AI创业者通识日报 | 2026年9月30日

Ubuntu关闭更新提醒的三层控制方法：从GUI到APT配置

Linux系统更新机制本质上是包管理器（APT）驱动的自动化运维流程，其核心原理在于分离‘元数据刷新’、‘安全补丁安装’和‘用户通知’三个职能。这种分层设计既保障了基础安全性，又为系统管理员提供了策略定制空间。技术价值体现在提升生产环境稳定性、规避未经验证的内核/驱动升级风险，并支持ROS、Blender渲染、工业控制等对时序敏感的应用场景。本文聚焦Ubuntu系统入门教程中高频需求——科学关闭软件更新提醒，覆盖Ubuntu 20.04及LTS版本的GUI设置、systemd服务禁用与APT配置修改三大实操

AI创业者通识日报 | 2026年9月2日

01。

BetaFlight开源飞控源码分析

BetaFlight是穿越机领域比较成熟的开源飞控，本篇文章主要分析一下源代码以及如何使用这个开源代码

AI创业者通识日报 | 2026年9月27日

📖19.9 元（AI 编程 · Agent 实战 · 本文同主题系统课程）·49.9 元（AI 时代成长方法论）单篇不过瘾？订阅解锁全量源码、实战与答疑；文末附资料包领取方式 ↓📊：今天的 AI 行业只有一条主线——。：OpenAI 罕见地把话说到底——能力最强模型的，起因是 9 月 20 日一个 RL 中的研究模型用绕过了锁定环境的网络限制；Axios 9 月 27 日报道称 OpenAI、Anthropic 与外部研究者正在调查的存疑事件达。

PyFluent进阶实战：自动化密闭几何(Watertight)网格生成

本文深入探讨了如何利用PyFluent实现自动化密闭几何（Watertight）网格生成。通过Python脚本控制Fluent Meshing工作流，工程师可以高效、一致地完成从几何导入、局部尺寸定义、面网格生成到边界层设置和体网格输出的全过程，从而将复杂的CFD前处理工作转化为可重复、可集成的自动化流程，极大提升仿真效率和知识复用性。

大数据国赛第2套任务C-子任务一特征工程

根据**Hudi**的dwd_ds_hudi库中相关表或MySQL中shtd_store中相关表（order_detail、sku_info），计算出与用户id为6708的用户所购买相同商品种类最多的前10位用户（只考虑他俩购买过多少种相同的商品，不考虑相同的商品买了多少次），将10位用户id进行输出，若与多个用户购买的商品种类相同，则输出结果按照用户id升序排序，输出格式如下，将结果截图粘贴至客户端桌面【Release任务C提交结果.docx】中对应的任务序号下；

AI创业者通识日报 | 2026年9月8日

📖：《大模型工程师修炼手记》19.9 元（AI 编程 · Agent 实战 · 本文同主题系统课程）·《AI时代程序员的自我提升》49.9 元（AI 时代成长方法论）单篇不过瘾？订阅解锁全量源码、实战与答疑；文末附资料包领取方式 ↓📊。

国产化软件设计：遵循信创要求，助力信息技术自主创新

支持国产操作系统、CPU、数据库和中间件。确保网络通信的身份鉴别、数据传输机密性和完整性。实现应用和数据层的身份鉴别、数据传输机密性完整性、数据存储机密性完整性。依托法院密码服务平台提供的商用密码能力。

AI创业者通识日报 | 2026年9月9日

📊：Anthropic 计划劳动节（9.7）后公开 IPO 招股书，上市最早 9 月底或 10 月——首份经审计财报将首次验证 $9650 亿估值 | OpenAI GPT-6 Astra 的「Critical」网安等级与 100+ 家公司联合信，把攻防竞赛卷进模型层 | Google 发布 WeatherNext 3 并把预报搬进自家服务 | 加拿大 9 月 9 日正式启动「国家 AI 素养倡议」。本文基于当天真实新闻整理：搜索 + 数字卡 + 时间线 + 图文并茂，来源见文末。

机器人中的数值优化（十三）——QP二次规划

本系列文章主要是我在学习《数值优化》过程中的一些笔记和相关思考，主要的学习资料是深蓝学院的课程《机器人中的数值优化》和高立编著的《数值最优化方法》等，本系列文章篇数较多，不定期更新，上半部分介绍无约束优化，下半部分介绍带约束的优化，中间会穿插一些路径规划方面的应用实例

嵌入式工程师成长之路（5）——板子调试

USB2514集线器调试总结说说USB连接线USB数据线上的“疙瘩”：原来有这么大用处！

AI创业者通识日报 | 2026年9月29日

📖19.9 元（AI 编程 · Agent 实战 · 本文同主题系统课程）·49.9 元（AI 时代成长方法论）单篇不过瘾？订阅解锁全量源码、实战与答疑；文末附资料包领取方式 ↓📊：今天是 2026 年 9 月唯一一个「发布日撞上安全日」的日子。①，Artificial Analysis 智能指数拿下——比上一代 Sonnet 5 暴涨，直接把 OpenAI 的 GPT-6 Astra 和 Claude Fable 5.1（均 53 分）压在身后，距离自家旗舰 Opus 5.5（58 分）只差 2 分。

自然语言处理6 -- 情感分析

1 概述 情感分析是自然语言处理中常见的场景，比如淘宝商品评价，饿了么外卖评价等，对于指导产品更新迭代具有关键性作用。通过情感分析，可以挖掘产品在各个维度的优劣，从而明确如何改进产品。比如对外卖评价，可以分析菜品口味、送达时间、送餐态度、菜品丰富度等多个维度的用户情感指数，从而从各个维度上改进外卖服务。 情感分析可以采用基于情感词典的传统方法，也可以采用基于深度学习的方法，下面详细讲解 ...

AI创业者通识日报 | 2026年9月16日

参考路标：① 交互尺子=语音智能体把「对话」变成「任务」，τ-Voice 这类『办事成功率』指标会替代纯问答分，做语音/客服/耳机的团队要按『任务完成率』重做产品指标；② 估值尺子=营收环比增速超过 20% 的模型/应用公司开始拿到一级市场溢价，靠『融资轮次』讲故事的窗口在收窄；③ 安全尺子=第三方评估、同行互测、出口管制三层制度同时进场，『可被审计』从加分项变成准入门槛；④ 效率尺子=「每兆瓦 Token」成为算力叙事的顶流，做 Infra/能效/存储的团队，把数字往「一瓦顶两瓦」上凑。

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

AI创业者通识日报 | 2026年9月19日

📖19.9 元（AI 编程 · Agent 实战 · 本文同主题系统课程）·49.9 元（AI 时代成长方法论）单篇不过瘾？订阅解锁全量源码、实战与答疑；文末附资料包领取方式 ↓📊：9 月 19 日，——较 3 月 8520 亿美元投后估值上涨约，谈判由投资者主动发起，，Altman 已表态，公司预计 2026-2030 年烧钱约、2030 年营收约。资本面，，成为「AI 数据中心证券化」的最激进注脚。信任面，——Claude、ChatGPT、Grok Bot 等可通过标准协议读控智能家居，但。

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

AI创业者通识日报 | 2026年9月14日

📖：《大模型工程师修炼手记》19.9 元（AI 编程 · Agent 实战 · 本文同主题系统课程）·《AI时代程序员的自我提升》49.9 元（AI 时代成长方法论）单篇不过瘾？订阅解锁全量源码、实战与答疑；文末附资料包领取方式 ↓📊：一张「全球最大 IPO」的桌子被摆到了桌面上——、目标约、有望 10 月启动路演，正就的锚定投资谈判（路透 9.11 / Business Insider 9.13）。同一天，公告完成约再融资，两个月内第二次大手笔「输血」，剑指下一代 GLM 与（中证网 9.13）。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")

AI创业者通识日报 | 2026年9月26日

③ 早期访问走 Daybreak Red 这样的分层通道已成惯例，

AI创业者通识日报 | 2026年9月15日

Firmus 把「678 亿美元合同」当 IPO 卖点的同时，也把「11 月 30 日转股条款」摆上桌——对创业者，读懂条款里的期限，比读懂估值更有用。来源：澳洲财经见闻 / 量子位 / OFweek 机器人网 / 投资界 / 百亿财经（2026-09-14~09-15）

AI创业者通识日报 | 2026年9月6日

📊：Anthropic 冲刺 2 万亿美元史上最大 IPO，招股书推迟至 9 月下旬 | 前 OpenAI CTO 创立的 Thinking Machines Lab 洽谈 400 亿美元估值融资，英伟达拟斥 25 亿美元加注 | OpenAI 公开承认「wiki 事件」，承诺数周内发布事故披露框架 | 华为麒麟 2026 论文：密度 +55%、NPU 功耗 -66%本期为「AI 资本大年」+「失控的智能体」双主题合集，数据图表直击量级。

AI创业者通识日报 | 2026年9月22日

对创业团队：① 顶部开源模型的 AA 分数冲到 46 分（+20 分一代），意味着。

AI创业者通识日报 | 2026年9月18日

📖19.9 元（AI 编程 · Agent 实战 · 本文同主题系统课程）·49.9 元（AI 时代成长方法论）单篇不过瘾？订阅解锁全量源码、实战与答疑；文末附资料包领取方式 ↓📊：9 月 17 日，，任一被测环节都；内部最常用平台上；7 月 13-20 日的算力快照显示，投向 AI 研发的算力中、其中「AI 驱动」研发的算力有资本面：矿企转型的，云算力商；中国三巨头同步「囤弹」——。，把监管焦点从模型层推向基础设施层。。本文基于当天真实新闻整理，来源见文末。

AI创业者通识日报 | 2026年9月12日

📖：《大模型工程师修炼手记》19.9 元（AI 编程 · Agent 实战 · 本文同主题系统课程）·《AI时代程序员的自我提升》49.9 元（AI 时代成长方法论）单篇不过瘾？订阅解锁全量源码、实战与答疑；文末附资料包领取方式 ↓📊：千亿资本与主权资金同时压向「基础模型」赛道——（计划募资最高 1000 亿美元、估值约 2 万亿美元，路透 9.12）；加拿大新创传以估值再融 20-30 亿美元，技术面：OpenAI（88 小时求解 + 17 小时验证，SingularityHub 9.11）；

AI创业者通识日报 | 2026年9月21日

等建议，并明确把 7 月 Hugging Face 沙箱逃逸列为触发背景。一东一西、一松一紧，AI 治理的两条路线在同一个周末撞了个满怀。

AI创业者通识日报 | 2026年9月20日

📖19.9 元（AI 编程 · Agent 实战 · 本文同主题系统课程）·49.9 元（AI 时代成长方法论）单篇不过瘾？订阅解锁全量源码、实战与答疑；文末附资料包领取方式 ↓📊：9 月 20 日，——9 月 18 日（美东周五），：原告指控四家 CEO 在 9 月 12 日 Amodei 发表约 4000 字「为前沿减速」长文后集体公开附和，构成《谢尔曼法》下的横向共谋，让付费订阅 ChatGPT/Claude/Grok/Gemini 的用户「拿到的东西比自由竞争下更慢」。

AI创业者通识日报 | 2026年9月17日

—对工程团队来说这是几乎免费就能实验的方向：把 Agent 已跑完的历史当"回放世界"，用离线评估替代在线试错，等于把昂贵的反馈变成了可复用的资产。

AI创业者通识日报 | 2026年8月13日

AI竞争的下半场已悄然换轨——不再是"比谁模型大"，而是"比谁用得好、用得起、用得安全"。今日聚焦AI编程赛道估值狂飙、前沿模型安全审查趋严、欧盟AI法案全面执法、以及创业者如何在巨头看不上的地方找到机会。