Gizmology 2023:打造你的智能调酒机器人


项目介绍
在2023年春季,创新工作室和体验设计公司Deeplocal推出了Gizmology项目,这是一个为期一年的创意技术学徒计划,旨在为匹兹堡黑人社区的高中毕业生和未充分就业的成年人提供培训。该项目得到了Deeplocal母公司WPP的种族平等承诺的部分支持,旨在通过在职培训和导师指导,推动创意和技术领域的种族平等。
Gizmology的学徒们,即Gizmos,在为期近四个月的初始课堂培训中,学习了3D设计、电气工程、物理计算、制造方法(激光切割/焊接/木工)和创意技术等基础技能。该项目分为两个学期,每个学期都以一个顶点项目结束;最终的顶点项目是“重新创造”一个内置Google Assistant的机器人调酒机。
项目技术分析
Gizmology Mocktails Mixer项目结合了多种技术,包括3D设计、电气工程、物理计算和软件开发。具体技术细节如下:
-
硬件设计:项目涉及激光切割和3D打印技术,用于制造调酒机的各个部件。硬件设计包括瓶子支架、泵和继电器控制面板、Arduino和Raspberry Pi的安装等。
-
电气系统:调酒机的电气系统由Raspberry Pi和Arduino Micro控制。Raspberry Pi负责与Google Assistant SDK的通信,而Arduino Micro则控制泵和LED。
-
软件开发:项目中的软件开发主要集中在将Google Assistant SDK从Python转换为Node.js,以确保其有效性。此外,还涉及Arduino和Raspberry Pi的编程,以实现调酒机的自动化功能。
项目及技术应用场景
Gizmology Mocktails Mixer项目适用于以下场景:
-
家庭娱乐:用户可以通过语音命令控制调酒机制作自己喜欢的混合饮料,为家庭聚会增添乐趣。
-
教育培训:该项目可以作为创意技术学徒计划的实践项目,帮助学员掌握3D设计、电气工程和软件开发等技能。
-
创意展示:调酒机的设计和功能可以作为创意技术的展示,吸引观众对科技和创意的兴趣。
项目特点
Gizmology Mocktails Mixer项目具有以下特点:
-
语音控制:内置Google Assistant,用户可以通过语音命令轻松订购饮料。
-
模块化设计:调酒机采用模块化设计,用户可以根据自己的需求定制包含多种成分和饮料组合的调酒机。
-
食品级安全:所有材料均符合食品级安全标准,确保液体不会接触到非食品级安全的材料。
-
跨学科合作:项目涉及多个学科的协作,包括3D设计、电气工程、物理计算和软件开发,展示了跨学科合作的重要性。
通过Gizmology Mocktails Mixer项目,用户不仅可以体验到智能调酒的乐趣,还可以深入了解创意技术在实际应用中的潜力。无论是家庭娱乐、教育培训还是创意展示,这款调酒机都能为用户带来独特的体验。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00