走进AI(六) |AIGC 狂想曲
2024-01-04 16:17:15 0 举报AI智能生成
登录查看完整内容
AIGC 的机会在哪里？落地场景有哪些？
作者其他创作
大纲/内容
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
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
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。
代码补全本质是填空不是问答。
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。
大模型的核心在数据的多样性，而不是算法；大数据加大算力去训练一个大的模型，确实是最有可能实现通用人工智能的路径。
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，都是我们可以发力的方向。
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
如何提升工作效率？
个人思考
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
优秀资料
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
成果以及方向
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。
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。
哪些东西暂时无法被赋能?
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。
AIGC 能赋能哪些场景？
国内外典型公司融资情况
技术滥用
知识产权问题
伦理问题
数据安全
准确性/可信性
实时性
挑战
内生安全
外延风险
应用前景
智能体系
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
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。
流形学习
生成和识别完全不同
基础知识
ResNet：解决梯度消失
VAE 模型
VQ-VAE模型：为了统一各种数据模态
Autoencoders：降纬工具，包含encode和decode两部分
CLIP
Transformer
GAN（Generative Adversarial Networks）
基础模型
视觉方向
AIGC 引发的颠覆&想象
0 条评论
回复 删除
下一页
