走进AI系列
走进AI(一) | 初窥智能体系
走进AI(二) | 机器如何学习？
走进AI(三) | 解构 NLP
走进AI(四) | ChatGPT能做什么？
走进AI(五) | 教你如何Prompt？
走进AI(六) | AI作画的灵感从哪里来？<br>
走进AI(七) 搭建 AI Agent
走进AI(八) | AI+产品落地
挑战&问题
技术滥用
知识产权问题
数据安全
伦理道德
价值观：意识形态入侵
准确性/可信性/真实性- 概率生成困境<br>
时效性- 模型训练是存在截止时间的<br>
知识边界-训练数据存在覆盖范围<br>
概念
从狭义上，所谓的 Deep Learning(深度学习) = Neural Networks (神经网络)，且人工神经网络和人类神经网络根本不是一回事
AIGC 和元宇宙的关系？AIGC是元宇宙最核心最基础的设施，AIGC的能力成熟以后可以推动元宇宙的发展。
关键元素：核心在数据的多样性，而不是算法
算法：更高效的模型
算力：计算规模&能耗
数据：缺失思考过程
生成模型会作为AI的基础工具，解决高维空间中距离收敛性，拟合数据的分布问题
个人思考
算法实际上是大道至简，算法门槛会越来越低，对算法的人的需求会越来越少。<br>从训练下游任务的角度来讲，只要能保证数据的多样性，就可以训出比较好的模型。
AI学习数据的知识产权，到底属于谁？创作者，AI应该给每一位内容创作者分钱。
为什么《纽约时报》会起诉OpenAI，却不起诉谷歌？
为什么不
代码补全本质是填空不是问答。- 采用MLM(Masked Language Modeling)用遮罩语言建模
发力方向：真正从事AI代码研发的人是少数，更大的机会在于如何组织运用数据以及如何围绕AI打造下游行业适配
如何提升工作效率？
针对标准化的工作来提效
提升创造力，能够帮助我们做增量思考
提升了工程师域的能力宽度
AI能在多大程度上，带来一定价值增量？通用场景下，可以拉齐人类的知识水平！我认为容错高场景效率明显，容错低还需要监督审查。
个人AI生存/协作探索指南
优秀资料
论文 2017年谷歌发表的《Attention Is All You Need》
论文 gpt3 《Language Models are Few-Shot Learners》
论文《instruct gpt》
OpenAI Cookbook
魔搭社区
应用前景
内容模态方向：单模态的输入和输出=>多模态的输入+单模态的输出=>多模态输入到多模态输出的大模型。
成果以及方向
图片的可控编辑/图片拓展
视频及3D资产生产，未来的潜在场景非常大
AIGC 能赋能哪些场景？
哪些东西暂时无法被赋能?
交互介质非数字化，核心要看场景的核心价值如何实现。
责任主体和非对称信息。
业务赋能思路？从供给侧和需求侧分析，拆分任务，凭借对于技术判断和需求落地场景，去看在每一个环节里能不能被AIGC替代。
视觉方向
基础知识
数据量越大，解决维度灾难的程度越好，因为数据量大有利于模型的收敛。
纬度灾难
高维空间的几何性质一般和低维空间保持不一致。eg：球上距离收敛
流形学习
生成和识别完全不同
基础模型
ResNet：解决梯度消失
Autoencoders：降纬工具，包含encode和decode两部分
VAE 模型
VQ-VAE模型：为了统一各种数据模态
CLIP
Transformer
GAN（Generative Adversarial Networks）
