12月5日晚，英伟达首席执行官黄仁勋先生确认收购Vingroup旗下人工智能公司VinBrain，以在越南开发大型未来设计中心。VinBrain是一家领先的越南HealthTech创新公司，这里是有关这家越南的人工智能公司基本介绍：
基本信息
成立时间：2019年.
总部地点：越南首都河内.
创始人兼CEO：Steven Quoc Hung Truong，他毕业于多伦多大学，在人工智能和软件行业有超26年从业经历，曾任职于微软、霍尼韦尔等企业.
所属集团：隶属于越南最大的企业集团Vingroup.
业务范围
产品方面：其核心产品DrAid™是利用AI和机器学习实现诊断放射学和数字医疗转型的先进平台，也是东南亚唯一用于自动X射线诊断的人工智能软件，且是首批获FDA批准的用于检测胸部X射线中肺部塌陷特征的人工智能平台之一，已部署在越南、缅甸、美国等国超182家医院，为3000多名医生提供超540万次扫描服务.
技术应用：将深度学习等AI技术应用于医疗预防、诊断、治疗、管理和运营效率等领域，致力于利用计算机视觉、机器学习等为医疗行业创造定制化解决方案，帮助医生更快、更明智地决策，使AI诊断能从整体、全面视角看待生命体征、血液检查和医疗影像等.
合作与发展
合作伙伴：与微软、英伟达等全球领先组织、医院和大学建立合作，如与微软在数据共享、产品交叉验证、研发等方面协作，利用微软Azure提升用户体验、保障数据安全等.
市场价值：截至2024年9月底，Vingroup集团已向其投资超1.26亿美元，持有49.7%股份，交易前VinBrain整体价值可能在2.6亿美元左右.
被收购：2024年12月5日，英伟达宣布收购VinBrain，黄仁勋称此举是建立未来重要设计中心的起点，将助力越南实现AI发展愿景，并在越南建立人工智能云服务等.
1 年前
DrAid™ 专门支持诊断放射学，有效地充当医生的助手。
1 年前
欧盟发文指导人工智能工具应用 发布时间：2024-01-03 11:13:19作者：周雪雯 编译来源：医药经济报 近日，欧洲药品管理局（EMA）和药品局总部（HMA）发布了一份人工智能（AI）工作计划，以指导2023-2028年度人工智能（AI）工具在医药领域监管中的应用。该文件旨在制定合作、协商、协调的方法，在应对AI风险的同时，最大化提高医药领域从业者与利益相关者从AI工具中的获益。EMA的管理委员会于2023年12月通过了该工作计划。 AI应用率提升 EMA此举正是应对AI全球化的结果。目前，随着越来越多跨国药企在新药研发方面遇到瓶颈，其对AI药物研发新技术愈加青睐，AI正逐渐成为制药公司研发和管理药物的工具。例如，近期默沙东与生物技术公司Owkin合作，开发癌症诊断AI技术并将其商业化。 实际上，默沙东是最早与AI药物研发初创平台合作的制药公司之一。早在2012年，其就与AI药物研发初创平台Numerate开展了合作，共同研发心血管疾病的治疗方法。 分阶段落实新规 据悉，HMA-EMA大数据指导小组（BDSG）加入了2023-2028年度AI工作计划。欧洲药品监管网络（EMRN）将利用AI工具构建自动化流程与系统，并深度挖掘数据辅助决策。BDSG将继续定期更新AI工作计划及监管措施。 欧盟认为，要最大限度发挥AI作用，合作与协调必不可少。工作计划涉及四个“关键维度”，包括指南、政策和产品支持；AI工具和技术；协作和训练；以及实验。 从2024年中期开始，欧盟监管机构将分阶段落实AI新规：EMRN的初始知识挖掘工具将于2024年第一季度推出；大语言模型（LLMS）和相关聊天机器人的相关举措将于2024年第二季度发布。 值得注意的是，LLMS和聊天机器人的使用“将成为智能工作中作为个人助理的主要工具。”预计在2024年第三季度，欧盟将完成对EMRN网络使用AI分析数据能力的调查。在实验领域，欧盟计划制定AI的内部指导原则，并拟对数字孪生等领域深入探讨。 目前，关于AI反馈方案的公众咨询工作正如火如荼地进行，这项工作预计将持续到2023年12月底，而欧盟人工智能法案（EU AI Act）的实施准备工作将于2024年开始。 欧盟AI Act于2023年6月14日经欧洲议会投票通过，法案明确禁止实时面部识别，禁止从社交媒体上抓取生物识别数据来建立数据库，并对ChatGPT等生成式AI工具提出了新的透明度要求。然而是否应出于国家安全和其他执法目的而豁免的问题尚未得到解决。 据悉，目前AI Act已进入欧盟启动监管前的最后阶段，但委员会成员与欧盟行政部门和成员国之间仍存在分歧。 （原文标题：EMA and HMAs publish workplan to guide use of AI in medicines regulation，来源：PMLiVE、识林） 来源：《医药经济报》
1 年前
人工智能在医疗健康领域有着广泛的应用前景。
21 天前
AiPPT: 一句话、一分钟、一键搞定
28 天前
Ralph 就是一个让 AI "自己干活直到做完"的循环机制，特别适合复杂的编程任务，解放人力。这里介绍具体怎么搭建和使用 Ralph 循环。 📋 前置准备 你需要准备以下内容： 工具 用途 Claude Code Anthropic 的 AI 编程助手 CLI Docker Desktop 提供隔离的沙盒环境 Anthropic API Key 调用 Claude API 🛠️ 搭建步骤 方法一：使用 Claude Code 插件（推荐） Step 1: 安装 Claude Code # 安装 Claude Code CLI npm install -g @anthropic-ai/claude-code Step 2: 初始化项目 mkdir my-ralph-project cd my-ralph-project claude init Step 3: 添加插件市场 claude plugins add-marketplace Step 4: 安装 Ralph Wiggum 插件 claude plugins install ralph-wiggum Step 5: 配置 Stop Hook 在 .claude/hooks/ 目录下创建 stop-hook.json： { "hook_type": "stop", "decision": "block", "conditions": { "check_tests": true, "check_type_errors": true, "check_git_changes": true }, "max_iterations": 20, "prompt": "任务未完成，请继续迭代修复问题" } 方法二：手动搭建（完全控制） Step 1: 创建项目结构 my-ralph-project/ ├── .claude/ │ ├── hooks/ │ │ └── stop-hook.sh │ ├── skills/ │ │ └── ralph-loop.json │ └── config.json ├── prd/ │ └── requirements.json └── workspace/ Step 2: 配置核心文件 config.json - 核心配置 { "max_iterations": 15, "auto_commit": true, "run_tests_after_each_iteration": true, "stop_conditions": { "all_tests_pass": true, "no_type_errors": true, "prd_completed": true } } skills/ralph-loop.json - 技能定义 { "name": "ralph-loop", "description": "自主迭代循环实现 PRD 任务", "trigger": "when_task_incomplete", "actions": [ "analyze_current_state", "identify_blockers", "fix_issues", "run_tests", "commit_if_passing" ] } hooks/stop-hook.sh - Stop Hook 脚本 #!/bin/bash # 检查测试是否通过 TESTS_PASS=$(npm test 2>&1 | grep -c "passed") # 检查是否有类型错误 TYPE_ERRORS=$(npx tsc --noEmit 2>&1 | grep -c "error") # 检查 PRD 是否完成 PRD_COMPLETE=$(node check-prd.js) if [ "$TESTS_PASS" -eq 0 ] || [ "$TYPE_ERRORS" -gt 0 ] || [ "$PRD_COMPLETE" = "false" ]; then echo "BLOCK: 任务未完成，继续迭代" exit 1 else echo "ALLOW: 任务已完成" exit 0 fi Step 3: 准备 PRD 文件 prd/requirements.json { "project_name": "My Feature", "tasks": [ { "id": 1, "description": "创建用户登录页面", "criteria": ["表单验证正常", "API 调用成功", "错误处理完善"], "status": "pending" }, { "id": 2, "description": "实现用户注册功能", "criteria": ["邮箱验证", "密码强度检查", "重复密码确认"], "status": "pending" } ] } 🚀 使用方法 启动 RALPH 循环 # 方法一：插件方式 claude run --skill ralph-loop --prd ./prd/requirements.json # 方法二：Docker 隔离环境 docker run -it \ -v $(pwd):/workspace \ -e ANTHROPIC_API_KEY=$ANTHROPIC_API_KEY \ claude-ralph:latest 监控循环状态 # 查看当前迭代次数 cat .ralph/iteration_count # 查看任务完成状态 cat .ralph/task_status.json # 查看日志 tail -f .ralph/loop.log 🔧 高级配置 1. 自定义 Stop Hook 规则 { "stop_conditions": { "all_tests_pass": { "enabled": true, "command": "npm test", "success_pattern": "all tests passed" }, "no_lint_errors": { "enabled": true, "command": "npm run lint", "success_pattern": "no problems" }, "coverage_threshold": { "enabled": true, "threshold": 80 } } } 2. 添加代码审查步骤 { "after_each_iteration": [ "run_tests", "run_linter", "code_review", "commit_if_passing" ], "code_review_prompt": "审查代码质量、安全性、性能问题" } 3. 设置成本控制 { "cost_limits": { "max_tokens_per_iteration": 50000, "max_total_cost": 50, "alert_at_cost": 30 } } 📊 典型工作流程 ┌─────────────────────────────────────────────┐ │ 1. Claude 读取 PRD 任务列表 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 2. 选择下一个待完成任务 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 3. 实现代码、编写测试 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 4. 运行测试套件 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 5. Stop Hook 检查是否完成 │ │ • 测试通过？ │ │ • 无类型错误？ │ │ • PRD 要求满足？ │ └─────────────────┬───────────────────────────┘ ↓ ┌───────┴───────┐ ↓ ↓ 未完成 完成 ↓ ↓ 返回步骤 2 结束循环 💡 最佳实践 建议 说明 PRD 要清晰 任务描述具体、可验证，避免模糊需求 设置最大迭代 防止无限循环消耗过多成本 使用 Docker 隔离环境，避免污染本地系统 定期检查 每 10 轮查看一次进度和日志 成本监控 设置预算警报，避免超支 ⚠️ 注意事项 成本控制：每次迭代消耗 tokens，长时间运行成本较高 质量检查：AI 可能"认为"完成但实际有 bug，需要严格测试 安全边界：在沙盒环境运行，避免 AI 误删重要文件 人工介入：复杂任务仍需人工审查结果
28 天前
Ralph Loop 是一种让 AI 自主迭代的机制，主要用于解决 AI 编程助手"半途而废"的问题。
1 个月前
OpenClaw 本质是“开发者基础设施”，而非面向大众的 SaaS 产品。
2 个月前
用 OpenClaw 搭建一个本地 Agent 中枢（完整方案） 不是再做一个 ChatGPT，而是建立一个真正“可控、可组合、可扩展”的本地 AI Agent 中枢。 当越来越多团队开始意识到： 云端 LLM 成本不可控 数据隐私存在风险 单一 Agent 无法解决真实业务 “本地 Agent 中枢” 正在成为一个更现实的选择。 本文将完整讲清楚： 👉 如何用 OpenClaw 搭建一个真正可用的本地 Agent 中枢 👉 它适合谁，不适合谁 👉 与 LangGraph / CrewAI 的核心差异 什么是「本地 Agent 中枢」？ 先明确一个概念，避免误解。 ❌ 不是： 一个本地 ChatGPT 一个简单的 Prompt 管理器 ✅ 而是： 一个能够统一管理多个 Agent、模型、工具和任务流程的本地系统 一个合格的本地 Agent 中枢，至少要解决 5 件事： 多 Agent 协作（不是单轮对话） 任务调度与状态管理 模型可替换（本地 / API） 工具调用（搜索、代码、文件等） 可长期运行、可追溯 OpenClaw 的定位，正是这个“中枢层”。 为什么选择 OpenClaw？ 在进入部署前，必须先回答一个现实问题： 为什么不是 LangGraph / CrewAI / AutoGen？ 简要结论（非常重要） 框架 更适合 LangGraph 开发者写 Agent 流程 CrewAI 小规模角色协作 AutoGen 对话驱动实验 OpenClaw 长期运行的 Agent 中枢 OpenClaw 的核心优势 1️⃣ 架构清晰，不是“脚本拼装” 有明确的 Agent 管理层 有任务执行与状态机制 不是写完一次就丢的 Demo 2️⃣ 原生支持多模型策略 本地模型 云 API fallback / 优先级策略 3️⃣ 更接近“生产环境思维” 可持续运行 可复用 Agent 可演进 如果你的目标是： “做一个长期使用的 AI 中枢，而不是一段实验代码” 那 OpenClaw 是目前更合理的选择之一。 整体架构：OpenClaw 本地 Agent 中枢怎么搭？ 这是一个最小可用但可扩展的架构方案。 🧩 架构拆解 ┌─────────────────────────┐ │ 用户 / 系统 │ └──────────┬──────────────┘ │ ┌──────────▼──────────┐ │ OpenClaw 中枢层 │ │ - Agent Registry │ │ - Task Orchestrator│ │ - Memory / State │ └──────────┬──────────┘ │ ┌─────────▼─────────┐ │ Agent 集群 │ │ - Research Agent │ │ - Coding Agent │ │ - Planning Agent │ │ - Tool Agent │ └─────────┬─────────┘ │ ┌─────────▼─────────┐ │ 模型 & 工具层 │ │ - 本地 LLM │ │ - API LLM │ │ - Search / FS / DB │ └───────────────────┘ 部署准备（实战级） 1️⃣ 基础环境 推荐环境（已验证）： Linux / WSL / macOS Docker + Docker Compose Python 3.10+ 2️⃣ 模型选择建议（非常现实） 场景 推荐 本地推理 Qwen / LLaMA 稳定输出 GPT / Claude API 混合方案 本地 + API fallback 👉 关键不是模型多，而是“可切换” 核心步骤：搭建 OpenClaw 本地 Agent 中枢 Step 1：部署 OpenClaw 核心 git clone https://github.com/xxx/openclaw cd openclaw docker compose up -d 启动后，你将拥有： Agent 管理入口 任务调度服务 统一配置中心 Step 2：定义你的第一个 Agent 一个 Agent ≠ 一个 Prompt 而是一个职责明确的“角色” 示例： agent: name: research_agent role: 信息调研 model: local_llm tools: - web_search - file_reader 建议起步 Agent： Research Agent（信息收集） Planner Agent（任务拆解） Executor Agent（执行） Step 3：建立 Agent 协作流程 例如一个典型任务： “调研某行业 → 输出分析 → 给出建议” 流程是： Planner 拆解任务 Research Agent 收集信息 Executor Agent 输出结果 中枢保存状态与结果 👉 这一步，才是“中枢”的价值所在 一个真实可用的示例场景 🎯 场景：AI 工具评估中枢 你可以搭一个 Agent 中枢来做： 自动收集 AI 工具信息 对比功能 / 定价 输出结构化报告 长期更新 这类系统： 人工成本极高 用 Agent 非常合适 总结：什么时候该用 OpenClaw？ 当你意识到：AI 不再是“一次性回答”，而是“持续协作的系统” 那你就已经走在 OpenClaw 这条路上了。 OpenClaw 不是让你“更快用 AI”，而是让你“真正拥有 AI 能力”。
Minimax（海螺AI）已由大模型名Minimax替换原海螺AI。现海螺AI为Minimax视频生成产品名。
海螺AI