提供prompt和微调相关的参考资料

小七姐写的 prompt 包括以下内容： 1. Prompt 喂饭级系列教程 小白学习指南（二）： 自动优化排版的 Prompt，例如将输入的自我介绍进行自动排版。 让 AI 阅读文档时更靠谱的 Prompt。 结合生活或工作场景的自动化场景，如自动给班级孩子起昵称、排版微信群运营小文案、安排减脂餐、列学习计划、设计商务会议调研问卷等。 选择好上手的提示词框架来开启第一次有效编写。 2. 基于联网验证科学新闻的科普作者：创作动机来源于韩国室温常压超导新闻事件，基于严谨和科学态度梳理新闻事件并给出分析结果（必须在 4.0 的 webpilot 插件下使用）。 3. 3 月 5 日直播：prompts 书写的 6 个基础方法： 带大家学习基础知识和概念。 学习社群分享官方文档最佳实践。 学习地图官方文档的 6 个方法总结。 编写清晰的说明，提供更多信息和细节。 大模型提示词使用技巧及注意事项。 角色扮演策略提升模型问答质量。

以下是关于 Runway 官方镜头提示词的相关内容： Prompt Structures 提示结构： 使用这种结构，提示一个女人站在热带雨林可能是这样的。 在提示的不同部分重复或强调关键思想可提高输出一致性。例如在超高速拍摄中，相机会快速飞过场景。应将提示集中在场景中应出现的内容上，比如输入晴朗的天空，而非没有云的天空。 协助镜头画面描述的提示词： 样品说明： 1. Seamless Transitions 无缝转换 1. Camera Movement 相机移动 1. Text Title Cards 文本标题卡 1. Prompt Keywords 提示关键词 关键字有助于在输出中实现特定样式。确保关键字与整个提示符保持一致，会使其在输出中更明显。例如，包括关于皮肤纹理的关键字对于相机未紧密聚焦在面部的广角拍摄没有好处，广角镜头可能受益于环境的其他细节。在保持这种凝聚力的同时，可尝试不同的关键字。

Prompts 是在不同的 AI 应用场景中的一种指令或语言模板。 在 Midjourney Bot 中，它用于启动新任务或创建一组图像，可以是简单的单词或短语，也可以是更详细的指令和参数，Midjourney Bot 会根据提供的 Prompt 生成图像网格，用户可选择并进行修改和操作。您可以通过进一步了解。 从原理层面看，简单来说，它是一套与大模型交互的语言模板。通过这个模板，可以输出对大模型响应的指令，明确大模型应该做什么、完成什么任务、如何处理具体任务，并最终获得期望的结果。虽然大模型能理解大部分输入的话，但为了获得更好的回答效果，需要使用 Prompt 来提升模型返回的准确性。可以认为在大模型时代，人机交互的主要方式是 Prompt，而非过去通过代码。 在 AI 视频生成中，prompt 是直接描述或引导视频生成的文本或指令，类似给 AI 的提示，包含主体、运动、风格等信息，用户借此控制和指导生成内容。它在 AI 视频生成中作用十分重要，是表达需求的方式，影响视频内容和质量。如果上述解释过于抽象，您可以理解 Prompt 为：将您输入的文字变成对应的画面和运动形式。

Prompt 简单来说是一套与大模型交互的语言模板。它是给大模型输入的一段原始输入，能帮助模型更好地理解用户需求，并按照特定模式或规则进行响应。 在大模型时代，它类似于过去人机交互中的代码，成为主要的交互语言。通过 Prompt，能提升模型返回的准确性，比如可以设定“假设你是一位医生，给出针对这种症状的建议”，后续对话会按此设定展开。 在 AI 视频生成中，Prompt 是直接描述或引导视频生成的文本或指令，类似给 AI 的提示，包含主体、运动、风格等信息，借此控制和指导生成内容，作用十分重要，是表达需求的方式，影响视频内容和质量，您可以理解为将输入的文字变成对应的画面和运动形式。 这里的玩法很多，比如可以在 Prompt 的设定中，要求模型按照一定的思路逻辑去回答，像最近比较火的思维链（cot），就是在 Prompt 环节对模型的输出进行指导，还可以让模型按照特定格式（如 json）输出，使模型变成一个输出器来使用。甚至一度还出现过 Prompt 优化师这样的角色。

Prompt 是一套与大模型交互的语言模板。简单来说，它是您向大模型输出的用于指示其响应的指令，明确大模型应做什么、完成何种任务、如何处理具体任务，并最终输出您期望的结果。尽管大模型具备基础的文字理解能力，能理解您的大部分表述，但为获得更好的回答效果，需要借助 Prompt 来提高模型返回的准确性。在大模型时代，Prompt 成为人机交互的主要方式之一。 在 AI 领域，Prompt 是给到大模型输入的一段原始输入，能帮助模型更好地理解用户需求，并按照特定模式或规则进行响应。例如，可以设定“假设您是一位医生，给出针对这种症状的建议”，后续与大模型的对话将基于此原始设定展开。此外，还有很多有趣的玩法，如在 Prompt 的设定中要求模型按照一定的思路逻辑回答，像最近较火的思维链（cot）就是在这个环节对模型的输出进行指导。还可以让模型按照特定格式（如 json）输出，使模型成为一个输出器。 在 AI 视频生成中，Prompt 是直接描述或引导视频生成的文本或指令，类似于给 AI 的提示，包含主体、运动、风格等信息，用户借此控制和指导生成内容。其作用十分重要，是表达需求的方式，会影响视频的内容和质量。如果上述解释过于抽象，您可以将 Prompt 理解为：把您输入的文字变成对应的画面和运动形式。

Prompt 简单来说是一套与大模型交互的语言模板。它能输出对大模型响应的指令，明确大模型应做的具体事项、完成的任务、处理任务的方式，并最终获得期望的结果。大模型虽有基础文字能力能理解大部分话语，但为提升回答准确性，需要借助 Prompt。在大模型时代，Prompt 成为人机交互的主要方式之一。 Prompt 是给大模型输入的一段原始输入，能帮助模型更好理解用户需求并按特定模式或规则响应。例如，可以设定“假设你是一位医生，给出针对这种症状的建议”，后续对话会按此设定展开。还有很多有趣玩法，如要求模型按一定思路逻辑回答，像最近较火的思维链（cot）就在此环节指导模型输出，还能让模型按特定格式（如 json）输出，使模型成为输出器。 在 AI 视频生成中，Prompt 是直接描述或引导视频生成的文本或指令，类似给 AI 的提示，包含主体、运动、风格等信息，借此控制和指导生成内容，作用十分重要，是表达需求的方式，影响视频内容和质量。如果觉得抽象，可以理解为将输入的文字变成对应的画面和运动形式。

AI 增量训练和模型微调存在以下区别： 目的：增量训练通常是为了持续更新模型以适应新的数据和任务，而模型微调主要是为了使模型在特定的小领域数据集上针对特定任务达到更好的性能。 范围：增量训练可能涉及对模型的较大范围的更新，而微调往往集中在较小范围的参数调整。 方式：增量训练可能会对全量的模型参数进行训练，而微调存在全量微调（FFT）和参数高效微调（PEFT）两种技术路线，PEFT 只对部分模型参数进行训练，且目前在业界较为流行。 成本和效果：从成本和效果综合考虑，PEFT 是较好的微调方案。微调可以大幅提高模型在特定任务中的性能，但可能会使模型失去一些通用性。 数据使用：增量训练可能需要更多新的数据，而微调是在较小的、特定领域的数据集上进行。 如需了解更多关于微调的内容，可参考 OpenAI 官方微调教程：https://github.com/openai/openaicookbook/blob/main/examples/How_to_finetune_chat_models.ipynb

模型微调主要有以下方式： 1. 使用微调模型：当作业成功时，`fine_tuned_model`字段将填充模型名称。您现在可以将此模型指定为我们的`Completions API`的参数，并使用`Playground`向它发出请求。在您的工作首次完成后，您的模型可能需要几分钟时间才能准备好处理请求。如果对您的模型的完成请求超时，可能是因为您的模型仍在加载中。如果发生这种情况，请在几分钟后重试。您可以通过将模型名称作为`model`完成请求的参数传递来开始发出请求，包括`OpenAI`命令行界面、`cURL`、`Python`、`Node.js`等方式。您还可以继续使用所有其他完成参数，如`temperature`、`frequency_penalty`、`presence_penalty`等对这些请求进行微调模型。 2. 介绍：微调可让您从`API`提供的模型中获得更多收益，比如比即时设计更高质量的结果、能够训练比提示中更多的例子、由于更短的提示而节省了`Token`、更低的延迟请求。`GPT3`已经在来自开放互联网的大量文本上进行了预训练。当给出仅包含几个示例的提示时，它通常可以凭直觉判断出您要执行的任务并生成合理的完成，这通常称为“小样本学习”。微调通过训练比提示中更多的示例来改进小样本学习，让您在大量任务中取得更好的结果。对模型进行微调后，您将不再需要在提示中提供示例，这样可以节省成本并实现更低延迟的请求。在高层次上，微调涉及以下步骤：准备和上传训练数据、训练新的微调模型、使用您的微调模型。 3. 通义千问团队的微调方式：大规模预训练后，通义千问团队对模型进行精细的微调，以提升其智能水平，让其表现更接近人类。这个过程进一步提升了代码、数学、推理、指令遵循、多语言理解等能力。此外，模型学会对齐人类价值观，它也随之变得更加对人类有帮助、诚实以及安全。通义千问团队的微调过程遵循的原则是使训练尽可能规模化的同时并且尽可能减少人工标注。团队探索了如何采用多种自动方法以获取高质量、可靠、有创造力的指令和偏好数据，其中包括针对数学的的方法减少对齐税。不久后，通义千问团队将推出`Qwen2`的技术报告。

在条件生成场景中，进行微调可以参考以下指南： 1. 在提示末尾使用分隔符，例如\n\n\n\n。当最终向模型发出请求时，也要附加此分隔符。 2. 在完成结束时使用结束 token，例如 END。在推理过程中将结束 token 添加为停止序列，例如 stop=。 3. 目标是至少约 500 个示例。 4. 确保提示+完成不超过 2048 个 token，包括分隔符。 5. 确保示例具有高质量并遵循相同的所需格式。 6. 确保用于微调的数据集在结构和任务类型上与模型将用于的数据集非常相似。 7. 使用较低的学习率和仅 1 2 个时期往往更适合这些用例。 此外，还有以下案例研究： 1. 基于技术属性列表的产品描述：将输入数据转换为自然语言很重要，这可能会带来卓越的性能。为了获得高性能，请确保完成是基于所提供的描述。如果经常查阅外部内容，则以自动方式添加此类内容将提高性能。如果描述基于图像，则使用算法提取图像的文本描述可能会有所帮助。由于完成只有一个句子长，可以在推理过程中用作停止序列。 2. 实体提取：这类似于语言转换任务。为了提高性能，最好按字母顺序或按照它们在原始文本中出现的相同顺序对不同的提取实体进行排序。这将有助于模型跟踪需要按顺序生成的所有实体。数据集可能如下所示，例如：多行分隔符效果最好，因为文本可能包含多行。理想情况下，输入提示的类型会高度多样化（新闻文章、维基百科页面、推文、法律文件），这反映了提取实体时可能遇到的文本。

以下是关于微调的最佳实践： 一般最佳实践：使用更多高质量的示例进行微调效果更好。要微调一个比使用基本模型使用高质量提示更好地执行的模型，应提供至少几百个高质量的示例，最好由人类专家审查。从那里开始，性能往往会随着示例数量的每增加一倍而线性增加。增加示例的数量通常是提高性能的最佳和最可靠的方法。分类器是最容易上手的模型。对于分类问题，建议使用 ada，经过微调后，它通常只会比功能更强大的模型稍微差一点，同时速度更快，成本更低。 准备数据集：微调是一种强大的技术，可用于创建特定于您的用例的新模型。在微调您的模型之前，强烈建议阅读以下针对您的用例的最佳实践和具体指南。 具体指南：微调可以解决多种问题，最佳使用方式可能取决于您的具体用例。常见的微调用例和相应的指南包括： 如果您要对预先存在的数据集进行微调，而不是从头开始编写提示，请务必在可能的情况下手动检查您的数据是否存在令人反感或不准确的内容，或者如果数据集很大，请检查尽可能多的随机样本。

部署并微调 BERT 模型的步骤如下： 1. 选择合适的部署方式： 本地环境部署。 云计算平台部署。 分布式部署。 模型压缩和量化。 公共云服务商部署。根据自身的资源、安全和性能需求选择合适的部署方式。 2. 准备训练所需的数据和计算资源： 确保有足够的训练数据覆盖目标应用场景。 准备足够的计算资源，如 GPU 服务器或云计算资源。 3. 选择合适的预训练模型作为基础： 可以使用开源的预训练模型如 BERT 等作为基础。 4. 针对目标任务进行模型微调训练： 根据具体应用场景对预训练模型进行微调训练。 优化模型结构和训练过程以提高性能。 5. 部署和调试模型： 将训练好的模型部署到生产环境。 对部署的模型进行在线调试和性能优化。 6. 注意安全性和隐私保护：大模型涉及大量数据和隐私信息，需要重视安全性和合规性。 总的来说，部署和微调 BERT 模型需要综合考虑多方面因素，包括部署方式、数据准备、模型训练、部署调试以及安全性等。需要根据具体需求选择合适的方法，并注意优化各个环节以提高模型性能和应用效果。

大模型的微调可以从以下几个方面来理解和操作： 一、大模型的基本概念 通俗来讲，大模型就是输入大量语料，来让计算机获得类似人类的“思考”能力，使之能够理解自然语言，能够进行“文本生成”、“推理问答”、“对话”、“文档摘要”等工作。 可以用“上学参加工作”这件事来类比大模型的训练、使用过程： 1. 找学校：训练大模型需要大量的计算，因此 GPU 更合适，只有购买得起大量 GPU 的才有资本训练自己的大模型。 2. 确定教材：大模型需要的数据量特别多，几千亿序列（Token）的输入基本是标配。 3. 找老师：即用合适的算法讲述“书本”中的内容，让大模型能够更好理解 Token 之间的关系。 4. 就业指导：学完书本中的知识后，为了让大模型能够更好胜任某一行业，需要进行微调（fine tuning）指导。 5. 搬砖：就业指导完成后，下面就要正式干活了，比如进行一次翻译、问答等。 二、微调的技术路线 从参数规模的角度，大模型的微调分成两条技术路线： 1. 全量微调 FFT（Full Fine Tuning）：对全量的模型参数，进行全量的训练。 2. PEFT（ParameterEfficient Fine Tuning）：只对部分模型参数进行训练。 从成本和效果的角度综合考虑，PEFT 是目前业界比较流行的微调方案。 OpenAI 官方微调教程： 微调是在较小的、特定领域的数据集上继续大模型的训练过程。这可以通过调整模型本身的参数，而不是像提示工程和 RAG 那样仅仅更改提示，来大幅提高模型在特定任务中的性能。把微调想象成把通用工具打磨成精密仪器。 三、微调的好处和操作方式 微调有两大好处： 1. 提高模型在特定任务中的性能。微调意味着可以输入更多的示例。可以在数以百万计的代币上进行微调，而根据上下文的大小，少量学习提示仅限于数以万计的代币。经过微调的模型可能会失去一些通用性，但对于其特定任务而言，应该期待它有更好的表现。 解决不当行为的方法是通过某种对话，助手给出了错误的响应。接受这个错误响应，并要求某人提供正确的答案。然后，用正确的答案覆盖错误的响应，并将其作为示例加入到训练数据中。下次进行微调时，模型就会在这种情况下得到改进。这是一个迭代过程，由于微调的成本较低，可以每周或每天进行这样的操作。通常，公司会在微调阶段而不是预训练阶段更频繁地进行迭代。

以下是关于 AI 创作视频的相关资料： 在人员方面，有以下人员从事与 AI 创作相关的工作： 路西：从事 AI 视频创作。 汪汪汪：制作 AI 视频、AI 图文。 大白光：在生活和工作中出图和视频。 kone：从事 AI 商业实战应用，包括 AI 短片、AI 广告、AI 电影、AI MV 等。 一花一世界：从事视频相关工作。 林旭辉：从事视频制作、电商相关工作。 如果想用 AI 把小说做成视频，一般的制作流程如下： 1. 小说内容分析：使用 AI 工具（如 ChatGPT）分析小说内容，提取关键场景、角色和情节。 2. 生成角色与场景描述：根据小说内容，使用工具（如 Stable Diffusion 或 Midjourney）生成角色和场景的视觉描述。 3. 图像生成：使用 AI 图像生成工具根据描述创建角色和场景的图像。 4. 视频脚本制作：将提取的关键点和生成的图像组合成视频脚本。 5. 音频制作：利用 AI 配音工具（如 Adobe Firefly）将小说文本转换为语音，添加背景音乐和音效。 6. 视频编辑与合成：使用视频编辑软件（如 Clipfly 或 VEED.IO）将图像、音频和文字合成为视频。 7. 后期处理：对生成的视频进行剪辑、添加特效和转场，以提高视频质量。 8. 审阅与调整：观看生成的视频，根据需要进行调整，比如重新编辑某些场景或调整音频。 9. 输出与分享：完成所有编辑后，输出最终视频，并在所需平台上分享。 请注意，具体的操作步骤和所需工具可能会根据项目的具体需求和个人偏好有所不同。此外，AI 工具的可用性和功能也可能会随时间而变化，建议直接访问上述提供的工具网址获取最新信息和使用指南。 如果您想参加 filMarathon 全球 AI 电影马拉松大赛，以下是一些学习资料和参赛方式： 剧本创作：人力为主，可参考 图片生成：AI 作图绘画，可参考 视频生成：AI 视频生成，可参考 音频生成： AI 音乐创作，可参考 音效创作指导，可参考 语音合成，可参考 剪辑工具：剪映剪辑，可参考

以下是关于文档问答的系统知识： 在使用 Claude 进行文档问答任务时，有以下要点： 1. 告诉 Claude 仔细阅读文档，因为稍后会被提问。 2. 对于文档问答，将问题置于提示的末尾，在其他输入信息之后（这在结果质量上有较大的定量差异）。 3. 要求 Claude 在回答之前先找到与问题相关的引语，只有找到相关引语时才进行回答。 4. 给 Claude 提供从被查询文本的其他部分生成的示例问题和答案对（可以由 Claude 生成或手动生成）。通用的外部知识示例似乎对性能没有帮助。有关更多信息，请参阅 Anthropic 的关于 Claude 长上下文窗口的提示工程博客文章。 一个 10 万上下文长度的提示词案例： Human: I'm going to give you a document. Read the document carefully, because I'm going to ask you a question about it. Here is the document: <document>{{TEXT}}</document> First, find the quotes from the document that are most relevant to answering the question, and then print them in numbered order. Quotes should be relatively short. If there are no relevant quotes, write "No relevant quotes" instead. Then, answer the question, starting with "Answer:". Do not include or reference quoted content verbatim in the answer. Don't say "According to Quote" when answering. Instead make references to quotes relevant to each section of the answer solely by adding their bracketed numbers at the end of relevant sentences. Thus, the format of your overall response should look like what's shown between the <examples></examples> tags. Make sure to follow the formatting and spacing exactly. 此外，还有以下建议： 1. 将问题放在提示的末尾，在输入数据之后。这已被证明显著改善了 Claude 的回答质量。 2. 要求 Claude 在回答之前找到与问题相关的引语，并且只有在找到相关引语时才回答。这鼓励 Claude 将其回答扎根于所提供的背景，并且减少了幻觉风险。 3. 示例提示：人类:我将给您一份文档。然后我会问您一个关于它的问题。我希望您首先摘录文档中有助于回答问题的部分的确切引用，然后用摘录的内容回答问题。这是文档: <document>{{TEXT}}</document> 以下是第一个问题: {{QUESTION}} 首先，找出文档中对回答问题最相关的引用，并按编号顺序列出。引用应该相对较短。如果没有相关引用，请写“无相关引用”。然后，回答问题，以“回答:”开始。回答中不要直接包含或引用引用的内容。回答时不要说“根据引用"近 90%的营收来自小部件销售，而小工具销售占了剩下 10%。"

WaytoAGI 是由一群热爱 AI 的狂热爱好者、专家共同建设的开源 AI 知识库。它诞生于 2023 年 4 月 26 日，在没有任何推广的情况下，一年时间已有超过 70 万用户和超千万次的访问量。 其知识库内容丰富，覆盖 AI 绘画、AI 视频、AI 智能体等多个版块，不仅有最新的 AI 教程、工具和一线实战案例，还有开放共享的 AI 知识体系，倡导共学共创等形式，孵化了如 AI 春晚、离谱村等大型共创项目。 WaytoAGI 不仅是一个普通的 AI 技术社区，更是一个汇聚 AI 行业顶尖创作者和 KOL 的思想交流平台，社区制作的优质作品多次登上央视首页，广受好评。社群的口号是“让更多的人因 AI 而强大”，有很多学社和共学共建的活动。您打开“waytoagi.com”就可以找到社群。

以下是关于 ComfyUI Flux 的教程： 安装及使用： 模型放置： t5xxl_fp16.safetensors：放在 ComfyUI/models/clip/目录下。 clip_l.safetensors：放在 ComfyUI/models/clip/目录下。 ae.safetensors：放在 ComfyUI/models/vae/目录下。 flux1dev.safetensors：放在 ComfyUI/models/unet/目录下。 下载地址： 如果 GPU 性能不足、显存不够，底模可以使用 fp8 的量化版模型，速度会快很多，下载地址：https://huggingface.co/Kijai/fluxfp8/tree/main 工作流下载：上面提供的工作流复制即可，或者使用官方原版的图片链接 https://comfyanonymous.github.io/ComfyUI_examples/flux/flux_dev_example.png ，将工作流或图片拖拽到 ComfyUI 里。 ComfyUI 共学相关： 插画提效成果显著，原本需要 200 人美术团队一年多完成的 1 万多张动画插画，最终不到 10 人用半年完成。 课程从零基础开始，从认识 config、UI 及行业概念讲起，逐步深入到环境部署、底层技术概念、提示词等内容。 介绍 config 牛角尖大王系列，包括 control net、IP Adapter、图像放大、mask 等部分，阐述了它们的作用和玩法。 具备搭建复杂工作流能力，学习相关知识后初步具备搭建复杂工作流能力，会拆解分析网上热门工作流。 解决 config UI 报错问题，报错问题可分为网络、模型、工作流搭建、环境等方面，安装新插件时可参考项目地址的 requirement 文档。 规划实战案例思路，目前想到了三个实战案例的思路。 关于 config UI 生态及相关技术的分享，郭佑萌介绍课程提纲，包括课程可能的扩充、回顾总结及重点讲解 Flux 模型，实际课程不严格按大纲走，会根据大家接受程度和安排进行共学。

以下是为您提供的关于 AI 发展史及相关综述的内容： 1. 《机器之心的进化 / 理解 AI 驱动的软件 2.0 智能革命》：涵盖了 AI 进化史的多个方面，包括前神经网络时代、Machine Learning 的跃迁、开启潘多拉的魔盒等，文章较长，约 22800 字，阅读前可先观看一段 Elon Musk 和 Jack Ma 在 WAIC 2019 关于人工智能的对谈视频。 2. 对于初学者： 微软的 AI 初学者课程《Introduction and History of AI》： AI for every one（吴恩达教程）： 大语言模型原理介绍视频（李宏毅）： 谷歌生成式 AI 课程： ChatGPT 入门： 如果您是新手学习 AI，可参考以下学习路径指南： 1. 了解 AI 基本概念：阅读「」熟悉术语和基础概念，浏览入门文章了解 AI 历史、应用和发展趋势。 2. 开始 AI 学习之旅：在「」中找到为初学者设计的课程，可通过在线教育平台（如 Coursera、edX、Udacity）按自己节奏学习并获取证书。 3. 选择感兴趣的模块深入学习：AI 领域广泛，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习。

以下是人工智能发展的流程图相关内容，包含重要人物与重要时间节点或重大事件： 二十世纪中叶，人工智能领域开启。最初符号推理流行，带来专家系统等重要进展，但因提取知识成本高等问题，20 世纪 70 年代出现“人工智能寒冬”。 近现代，计算机科学发展为人工智能研究奠定基础，人们尝试用机器模拟人类思维。 1950 年，英国数学家阿兰·图灵提出著名的“图灵测试”。 1956 年，人工智能一词被提出，达特茅斯会议举行。 1997 年，深蓝在国际象棋比赛中击败卡斯帕罗夫。 2016 年，AlphaGo 在围棋比赛中战胜李世石。 2020 年，GPT3 发布。 2022 年，DALLE 发布。 2023 年，GPT4 发布。 2024 年，预计发布 GPT5 。 随着时间推移，计算资源变便宜、数据增多，神经网络方法在计算机视觉、语音理解等领域展现出色性能，过去十年中“人工智能”常被用作“神经网络”的同义词。