奧特曼宣判Transformer死刑，Mamba?3正在接管下一代AI架構(gòu)

如果說過去七年是 Transformer 的黃金時(shí)代，那么 2026 年開始，空氣里已經(jīng)隱隱飄著“范式更替”的味道。就在不久前，Sam Altman 在斯坦福的一場(chǎng)訪談里拋出重磅判斷（這次不吹牛了?！）：Transformer的壽命快到頭了，下一代架構(gòu)已經(jīng)在路上

奧特曼在最新訪談中直言，我們所追求的 AGI 可能只是一次“熱身”。真正的革命正在醞釀——下一代架構(gòu)突破已經(jīng)在路上。現(xiàn)有的高階大模型已經(jīng)具備足夠的認(rèn)知力，它們不只是工具，而是人類智力的杠桿，正在親手推開另一個(gè)技術(shù)范式的大門。

這場(chǎng)革命的核心，正是由 Albert Gu 和 Tri Dao 在 2023 年底提出的全新架構(gòu)：Mamba。它徹底繞開了注意力機(jī)制，改用狀態(tài)空間模型（SSM）來處理序列。簡(jiǎn)單來說，Transformer 讀一句話要讓每個(gè)詞和其他所有詞“對(duì)視”一遍，而 Mamba 只維護(hù)一個(gè)固定大小的記憶狀態(tài)，線性時(shí)間就能完成，推理吞吐量直接快上五倍。

到了 2026 年初，Mamba 已經(jīng)進(jìn)化到第三代——Mamba?3。

01為什么Mamba?3是當(dāng)下最值得關(guān)注的架構(gòu)突破？

Transformer 的成功毋庸置疑，它撐起了 GPT、Claude、Gemini 等一系列劃時(shí)代模型。但它也有一個(gè)無法回避的致命弱點(diǎn)——算力黑洞。序列長(zhǎng)度翻十倍，計(jì)算量直接翻一百倍，KV Cache 隨著上下文線性膨脹，推理成本高到讓大模型部署變成“富人游戲”。當(dāng)模型越來越大、上下文越來越長(zhǎng)、推理越來越頻繁，Transformer 的結(jié)構(gòu)性瓶頸已經(jīng)成為整個(gè)行業(yè)的天花板。

于是，另一條路線悄然崛起：線性模型（SSM / State Space Models）。 它們不依賴全局注意力，而是通過固定大小的狀態(tài)向量來處理序列，理論上能做到線性復(fù)雜度+常數(shù)內(nèi)存。

從 S4 到Mamba?1，再到 2024 年的 Mamba?2，這條路線一路狂飆，甚至被 NVIDIA、微軟、AI21 等巨頭大規(guī)模采用。

但線性模型也有自己的短板，它們的表達(dá)能力不如 Transformer，尤其在狀態(tài)跟蹤、復(fù)雜動(dòng)態(tài)建模上表現(xiàn)乏力，它們的離散化方法粗糙，理論基礎(chǔ)薄弱，它們的推理階段雖然復(fù)雜度低，但在 GPU 上卻是典型的 memory?bound，算力利用率極低。

就在這種“希望與瓶頸并存”的關(guān)鍵節(jié)點(diǎn)，Mamba?3出現(xiàn)了！

這不是一次常規(guī)的版本升級(jí)，而是一場(chǎng)徹底的架構(gòu)重構(gòu)。 它的核心理念只有一句話：Inference?First（推理優(yōu)先）。

不是為了訓(xùn)練更快，而是為了推理更強(qiáng)，不是為了模型更大，而是為了模型更聰明，不是為了延續(xù)舊范式，而是為了打開新范式的大門。

Mamba?3 的三大創(chuàng)新——指數(shù)?梯形離散化、復(fù)數(shù)狀態(tài)空間模型、MIMO推理結(jié)構(gòu)，分別對(duì)應(yīng)線性模型的三大痛點(diǎn)：精度、能力、效率。

研究團(tuán)隊(duì)由當(dāng)今 SSM 領(lǐng)域最強(qiáng)的組合構(gòu)成：

CMU（Carnegie Mellon University）：SSM 理論源頭，Albert Gu、Zico Kolter 坐鎮(zhèn)。

Princeton University：工程實(shí)現(xiàn)與大規(guī)模實(shí)驗(yàn)。

Together AI（Tri Dao）：FlashAttention 發(fā)明者，GPU kernel 優(yōu)化大師。

Cartesia AI：SSM 商業(yè)化落地團(tuán)隊(duì)。

這支隊(duì)伍幾乎囊括了整個(gè) SSM 體系的核心人物，是名副其實(shí)的“原班人馬 + 工程鐵軍”。

從 S4 到 Mamba?1，再到Mamba?2，SSM 的發(fā)展史本身就是一條不斷逼近Transformer 的曲線。而 Mamba?3 的出現(xiàn)，則讓這條曲線第一次出現(xiàn)了明顯的“超越拐點(diǎn)”。

02從Transformer到Mamba的技術(shù)演進(jìn)

Transformer 的故事已經(jīng)講了太久，但它的成功與局限，恰恰構(gòu)成了 Mamba?3 崛起的背景。

Transformer 的最大優(yōu)勢(shì)，是它的全局注意力機(jī)制。 每個(gè) token 都能與其他所有 token 交互，這讓模型具備了極強(qiáng)的表達(dá)能力，尤其在語言建模、推理、代碼生成等任務(wù)上表現(xiàn)驚艷。

但這種“全局對(duì)視”也帶來了巨大的代價(jià)，計(jì)算復(fù)雜度O(n2)，序列越長(zhǎng)越難受；KV Cache線性增長(zhǎng)，推理時(shí)內(nèi)存壓力爆炸；長(zhǎng)上下文成本高昂，讓大模型的推理變成奢侈品。

當(dāng)上下文從 4K → 128K → 1M，Transformer 的結(jié)構(gòu)性矛盾被無限放大。 這不是工程優(yōu)化能解決的問題，而是架構(gòu)本身的限制。

于是，另一條路線開始被重新審視：狀態(tài)空間模型（SSM）。

圖1：左：指數(shù)梯形規(guī)則誘導(dǎo)的結(jié)構(gòu)化掩模是衰減和雙頻卷積掩模的乘積。右圖：Euler（保持端點(diǎn)）與梯形（平均端點(diǎn)）積分近似。

SSM 的核心思想非常簡(jiǎn)單， 不讓所有 token 互相“對(duì)視”，而是維護(hù)一個(gè)固定大小的“狀態(tài)向量”，隨著序列推進(jìn)不斷更新。 這意味著計(jì)算復(fù)雜度線性、內(nèi)存占用常數(shù)級(jí)、天然適合長(zhǎng)序列。

從 S4 到 S5，SSM 在學(xué)術(shù)界逐漸成熟。從 Mamba?1 到 Mamba?2，它開始進(jìn)入工業(yè)界，成為 Transformer 的重要替代方案。

Mamba?1 解決了訓(xùn)練效率問題， Mamba?2 進(jìn)一步優(yōu)化了推理速度； 但它們?nèi)匀淮嬖谌齻€(gè)關(guān)鍵缺陷：

1. 離散化方法粗糙，表達(dá)能力有限。

2. 無法處理復(fù)雜的狀態(tài)跟蹤任務(wù)。

3. 推理階段算力利用率極低（memory?bound）。

這三點(diǎn)限制了線性模型的上限，也讓它們始終無法真正撼動(dòng) Transformer 的統(tǒng)治地位。

Mamba?3 的設(shè)計(jì)哲學(xué)正是在這種背景下誕生的。

它不是為了讓模型訓(xùn)練更快，而是為了讓模型推理更強(qiáng)。不是為了讓模型更大，而是為了讓模型更聰明。

Inference?First（推理優(yōu)先）是 Mamba?3 的靈魂。

它的目標(biāo)非常明確，在保持線性復(fù)雜度的前提下， 同時(shí)提升模型的表達(dá)能力、狀態(tài)跟蹤能力與推理硬件效率。

這也是為什么 Mamba?3 被視為“后Transformer 時(shí)代”的重要候選架構(gòu)。

03核心創(chuàng)新一：指數(shù)?梯形離散化（Exponential?Trapezoidal）

如果把 Mamba?1/2 比作一臺(tái)“能跑但不夠精密”的線性引擎，那么 Mamba?3 做的第一件事，就是把這臺(tái)引擎的燃油系統(tǒng)徹底換掉。過去的 Mamba?1/2 使用的是最簡(jiǎn)單的 Euler 離散化，這種方法的優(yōu)點(diǎn)是快，但缺點(diǎn)也非常明顯，它只有一階精度，誤差會(huì)隨著序列長(zhǎng)度不斷累積，像滾雪球一樣越滾越大。

在長(zhǎng)序列任務(wù)里，這種誤差累積會(huì)直接限制模型對(duì)局部結(jié)構(gòu)的表達(dá)能力。你可以把它想象成模型每走一步都會(huì)“踩偏一點(diǎn)點(diǎn)”，走得越遠(yuǎn)，偏差越大。

Mamba?2 的狀態(tài)更新公式非常簡(jiǎn)單，核心形式是：

其中

這看起來還不錯(cuò)，但本質(zhì)上仍然是一階近似。

Mamba?3 的作者顯然對(duì)這種“粗糙的近似”不滿意，于是他們回到連續(xù)時(shí)間的狀態(tài)空間模型，從數(shù)學(xué)原理重新推導(dǎo)離散化方法。連續(xù) SSM 的基本形式是：

關(guān)鍵突破點(diǎn)在于Mamba?3 不再只看區(qū)間右端點(diǎn)，而是同時(shí)看左右兩個(gè)端點(diǎn)的加權(quán)平均，這就是所謂的“指數(shù)?梯形離散化”。它的本質(zhì)，是把輸入項(xiàng)的積分從一階精度提升到二階精度。

最終得到的離散化形式是：

這是一個(gè)核心數(shù)學(xué)公式，也是 Mamba?3 的關(guān)鍵升級(jí)點(diǎn)。

它的意義非常深遠(yuǎn)，模型不再只看當(dāng)前 token，而是同時(shí)看當(dāng)前和上一個(gè) token 的組合。Mamba?3 的狀態(tài)更新天然帶有一個(gè)“隱式寬度 2 的卷積”，讓它在捕捉局部結(jié)構(gòu)時(shí)更加精確、更加穩(wěn)定。

這項(xiàng)升級(jí)帶來的效果是立竿見影的。 Mamba?3 不再需要額外的短卷積層，語言建模質(zhì)量顯著提升，長(zhǎng)序列任務(wù)中的誤差累積也大幅減少。對(duì)于一個(gè)線性模型來說，這幾乎是一次“底層數(shù)學(xué)級(jí)別”的能力增強(qiáng)。

04核心創(chuàng)新二：復(fù)數(shù)狀態(tài)空間模型（Complex SSM）

如果說指數(shù)?梯形離散化是“精度升級(jí)”，那么復(fù)數(shù) SSM 則是“能力升級(jí)”。

線性模型一直有一個(gè)致命弱點(diǎn)，它們的狀態(tài)轉(zhuǎn)移矩陣通常是實(shí)數(shù)、非負(fù)、對(duì)角的。這意味著它們只能表達(dá)“衰減”或“累積”，卻無法表達(dá)“旋轉(zhuǎn)”或“周期性”。

而很多狀態(tài)跟蹤任務(wù)——比如 parity（奇偶性）、括號(hào)匹配、計(jì)數(shù)器——本質(zhì)上都需要一種“旋轉(zhuǎn)式”的狀態(tài)更新。

但 Mamba?2 的實(shí)數(shù)對(duì)角矩陣根本做不到這一點(diǎn)，于是它在這些任務(wù)上表現(xiàn)得幾乎和隨機(jī)猜測(cè)一樣。

Mamba?3 的作者做了一件非常聰明的事，他們引入了復(fù)數(shù)狀態(tài)空間模型。復(fù)數(shù) SSM 的連續(xù)形式允許狀態(tài)在復(fù)平面上旋轉(zhuǎn)，而不是只能衰減或累積。離散化后，它等價(jià)于一個(gè)由 2×2 旋轉(zhuǎn)矩陣組成的塊對(duì)角矩陣。

更妙的是，研究團(tuán)隊(duì)證明復(fù)數(shù) SSM 等價(jià)于對(duì) B、C 做數(shù)據(jù)依賴的 RoPE（旋轉(zhuǎn)位置編碼）。

也就是說，Mamba?3 不需要真正使用復(fù)數(shù)，只需要用 RoPE trick 就能實(shí)現(xiàn)復(fù)數(shù)動(dòng)態(tài)。

這項(xiàng)創(chuàng)新帶來的能力提升是質(zhì)變級(jí)別的。

Mamba?3 在所有狀態(tài)跟蹤任務(wù)上幾乎滿分，而 Mamba?2 則完全失敗。這意味著線性模型第一次在“能力維度”上實(shí)現(xiàn)了真正的突破。

05核心創(chuàng)新三：MIMO SSM（Multi?Input Multi?Output）

如果說前兩個(gè)創(chuàng)新解決的是“模型能力”，那么 MIMO 則是解決“硬件效率”的終極武器。

線性模型的推理雖然是 O(n)，但在 GPU 上卻是典型的memory?bound， 算力閑著，顯存帶寬卻被打滿。

研究給出的數(shù)字非常直觀，SSM 推理算強(qiáng)度：2.5 ops/byte，H100 的理論算強(qiáng)度：295 ops/byte。

這意味著 GPU 的絕大部分算力都被浪費(fèi)了。

MIMO的設(shè)計(jì)思想

Mamba?3 的作者提出了一個(gè)非常工程化的解決方案，把 SISO（單輸入單輸出）擴(kuò)展為 MIMO（多輸入多輸出）。

原本的狀態(tài)更新是一個(gè)外積：Btxt?，而MIMO 把它變成了一個(gè)矩陣乘法：BtXt?。

這件事帶來了兩個(gè)巨大好處，算強(qiáng)度提升 4×，GPU 的 Tensor Core 能真正被吃滿。

更關(guān)鍵的是延遲幾乎不變。

因?yàn)橥评砣匀皇?memory?bound，算力變多不會(huì)拖慢速度。

帶來的能力提升

MIMO 的效果非常顯著，推理效率顯著提升，模型質(zhì)量進(jìn)一步提升（尤其是 MIMO 版本的 Mamba?3），更適合 agentic workflows、并行推理、長(zhǎng)上下文任務(wù)。

這讓 Mamba?3 不僅是一個(gè)“更強(qiáng)的模型”，更是一個(gè)“更適合部署的模型”。

06Mamba?3的整體架構(gòu)設(shè)計(jì)

如果說 Mamba?3 的三大數(shù)學(xué)創(chuàng)新是“發(fā)動(dòng)機(jī)重做”，那么它的整體架構(gòu)，就是把這臺(tái)新引擎裝進(jìn)一輛真正能跑的車?yán)铩Ｑ芯吭诠こ虒用孀隽舜罅考?xì)致的打磨，讓 Mamba?3 不只是一個(gè)理論上更強(qiáng)的模型，而是一個(gè)可以大規(guī)模訓(xùn)練、部署、落地的工業(yè)級(jí)架構(gòu)。

Llama風(fēng)格的Block結(jié)構(gòu)更現(xiàn)代、更穩(wěn)定、更易擴(kuò)展

Mamba?3 的整體結(jié)構(gòu)，直接采用了 Llama 系列的經(jīng)典布局，Mamba?3 Block與SwiGLU前饋層交替堆疊，采用Pre?Norm結(jié)構(gòu)。

這意味著它不再像 Mamba?1/2 那樣需要額外的短卷積層來彌補(bǔ)表達(dá)能力。 因?yàn)橹笖?shù)?梯形離散化本身就已經(jīng)在狀態(tài)更新中引入了“隱式卷積”，短卷積層自然就可以被移除。

這讓 Mamba?3 的 Block 更加簡(jiǎn)潔，也更接近 Transformer 的工業(yè)標(biāo)準(zhǔn)結(jié)構(gòu)，方便與現(xiàn)有訓(xùn)練框架兼容。

BCNorm：線性模型的QKNorm時(shí)刻

Transformer 世界里有一個(gè)非常重要的技巧：QKNorm。 它能穩(wěn)定注意力分布，提升大模型訓(xùn)練的穩(wěn)定性。

Mamba?3 借鑒了這一點(diǎn)，在 B、C 投影后加入了 RMSNorm，稱為BCNorm。

它的作用非常直接，穩(wěn)定訓(xùn)練、減少梯度爆炸、提升大模型性能、讓 Mamba?3 不再需要 Mamba?2 中的“post?gate RMSNorm”補(bǔ)丁。

在純 Mamba?3 模型中，BCNorm 足以保證穩(wěn)定性； 在混合模型（SSM + Attention）中，BCNorm 甚至是長(zhǎng)上下文能力的關(guān)鍵。

B/C Bias讓線性模型更像卷積神經(jīng)網(wǎng)絡(luò)

研究團(tuán)隊(duì)還有一個(gè)非常有意思的設(shè)計(jì)， 在 B、C 投影后加入可學(xué)習(xí)的通道偏置（bias）。

這看似微不足道，但在 SSM 里卻非常關(guān)鍵。

因?yàn)?B、C 是狀態(tài)輸入與輸出的核心參數(shù)，加入 bias 相當(dāng)于讓模型具備了“數(shù)據(jù)無關(guān)的卷積能力”。 這讓 Mamba?3 在表達(dá)局部模式時(shí)更加靈活，也讓它在沒有短卷積層的情況下依然能捕捉局部結(jié)構(gòu)。

這是一個(gè)典型的“工程小改動(dòng) → 能力大提升”的例子。

SISO與MIMO：公平對(duì)比vs性能巔峰

Mamba?3 提供兩種模式。

SISO（Single?Input Single?Output），這是為了與 Mamba?2、GDN、Transformer 做公平對(duì)比。它的結(jié)構(gòu)與 Mamba?2 類似，但使用了新的離散化與復(fù)數(shù) SSM。

MIMO（Multi?Input Multi?Output），這是 Mamba?3 的“完全體”。 它把外積變成矩陣乘法，讓 GPU 的 Tensor Core 真正吃滿。

研究實(shí)驗(yàn)顯示SISO：已經(jīng)比 Mamba?2 強(qiáng)，MIMO：直接拉開一個(gè)檔次。

如果說 SISO 是“學(xué)術(shù)版”，MIMO 就是“工業(yè)版”。

07實(shí)驗(yàn)結(jié)果：Mamba?3的性能躍遷

Mamba?3 的實(shí)驗(yàn)結(jié)果可以用一句話概括，在保持線性復(fù)雜度的前提下，全面超越所有線性模型，并在多個(gè)維度逼近甚至超越Transformer。

表1：使用100B FineWeb Edu令牌訓(xùn)練的模型的下游語言建模評(píng)估。最佳結(jié)果以粗體顯示，次佳結(jié)果以下劃線顯示，不包括Mamba-3 MIMO變體。所有模型都按照相同的程序進(jìn)行訓(xùn)練。Mamba-3 SISO在每個(gè)模型尺度上都優(yōu)于Mamba-2和其他模型，秩R=4的MIMO進(jìn)一步提高了建模能力。

語言建模（1.5B 參數(shù)）：MIMO版本直接起飛

研究給出的結(jié)果非常直觀，Mamba?3 SISO：+0.6分（相對(duì) GDN），Mamba?3 MIMO：+1.8分（相對(duì) GDN）。

這意味著SISO 已經(jīng)比 Mamba?2、GDN更強(qiáng)，MIMO 直接把性能拉到 Transformer 同級(jí)甚至更高。

在 1.5B 這種“小模型”規(guī)模下能做到這一點(diǎn)，非常不容易。

圖2：探索不同Mamba變體的狀態(tài)大小（推理速度代理）與訓(xùn)練前困惑度（性能代理）。與之前的循環(huán)單輸入單輸出模型相比，Mamba-3改進(jìn)了帕累托前沿，同時(shí)引入MIMO通過更好的建模性能進(jìn)一步改變了前沿，而不會(huì)增加狀態(tài)大小。

狀態(tài)跟蹤任務(wù)：復(fù)數(shù) SSM 的碾壓式勝利

研究團(tuán)隊(duì)展示了一個(gè)非常關(guān)鍵的實(shí)驗(yàn)，parity、括號(hào)匹配、計(jì)數(shù)器等任務(wù)。

結(jié)果幾乎是“降維打擊”，Mamba?3（復(fù)數(shù)SSM）幾乎滿分，Mamba?3（無復(fù)數(shù)）≈隨機(jī)，Mamba?2 ≈隨機(jī)。

這說明復(fù)數(shù) SSM 的引入不是“錦上添花”，而是“能力質(zhì)變”。

表2：模型、精度和數(shù)據(jù)狀態(tài)值之間的內(nèi)核延遲（以毫秒為單位）比較。與Mamba-2相比，Mamba-3引入了最小的開銷，并具有高效的實(shí)際實(shí)現(xiàn)。在常用的bf16，dstate=128設(shè)置下，我們的Mamba-3 SISO內(nèi)核比參考Mamba-2和GDN內(nèi)核快。與SISO相比，Mamba-3 MIMO（R=4）幾乎不產(chǎn)生額外成本。

推理效率：FLOPs ×4，延遲不變

MIMO 的效果非常驚人！推理 FLOPs 提升4倍，延遲幾乎與 Mamba?2 相同，perplexity 更低。

這意味著Mamba?3是目前最能吃滿GPU的線性模型。

檢索任務(wù)（NIAH）：線性模型的天然弱點(diǎn)被部分彌補(bǔ)

在固定狀態(tài)大小的情況下，線性模型在檢索任務(wù)上仍然弱于 Transformer。 但 Mamba?3 在 OOD（長(zhǎng)距離 needle）上表現(xiàn)更好，說明它的狀態(tài)更新更穩(wěn)定。

研究還指出混合模型（Mamba?3 + Attention）效果最佳。

這也暗示了未來架構(gòu)的方向。

08Mamba?3的技術(shù)價(jià)值與產(chǎn)業(yè)意義

Mamba?3 的意義遠(yuǎn)不止“性能更強(qiáng)”，它在多個(gè)維度都指向了下一代架構(gòu)的趨勢(shì)。

Mamba?3 讓線性模型第一次在表達(dá)能力上實(shí)現(xiàn)大幅提升，復(fù)數(shù) SSM 打開了新的能力空間，二階離散化讓狀態(tài)更新更精確，隱式卷積讓模型更像Transformer。

這讓 SSM 不再只是“高效但弱”，而是“高效且強(qiáng)”。

MIMO 的出現(xiàn)，讓線性模型第一次真正吃滿 GPU，推理成本下降，并行推理更高效，更適合 agentic AI、長(zhǎng)上下文、工具鏈調(diào)用。

這對(duì)未來的 AI 應(yīng)用至關(guān)重要。

Mamba?3 指向了一個(gè)非常明確的趨勢(shì)。動(dòng)態(tài)狀態(tài)、線性復(fù)雜度、高算強(qiáng)度推理、混合架構(gòu)（SSM + Attention）。

這可能就是下一代 AGI 模型的基礎(chǔ)。

Mamba?3 的出現(xiàn)意味著推理成本下降 → AI 應(yīng)用規(guī)模擴(kuò)大、狀態(tài)跟蹤增強(qiáng) → 更智能的 agent、硬件效率提升 → 更快商業(yè)落地。

它不僅是一個(gè)學(xué)術(shù)成果，更是一個(gè)產(chǎn)業(yè)信號(hào)。

Mamba?3 不是終點(diǎn)，而是 SSM 路線的重大進(jìn)化。 它展示了“后Transformer”架構(gòu)的雛形，也讓我們第一次看到線性模型真正具備挑戰(zhàn) Transformer 的可能性。

未來的模型可能是SSM + Attention +可微分程序+外部記憶。

而 Mamba?3，就是邁向這一未來的關(guān)鍵一步。

如果說 Transformer 開啟了大模型時(shí)代，那么 Mamba?3 可能正在開啟“后 Transformer 時(shí)代”的序幕。（END）

參考資料： https://openreview.net/forum?id=HwCvaJOiCj&utm_source

關(guān)于波動(dòng)智能——

波動(dòng)智能旨在建立一個(gè)基于人類意圖與反應(yīng)的真實(shí)需求洞察及滿足的價(jià)值體系，融合人工智能與意識(shí)科學(xué)，構(gòu)建覆蓋情緒識(shí)別、建模與推薦的智能引擎，自主研發(fā)面向社交、電商等場(chǎng)景的多模態(tài)意圖識(shí)別引擎、意圖標(biāo)簽系統(tǒng)及意圖智能推薦算法，形成從情緒采集、意圖建模到商業(yè)轉(zhuǎn)化的完整解決方案。波動(dòng)智能提出“意圖是連接人、物與內(nèi)容的新型接口”，其產(chǎn)品廣泛應(yīng)用于AI社交、個(gè)性化內(nèi)容推薦、虛擬陪伴、電商體驗(yàn)優(yōu)化等領(lǐng)域。波動(dòng)智能正在探索“EMO-as-a-Service”技術(shù)服務(wù)架構(gòu)，賦能企業(yè)實(shí)現(xiàn)更高效的用戶洞察與精準(zhǔn)情緒交互，推動(dòng)從功能驅(qū)動(dòng)到意圖驅(qū)動(dòng)的產(chǎn)業(yè)范式升級(jí)。

親愛的人工智能研究者，為了確保您不會(huì)錯(cuò)過*波動(dòng)智能*的最新推送，請(qǐng)星標(biāo)*波動(dòng)智能*。我們傾心打造并精選每篇內(nèi)容，只為為您帶來啟發(fā)和深思，希望能成為您理性思考路上的伙伴！

加入AI交流群請(qǐng)掃碼加微信