、通信）三者之间的联合优化。 端侧稳定性是整个部署链条中最基础也最容易被忽视的一环。它分为两个维度：运行时稳定性（模型跑起来能否保证安全）和适配时稳定性（模型适应新环境时是否会破坏已有能力）。 二、运行时稳定性：风险沿「感知—预测—控制—反馈」链路累积 运行时稳定性关注的是世界模型在持续闭环运行中面临的七大类挑战，风险沿「感知 → 预测 → 控制 → 反馈」链路层层累积。 2.1 数据可感知性：不完整的观测导致状态从一开始就是片面的 真实环境本质上常是部分可观测的：遮挡使关键对象不可见，传感器存在噪声、丢帧和测量误差，多模态数据又可能不同步。世界模型必须根据不完整的观测来维护内部状态，这进一步增加了状态估计和长期预测的难度。 也就是说，模型的 ...

一、从云计算到边缘智能 1.1 边缘计算：把计算推向数据源头 边缘计算是一种分布式计算框架，它在更接近数据源的位置（如物联网设备、本地终端、边缘服务器）捕获、存储、处理和分析数据。其核心理念是将计算能力从远程数据中心下沉到数据产生的第一线，从而缩短响应时间并节省网络带宽。 1.2 人工智能的催化作用 大量传感器和智能设备不断产生海量数据。人工智能能够快速分析这些数据，从中提取有效信息，并据此进行高质量决策。将 AI 与边缘计算结合，便催生了「边缘智能」（Edge Intelligence）。 1.3 边缘智能的定义 边缘智能的核心思想是使人工智能更加接近人、数据和终端设备。其目标是在数据源附近的设备上进行实时数据处理、模型推理和决策，从而提高响应速度、数据安全性与服务可靠性。 具体而言，边缘智能要求智能体在边缘侧的严格时延、能耗与隐私约束下，可靠地完成推理、预测与动作。异构边缘节点能够协同整合感知、预测与控制能力，理解复杂指令，持续学习并积累知识，适应动态环境与多样任务，同时在需要时灵活调用云端资源。 二、边缘智能的五大发展动因 随着智能设备数量与计算能力的不断增长，计算与服 ...

一、问题缘起：两种「理解世界」的方式 近年来，大语言模型（LLM）展现出了令人瞩目的世界知识——它们能回答常识问题、推演简单场景、甚至在一定程度上进行「推理」。这不禁让人追问：LLM 是否已经具备了「世界模型」的能力？它们之间的边界在哪里？ 答案是否定的。LLM 与世界模型虽然都能在一定程度上「理解世界」，但它们的理解方式和能力边界有着本质区别。本文将系统对比二者的差异，并探讨它们在实际系统中的协同关系。 二、三大核心差异 2.1 建模对象不同 维度 大语言模型（LLM） 世界模型 输入 离散符号序列（文本） 多模态、异构的环境交互数据（感知、状态、记忆、动作） 输出 对给定符号序列的续写或响应 环境动态的预测（未来状态、奖励、风险、长期后果） 本质 语言空间内的符号关联性预测 因果空间内的环境状态连续性模拟与推演 是否有环境状态概念 基础模型没有明确的环境状态概念 以环境状态为核心操作对象 简单来说，LLM 回答「这句话后面最可能接什么」，世界模型回答「这个动作会导致什么后果」。基于语言的推理在捕捉高维多模态环境动力学方面存在本质局限——文字描述再精 ...

一、什么是世界模型 世界模型是智能体内部用于表示和预测环境的系统：它根据历史观测、当前状态与智能体采取的动作，预测环境未来的演化结果，从而支持决策、规划和行动。 需要强调的是，世界模型不是要复刻整个现实世界，而是模拟智能体（Agent）所处的特定动态环境——只建模智能体完成任务所需要的那部分环境状态。 1.1 世界模型的训练方式 世界模型的训练遵循一个清晰的数据闭环： 智能体与环境交互，采集状态转移数据与奖励数据； 基于采集到的数据构建训练数据集； 训练世界模型学习环境的状态转移动力学，核心是学习一个映射：输入当前状态 (s) 与动作 (a)，输出下一状态 (s’) 与即时奖励 (r) 的概率分布（因为未来本身具有随机性）； 优化目标是最小化预测状态与实际状态之间的误差。 训练结果不是一组静态知识，而是一个可在动作条件下持续推演状态转移的环境动力学模型。 1.2 两种训练来源 面向决策的世界模型主要有两种训练来源： 直接来源：根据真实环境的交互数据，直接训练得到世界模型。这类模型本质上是环境动力学模型，也是最贴合理想定义的世界模型形态。 间接来源：以大语言模型（LLM）为骨 ...

本篇教程基于 Hexo 6.x & Butterfly 4.x，在参考 meuicat 的聊天记录页教程 的基础上，完全重构为 DeepSeek 网页版 AI 聊天风格。 最终效果 左侧会话列表（类比 DeepSeek 的历史对话侧栏） 右侧聊天主区：用户消息蓝色气泡，AI 消息无框纯文字 AI 消息支持可折叠的「思考模式」（已思考 X 秒 → 展开查看推理过程） 全屏浅色横幅背景、圆角容器、暗色模式全适配 一、创建数据1.1 页面入口新建 source/records/index.md（如已存在则保留原有的 type: records 即可）： 12345678910111213---title: 文字瞬间date: 2024-01-01 00:00:00type: recordstop_img: falseaside: falsetop_page: truetop_bg: https://picbed.sch-nie.com/SCHNIE/横幅.pngtop_item: WeChettop_title: 每刻の感动瞬间top_tips: 记录 文字的力量commen ...

一、经典数据结构 1. 并查集并查集是一种用于管理元素所属集合的数据结构，实现为一个森林，其中每棵树表示一个集合，树中的节点表示对应集合中的元素。 优化方法： 1.按秩合并：秩是当前树的最大高度，按秩合并即将高度小的树合并到高度大的树上，以尽可能压低最终树高。2.路径压缩：每次查询时，将查询路径上的点的父亲，设置为该树的根节点，以压低树高。 综合使用两种策略，能将 find 和 union 的均摊复杂度压到**O(1)**。 12345678910111213141516171819inline void init_set(int n) //初始化并查集{ for (int i = 1; i <= n; i++) s[i] = i;}int find_set(int x) //查找{ if (x != s[x]) s[x] = find_set(s[x]); return s[x];}void union_set(int x, int y) //原始合并{ x = find ...

ViT 理论基础（图像 Transformer） 1. 前置约定（完全匹配 ViT-small-patch16-224）固定参数 ：输入图像尺寸 `224×224`，patch 大小 `16×16`，嵌入维度 `embed_dim=384`，注意力头数 `num_heads=6`，单头维度 `head_dim=64`，Transformer 层数 `depth=12`，分类类别数 `num_classes=C`。 符号说明 ：`B` = batch size（批次样本数），`C` = 分类类别数。 以下所有步骤严格对应 ViT forward 代码行号，标注 【对应 forward 第 X 行】。 2. 完整数据流【对应 forward 第 1 行】输入初始化与批次维度提取 输入原始数据：shape 为 [B, 3, 224, 224] 的 RGB 图像批次（3 为通道数，224×224 为图像宽高） 操作：提取当前批次的样本数量 B，用于后续 CLS token 的维度扩展 【对应 forward 第 2 行】PatchEmbed 分块嵌入（图像 → token 序列， ...

变量与对象 Python 变量只存储对象的引用（内存地址），只能被重新绑定，变量名在变量名表中独立存储。对象是 Python 对数据的抽象，代表一块内存，里面有身份、值、类型等信息。变量名（比如 x、func）只是代码中的标识符，本身不是对象。 变量名被存储为命名空间字典中的字符串键。命名空间（如 globals() 返回的字典）是一个 dict 对象，它的键是字符串对象（str 实例）。 C++ 变量对应内存中的某块空间，变量名是内存位置的别名；引用就是变量的别名，无独立存储，操作引用即操作原变量。变量持有值本身，变量与存储空间捆绑在一起，而不是指向值的指针（指针类型除外）。 “一切皆对象”是指程序中用到的任何数据（包括数字、字符串、函数、类等）都被视为一个”对象”。在 Python 里，任何东西都可以像操作一个普通变量一样去操作。 数字运算 123import numpy as npprint(15/3, 15//3, -5/3, 3**4, pow(2, 512, 998244353), sep=',', end='') 字符串 1 ...