微调一个13B的大模型需要多少数据

以下是 2025 年 2 月 13 日的 AI 日报： 近 7 日更新日志： 《》：Codeium 是一款面向企业用户的 AI 编程工具，能提升开发效率，适合非科技企业。其新产品 Windsurf 结合 AI 助手和开发者工作流程，提供无缝协作体验。与 GitHub Copilot 和 Cursor 相比，在代码生成和上下文感知能力上表现更佳，价格有竞争力。 《》：OpenAI 产品负责人 Kevin Weil 称 AI 模型成本下降，智能水平提升。未来将推出 o3 系列模型，具备更强推理能力，并计划在 2025 年让聊天机器人在现实世界实际操作。 《》：OpenAI 即将推出 GPT5，预计所有用户可免费使用。GPT4.5 将是最后一个非推理模型，GPT5 将整合多项技术，具备自主思考和快速响应能力，ChatGPT 多项功能将被整合，用户将享受免费深度研究额度。 社区动态速览： 2000 亿欧元投资，设立 12 个 AI 超算中心，抗衡美国与中国的竞争。 Anthropic CEO：AI 发展将加速至超人级智能 预计 2026 2030 年 AI 将达到“超级天才”级别，若无监管可能失控。 Cerebras 为 Perplexity AI Sonar 搜索模型提供加速，搜索速度提升 10 倍，优化信息准确性与计算成本。 更多详细内容查看

以下是 2 月 13 日的 AI 日报： 1. AI 对软件工程的影响：涵盖自动代码生成、智能调试、AI 驱动的 DevOps 和敏捷开发优化，自动代码生成工具提高编程效率，AI 助力智能测试与运维，DevOps 迎来 AI 驱动的 CI/CD 和 AIOps，提升部署自动化和智能监控能力，AI 让敏捷开发更加高效。 2. OpenAI CEO 宣布开发 AI 设备，目标颠覆智能手机，还表达了对自研 AI 芯片的兴趣，计划通过 AI 设备重塑人机交互方式。 3. OpenAI 推出全新 Deep Research，让 ChatGPT 成为你的研究助理。 4. 2000 亿欧元投资，设立 12 个 AI 超算中心，抗衡美国与中国的竞争。 5. Anthropic CEO 预计 2026 2030 年 AI 将达到“超级天才”级别，若无监管可能失控。 6. Cerebras 为 Perplexity AI Sonar 搜索模型提供加速，搜索速度提升 10 倍，优化信息准确性与计算成本。 7. OpenAI 公布 GPT 5 最新路线图，GPT 4.5是最后的“非链式思维”模型，GPT 5 引入新功能，强调知识自由，无限制敏感话题讨论。 8. Plus 用户每月可获 10 次 Deep Research 额度，免费用户每月 2 次，未来计划扩大。 9. Brilliant Labs AI 眼镜集成 Gemini Live API，支持语音+视觉交互，实现实时翻译和物体识别。 10. OpenAI 新论文：AI 竞赛编程突破，强化学习提升 AI 编程能力，o3 AI 在 CodeForces 评分接近顶级选手。 11. 苹果发布 Powerbeats Pro 2 运动耳机，具有形状记忆耳挂，AI 降噪，心率监测，10 小时续航。 12. 欧洲 AI 军备竞赛：Invest AI 计划。

以下是 2 月 13 日的 AI 产业资讯： 在巴黎 AI 峰会上，斯坦福教授李飞飞强调当前是“真正的第一个 AI 时代”。她追溯五亿年生命演化，探讨现代 AI 的三大支柱：感知算法突破、认知科学启示和计算能力提升。李飞飞提到，“数据是让神经网络真正活起来的关键”，呼吁以人为本的 AI，维护尊严、增强能力、促进社区发展，构建健康的 AI 生态系统。另附《全球 AI 竞争白热化：巴黎峰会上，欧盟宣布 2000 亿欧元追赶，美国：全球技术规则听我的》。 推理模型代表了一种新范式，专注于解决复杂、多步骤的问题。与传统模型不同，推理模型通过思考输入意图，逐步提供答案，擅长解谜和高级数学等挑战性任务。然而，其成本高昂且容易出错，适用场景有限。DeepSeek 推出的多种变体（如 R1Zero 和 R1Distill）展示了不同的训练策略和性能表现。 来自社区伙伴 Hua 的投稿，手把手指导您在微软 Azure AI Foundry 平台上完成 DeepSeek R1（671B）模型的完整部署流程，包含环境准备、资源管理、模型测试及 API 调用说明。 Anthropic 正式发布 Anthropic AI Economic Index，聚焦 AI 对经济的长期影响。该指数直观展现 AI 如何融入现代经济的各类实际任务，并从职业（occupation）和具体工作任务（task）两个维度，量化 AI 对劳动力市场的影响。 DeepSeekR1 的火爆现象背后，企业可以获得显著提升。其强化学习和联网搜索能力，改变了信息获取方式，从“检索—阅读—摘要”转变为“提问—获得答案”，大幅提升工作效率。同时，DeepSeek 的开源策略打破了技术垄断，让国内大模型能力迅速提升。 中美 AI 创业者的闭门讨论聚焦于 DeepSeekR1 的技术创新与行业趋势。DeepSeek 以其混合专家模型和强化学习优化推理能力，显著降低了成本，推动 AI 应用的普及。与传统模型不同，DeepSeek 将用户体验置于核心，未来的 AI 产品不再局限于语言交互，而是向更广泛的垂直应用扩展。 雪佬精心撰写了一份超详细的 AI 配音工具教程，历时 10 小时，专为新手设计，涵盖剪映、DubbingX、海螺 AI 三大主流配音工具的全流程实操指南。文章不仅讲解了音频导入、AI 音色克隆、文本朗读、语速调整、情绪选择、背景音优化等核心功能，还分享了进阶骚操作，如克隆自己的声音并更换成影视角色音色，让 AI 配音更具个性化和专业感。此外，文章还介绍了多语种 AI 朗读、自动歌词生成、音效匹配、语音克隆等功能，让 AI 配音真正做到“零门槛、全自动”。

以下是 2 月 13 日的 AI 新闻资讯： 1. 在巴黎 AI 峰会上，斯坦福教授李飞飞强调当前是“真正的第一个 AI 时代”。她追溯五亿年生命演化，探讨现代 AI 的三大支柱：感知算法突破、认知科学启示和计算能力提升。李飞飞提到，“数据是让神经网络真正活起来的关键”，呼吁以人为本的 AI，维护尊严、增强能力、促进社区发展，构建健康的 AI 生态系统。另附《全球 AI 竞争白热化：巴黎峰会上，欧盟宣布 2000 亿欧元追赶，美国：全球技术规则听我的》。 2. 中美 AI 创业者的闭门讨论聚焦于 DeepSeekR1 的技术创新与行业趋势。DeepSeek 以其混合专家模型和强化学习优化推理能力，显著降低了成本，推动 AI 应用的普及。与传统模型不同，DeepSeek 将用户体验置于核心，未来的 AI 产品不再局限于语言交互，而是向更广泛的垂直应用扩展。 3. 雪佬精心撰写了一份超详细的 AI 配音工具教程，涵盖剪映、DubbingX、海螺 AI 三大主流配音工具的全流程实操指南，讲解了音频导入、AI 音色克隆、文本朗读、语速调整、情绪选择、背景音优化等核心功能，还分享了进阶操作。 4. 社区伙伴 Hua 投稿了在微软 Azure AI Foundry 平台上完成 DeepSeek R1（671B）模型的完整部署流程，包含环境准备、资源管理、模型测试及 API 调用说明。 5. Anthropic 正式发布 Anthropic AI Economic Index，聚焦 AI 对经济的长期影响。该指数从职业和具体工作任务两个维度，量化 AI 对劳动力市场的影响。 6. DeepSeekR1 的火爆现象背后，企业可以获得显著提升。其强化学习和联网搜索能力，改变了信息获取方式，从“检索—阅读—摘要”转变为“提问—获得答案”，大幅提升工作效率。同时，DeepSeek 的开源策略打破了技术垄断，让国内大模型能力迅速提升。

以下是 2 月 13 日的部分 AI 新闻资讯： 在巴黎 AI 峰会上，斯坦福教授李飞飞演讲称当前是“真正的第一个 AI 时代”。她追溯五亿年生命演化，探讨现代 AI 的三大支柱：感知算法突破、认知科学启示和计算能力提升。李飞飞提到“数据是让神经网络真正活起来的关键”，呼吁以人为本的 AI，维护尊严、增强能力、促进社区发展，构建健康的 AI 生态系统。相关报道：《》 全球 AI 竞争白热化，巴黎峰会上，欧盟宣布 2000 亿欧元追赶，美国称全球技术规则听它的。相关报道：《》 《》介绍推理模型代表了一种新范式，专注于解决复杂、多步骤的问题。与传统模型不同，推理模型通过思考输入意图，逐步提供答案，擅长解谜和高级数学等挑战性任务。然而，其成本高昂且容易出错，适用场景有限。DeepSeek 推出的多种变体（如 R1Zero 和 R1Distill）展示了不同的训练策略和性能表现。

Stable Diffusion（简称“SD”）的运行对电脑配置有一定要求。对于 Windows 系统： 显卡：必须是 NVIDIA（俗称 N 卡）。 专用 GPU 内存：4GB 勉强可以跑动 SD，出图时间较长；6GB 出一张图时间为 20 50 秒，大部分功能可用；8GB 5 20 秒出一张图，所有功能基本开放。 电脑运行内存：8GB 以上。 电脑系统：Win10 或者 Win11。 对于 Mac 系统，可以查看以下视频进行一键安装：https://www.bilibili.com/video/BV1Kh4y1W7Vg/?spm_id_from=333.788&vd_source=6f836e2ab17b1bdb4fc5ea98f38df761 但具体 MacBook 13 是否能运行及配置是否足够，还需根据上述标准进行对照检查。

以下是对您所提到的这些内容含义的解释： 大语言模型：是一种基于大量文本数据进行训练的语言处理模型，其工作原理包括训练数据、算力、模型参数等。在训练数据一致的情况下，模型参数越大能力越强。 多模态：指能够处理多种不同类型的数据模态，如文本、图像、音频等，并将它们融合进行理解和生成。 数据：是大语言模型训练和应用的基础，包括各种文本、图像、音频等信息。 算力：指用于支持大语言模型训练和运行的计算能力。 算法：是大语言模型实现各种功能的数学和逻辑方法。 预训练：在大语言模型中，先在大规模数据上进行无特定任务的初步训练。 微调：基于通用大模型，针对特定领域任务提供数据进行学习和调整，以适应特定领域的需求。 RAG：检索增强生成，通过引用外部数据源为模型做数据补充，适用于动态知识更新需求高的任务。其工作流程包括检索、数据库索引、数据索引、分块、嵌入和创建索引、增强、生成等步骤。 自注意力机制：是 Transformer 架构中的重要部分，能理解上下文和文本关联，通过不断检索和匹配来寻找依赖关系，处理词和词之间的位置组合，预测下一个词的概率。 Transformer：是大语言模型训练架构，用于翻译等任务，具备自注意力机制。 Token：在自然语言处理中，是文本的基本单位。 神经网络：是大语言模型的基础架构，模拟人脑神经元的连接和信息处理方式。 向量：在大语言模型中，用于表示文本等数据的数学形式。 Scaling Law：关于大语言模型规模和性能之间关系的规律。

以下是对您所提到的这些内容含义的解释： 大语言模型：是一种基于大量文本数据进行训练的语言处理模型，其工作原理包括训练数据、算力、模型参数等。在训练数据一致的情况下，模型参数越大能力越强。 多模态：指能够处理多种不同类型的数据模态，如文本、图像、音频等，并将它们融合进行理解和生成。 数据：是大语言模型训练和应用的基础，包括各种文本、图像、音频等信息。 算力：指用于支持大语言模型训练和运行的计算能力。 算法：是大语言模型实现各种功能的数学和逻辑方法。 预训练：在大语言模型中，先在大规模数据上进行无特定任务的初步训练。 微调：基于通用大模型，针对特定领域任务提供数据进行学习和调整，以适应特定领域的需求。 RAG：检索增强生成，通过引用外部数据源为模型做数据补充，适用于动态知识更新需求高的任务。其工作流程包括检索、数据库索引、数据索引、分块、嵌入和创建索引、增强、生成等步骤。 自注意力机制：是 Transformer 架构中的重要部分，能理解上下文和文本关联，通过不断检索和匹配来寻找依赖关系，处理词和词之间的位置组合，预测下一个词的概率。 Transformer：是大语言模型训练架构，用于翻译等任务，具备自注意力机制。 Token：在自然语言处理中，是文本的基本单位。 神经网络：是大语言模型的基础架构，模拟人脑神经元的连接和信息处理方式。 向量：在大语言模型中，用于表示文本等数据的数学形式。 Scaling Law：关于大语言模型规模和性能之间关系的规律。

构建自己领域的微调数据集可以参考以下步骤： 1. 确定目标领域和应用需求：明确您希望模型在哪个细分领域进行学习和优化。 2. 数据收集：广泛收集与目标领域相关的数据。例如，若要训练二次元模型，需收集二次元优质数据；若要微调 Llama3 ，可参考相关文档获取数据集。 3. 数据标注：对收集的数据进行准确标注，以便模型学习到有效的特征。 4. 数据清洗：去除无效或错误的数据，提高数据质量。 5. 特殊处理：如为数据添加特殊 tag 等。 以 Stable Diffusion 为例，可收集如 833 张宝可梦数据，并按照特定步骤进行清洗、标注和添加特殊 tag 。对于 Llama3 ，获取数据集后上传到服务器，编写并执行微调代码即可进行微调。 在微调过程中，还需注意一些问题，如大型语言模型微调可能面临训练时间长、成本高等挑战，此时可考虑参数有效调优等创新方法。

微调（Finetuning）是一种迁移学习技术，常用于深度学习中。其基本思路是先有一个在大量数据上预训练过的模型，该模型已学会一些基本模式和结构，然后在特定任务数据上继续训练，使其适应新任务。 例如在情感分类中，可先使用大量语料库预训练模型学会基本语法和单词语义，再用标注过的电影评论继续训练以判断情感。在图像分类中，先使用大量图片预训练模型学会识别基本形状和纹理，再用标注的猫和狗图片继续训练以区分二者。 创建微调模型时，假设已准备好训练数据，可使用 OpenAI CLI 开始微调工作。需确定从哪个基本模型（如 ada、babbage、curie 或 davinci）开始，并可使用后缀参数自定义微调模型名称。运行命令会上传文件、创建微调作业、流式传输事件直至作业完成。每个微调工作默认从 curie 模型开始，模型选择会影响性能和成本。作业开始后可能需几分钟或几小时完成，若事件流中断可恢复。此外，还可列出现有作业、检索作业状态或取消作业。 微调的超参数方面，选择了适用于一系列用例的默认超参数，唯一需要的参数是训练文件。但调整超参数通常可产生更高质量输出的模型，可能需配置的内容包括：要微调的基本模型名称（如“ada”“babbage”“curie”“davinci”）；训练模型的时期数（n_epochs，默认为 4）；批量大小（batch_size，默认为训练集中示例数量的 0.2%，上限为 256）；微调学习率乘数（learning_rate_multiplier，默认为 0.05、0.1 或 0.2）；是否计算分类指标（compute_classification_metrics，默认为假）。配置这些超参数可通过 OpenAI CLI 上的命令行标志传递。

微调（Finetuning）是一种迁移学习技术，常用于深度学习中。其基本思路是：先有一个在大量数据上预训练过的模型，该模型已学会一些基本模式和结构（如自然语言处理中学会基本语法和单词语义，图像识别中学会基本形状和纹理）。然后，在特定任务数据上继续训练这个模型，使其适应新的任务。 以下是两个例子帮助理解： 1. 情感分类：先使用大量语料库预训练模型，使其学会基本语法和单词语义。再收集标注过的电影评论（一部分积极，一部分消极），在这些评论上继续训练模型，使其学会判断评论情感。 2. 图像分类：先使用大量图片（如 ImageNet 数据集）预训练模型，使其学会识别图片中的基本形状和纹理。再收集标注过的图片（一部分是猫，一部分是狗），在这些图片上继续训练模型，使其学会区分猫和狗。 微调在 LLM 应用中，是在已经训练好的模型基础上进一步调整，让模型的输出更符合预期。Finetune、Finetuning 是常用的英文写法。微调是在较小的、针对特定任务的标注数据集上进一步训练已经预训练过的 LLM 的过程，可调整部分模型参数以优化其在特定任务或任务集上的性能。 微调可让您从 API 提供的模型中获得更多收益，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 Token、更低的延迟请求。GPT3 已在大量文本上预训练，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。 微调涉及以下步骤： 1. 准备和上传训练数据。 2. 训练新的微调模型。 3. 使用您的微调模型。 微调目前仅适用于以下基础模型：davinci、curie、babbage 和 ada。这些是原始模型，在训练后没有任何说明（例如 textdavinci003）。您还可以继续微调微调模型以添加其他数据，而无需从头开始。建议使用 OpenAI 命令行界面，安装时需注意相关要求。

微调大模型主要包括以下几个方面： 1. 理解大模型：大模型是通过输入大量语料，让计算机获得类似人类的“思考”能力，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”来类比大模型的训练和使用过程，包括找学校（需要大量 GPU 进行训练）、确定教材（需要大量数据）、找老师（选择合适算法）、就业指导（微调）和搬砖（推导）。 2. 准备数据集：数据集是让大模型重新学习的知识。例如，对于 Llama3 的微调，可以参考相关文档获取和了解数据集，如下载数据集。 3. 选择微调方式：从参数规模的角度，大模型的微调分成两条技术路线，全量微调 FFT（Full Fine Tuning）对全量的模型参数进行全量训练，PEFT（ParameterEfficient Fine Tuning）只对部分模型参数进行训练。从成本和效果综合考虑，PEFT 是目前业界较流行的微调方案。 4. 进行微调操作：有了数据集后，将其上传到服务器，编写微调代码并执行，大概 15 分钟左右可完成微调。 5. 参考资源：OpenAI 官方微调教程 。 微调的好处包括提高模型在特定任务中的性能和提高模型效率。经过微调的模型可能会失去一些通用性，但对于特定任务会有更好的表现，同时还能实现更低的延迟和成本。

对比不同大语言模型的性能需要考虑多个维度，包括但不限于以下方面： 1. 理解能力：评估对语言的语法、语义、上下文和隐含意义的理解程度。 2. 生成质量：检查生成文本的流畅性、相关性和准确性。 3. 知识广度和深度：掌握广泛主题的知识程度，以及对特定领域或话题的理解深度。 4. 泛化能力：处理未见过的任务或数据时的表现。 5. 鲁棒性：应对错误输入、对抗性输入或模糊不清指令的能力。 6. 偏见和伦理：生成文本时是否存在偏见，是否遵循伦理标准。 7. 交互性和适应性：在交互环境中的表现，包括对用户反馈的适应性和持续对话的能力。 8. 计算效率和资源消耗：考虑模型大小、训练和运行所需的计算资源。 9. 易用性和集成性：是否易于集成到不同应用和服务中，提供的 API 和工具的易用性。 为了进行有效的比较，可以采用以下方法： 1. 标准基准测试：使用如 GLUE、SuperGLUE、SQuAD 等标准的语言模型评估基准，它们提供统一的测试环境和评分标准。 2. 自定义任务：根据特定需求设计任务，评估模型在特定领域的表现。 3. 人类评估：结合人类评估者的主观评价，特别是在评估文本质量和伦理问题时。 4. A/B 测试：在实际应用场景中，通过 A/B 测试比较不同模型的表现。 5. 性能指标：使用准确率、召回率、F1 分数、BLEU 分数等性能指标来量化比较。 当前领先的大型语言模型的排行榜，例如聊天机器人竞技场，由伯克利的团队管理，根据 ELO 评级对不同语言模型进行排名，计算方式与国际象棋中的类似。在排行榜中，顶部多为专有模型，下方有开放权重的模型。 大语言模型的特点包括： 1. 架构：有 encoderonly、encoderdecoder、decoderonly 等，如 BERT 是 encoderonly 模型，google 的 T5 是 encoderdecoder 模型，众多 AI 助手多为 decoderonly 模型。 2. 数据和参数：预训练数据量大，往往来自互联网，包括论文、代码、公开网页等，参数多，如 OpenAI 在 2020 年发布的 GPT3 已达到 170B 的参数。

对比不同大语言模型的性能需要考虑多个维度，包括但不限于以下方面： 1. 理解能力：评估对语言的语法、语义、上下文和隐含意义的理解程度。 2. 生成质量：检查生成文本的流畅性、相关性和准确性。 3. 知识广度和深度：掌握广泛主题的知识程度，以及对特定领域或话题的理解深度。 4. 泛化能力：处理未见过的任务或数据时的表现。 5. 鲁棒性：应对错误输入、对抗性输入或模糊不清指令的能力。 6. 偏见和伦理：生成文本时是否存在偏见，是否遵循伦理标准。 7. 交互性和适应性：在交互环境中的表现，包括对用户反馈的适应性和持续对话的能力。 8. 计算效率和资源消耗：考虑模型大小、训练和运行所需的计算资源。 9. 易用性和集成性：是否易于集成到不同应用和服务中，提供的 API 和工具的易用性。 为了进行有效的比较，可以采用以下方法： 1. 标准基准测试：使用如 GLUE、SuperGLUE、SQuAD 等标准的语言模型评估基准，它们提供统一的测试环境和评分标准。 2. 自定义任务：根据特定需求设计任务，评估模型在特定领域的表现。 3. 人类评估：结合人类评估者的主观评价，特别是在评估文本质量和伦理问题时。 4. A/B 测试：在实际应用场景中，通过 A/B 测试比较不同模型的表现。 5. 性能指标：使用准确率、召回率、F1 分数、BLEU 分数等性能指标来量化比较。 当前领先的大型语言模型的排行榜，例如聊天机器人竞技场，由伯克利的团队管理，根据 ELO 评级对不同语言模型进行排名，计算方式与国际象棋中的类似。在排行榜中，顶部多为专有模型，下方有开放权重的模型。 大语言模型的特点包括： 1. 架构：有 encoderonly、encoderdecoder、decoderonly 等，如 BERT 是 encoderonly 模型，google 的 T5 是 encoderdecoder 模型，众多 AI 助手多为 decoderonly 模型。 2. 数据和参数：预训练数据量大，往往来自互联网，包括论文、代码、公开网页等，参数多，如 OpenAI 在 2020 年发布的 GPT3 已达到 170B 的参数。

大模型一体机是一个相对复杂的概念。通俗来讲，大模型是输入大量语料，让计算机获得类似人类的“思考”能力，能够进行文本生成、推理问答、对话、文档摘要等工作。其本质是两个文件：一个是参数文件，类似于问答机器人的“大脑镜像”，负责处理和生成文本信息；另一个是包含运行这些参数的代码文件。 大模型的训练和使用过程可以类比为上学参加工作： 1. 找学校：训练大模型需要大量计算，GPU 更合适，只有购买得起大量 GPU 的才有资本训练。 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，让大模型更好理解 Token 之间的关系。 4. 就业指导：为了让大模型更好胜任某一行业，需要进行微调（fine tuning）指导。 5. 搬砖：就业指导完成后，进行如翻译、问答等工作，在大模型里称之为推导（infer）。 大模型的特点包括： 1. 预训练数据非常大，往往来自互联网上的论文、代码、公开网页等，一般用 TB 级别的数据进行预训练。 2. 参数非常多，如 Open 在 2020 年发布的 GPT3 就已达到 170B 的参数。 在架构方面，大模型有 encoderonly、encoderdecoder、decoderonly 等类型。目前常见的 AI 助手多采用 decoderonly 架构。

传统 AI、大模型、AGI 存在以下区别： 传统 AI： 语音技能 NLU 通常通过一系列规则、分词策略等训练而成。 运作逻辑规律可观测，具有 ifelse 式的逻辑性。 大模型： 凭借海量数据在向量空间中学习知识的关联性。 运作逻辑难以观测，脱离了 ifelse 的层面。 Transformer 是其底层结构，是一个大参数（千亿级别）的回归方程，底层是 function loss 损失函数，能在一定 prompt condition 情况下，repeat 曾经出现过的数据内容，实现“生成”能力。 大语言模型是一个 perfect memory，repeat 曾经出现的内容。与 Alpha Go 相比，Alpha Go 是增强学习模型，有推理能力，而大语言模型这块很弱。 AGI（通用人工智能）： 部分人觉得 LLM（大语言模型）具有 AGI 潜力，但 LeCun 反对。 目前对于能否到达 AGI 阶段尚不明确。 在公众传播层面： AIGC 指用 Stable Diffusion 或 Midjourney 生成图像内容，后来泛指用 AI 生成音乐、图像、视频等内容。 LLM 指 NLP 领域的大语言模型，如 ChatGPT。 GenAI 是生成式人工智能模型，国内官方政策文件使用这个词相对科学，涵盖了 LLM 和 AIGC。 公众传播一般会混用上述名词，但底层是 transformer 结构。

以下是一些在企业内部落地应用 AI 大模型工具的实践案例： 1. 阿里云百炼： 智能体应用：能够弥补大模型的不足，如回答私有领域问题、获取实时信息、回答专业问题等。适用于有企业官网、钉钉、微信等渠道，期望为客户提供产品咨询服务，以及缺少技术人员开发大模型问答应用的场景。典型场景包括私有领域知识问答、个性化聊天机器人、智能助手等。 内部业务助手：通过企业内部规章制度、部门结构、产品介绍等文档构建知识库，并借助 RAG 智能体实现内部知识问答功能。系统支持多源异构数据，并通过复杂文档解析和视觉增强技术，提升文档理解的准确性与深度。目前该功能已灰度上线，需提供 UID 并通过白名单进行开启。 2. 达摩院： AI 模特（虚拟换装）：支持虚拟换装、姿态编辑。 3. 电商零售： 推广文案写作：通过内置的多样化营销场景的文体模板，基于用户输入的创作主题以及参考素材，大模型即可为您生成对应的营销文案，为营销活动和宣传文案提供灵感和文案写作支持。 4. 泛企业： VOC 挖掘：是一个面向各类企业的 VOC 标签挖掘的工具。不论是用户的长短评论、帖子、还是用户和客服/销售的聊天记录、通话记录，都可以使用。通过选中或自定义标签，即可让大模型针对海量非结构化的 VOC 数据快速打标。相比于人工打标或规则打标准确率更高；对于业务标签变动频繁的情况，也能更敏捷、快速地影响。 5. 通义晓蜜：基于深度调优的对话大模型，为营销服类产品提供智能化升级所需的生成式摘要总结、质检、分析等能力应用。

要让 AI 识别对话并生成结构化数据存储到软件系统里，可以参考以下方法： 1. 基于结构化数据来 RAG：如果原始数据本身就是结构化、标签化的，不必将这部分数据做向量化。结构化数据的特点是特征和属性明确，可用有限标签集描述，能用标准查询语言检索。以餐饮生活助手为例，流程包括用户提问、LLM 提取核心信息并形成标准查询、查询结构化数据、LLM 整合回复。 2. 利用 Coze 平台设计 AI 机器人：创建好 Bot 后，从“个人空间”入口找到机器人，进行“编排”设计。Coze 平台常用的概念和功能包括提示词（设定 Bot 身份和目标）、插件（通过 API 连接集成服务）、工作流（设计多步骤任务）、触发器（创建定时任务）、记忆库（保留对话细节，支持外部知识库）、变量（保存用户个人信息）、数据库（存储和管理结构化数据）、长期记忆（总结聊天对话内容）。设计 Bot 时要先确定目的，比如“AI 前线”Bot 的目的是作为 AI 学习助手，帮助职场专业人士提升在人工智能领域的知识和技能，并提供高效站内信息检索服务。 注：Coze 官方使用指南见链接：https://www.coze.cn/docs/guides/welcome ，遇到疑问也可查阅该指南。

以下两款 AI 可以实现参考一张柱状图，使用您提供的数据生成同样的柱状图： 1. PandasAI：这是让 Pandas DataFrame“学会说人话”的工具，在 GitHub 已收获 5.4k+星。它并非 Pandas 的替代品，而是将 Pandas 转换为“聊天机器人”，用户可以以 Pandas DataFrame 的形式提出有关数据的问题，它会以自然语言、表格或者图表等形式进行回答。目前仅支持 GPT 模型，OpenAI API key 需自备。例如，输入“pandas_ai.run”，即可生成相关柱状图。链接：https://github.com/gventuri/pandasai 2. DataSquirrel：这是一款自动进行数据清理并可视化执行过程的数据分析工具，能帮助用户在无需公式、宏或代码的情况下快速将原始数据转化为可使用的分析/报告。目前平台提供的用例涵盖了 B2B 电子商务、人力资源、财务会计和调查数据分析行业。平台符合 GDPR/PDPA 标准。链接：https://datasquirrel.ai/

数据处理的相关知识如下： 根据《数据安全法》第三条第二款的规定，数据处理指的是“包括数据的收集、存储、使用、加工、传输、提供、公开等”。但在某些情况下，数据处理相对狭义，仅指向数据收集后的存储、使用、加工、公开等行为，不包括数据的收集，以及数据的传输、提供等流转行为。 数据处理是 AIGC 服务的核心环节之一，受到《数据安全法》《个人信息保护法》《网络安全法》等法律法规的规制。AIGC 服务提供者在该环节存在大量法定义务，常见行政法风险包括：开展数据处理活动未依照法律、法规的规定，建立健全全流程数据安全管理制度；未组织开展数据安全教育培训；未采取相应的技术措施和其他必要措施保障数据安全；利用互联网等信息网络开展数据处理活动，未在网络安全等级保护等。 《数据安全法》第一条指出，制定本法是为了规范数据处理活动，保障数据安全，促进数据开发利用，保护个人、组织的合法权益，维护国家主权、安全和发展利益。第二条规定在中华人民共和国境内开展数据处理活动及其安全监管适用本法，在境外开展数据处理活动损害我国相关权益的依法追究法律责任。第三条对数据、数据处理、数据安全进行了定义。此外，还对数据安全工作的决策和协调机构、各地区和部门的职责、相关主管部门和机关的监管职责、个人和组织与数据有关的权益等方面做出了规定。 在 GDPR 通用数据保护条例中，对揭示种族或民族出身，政治观点、宗教或哲学信仰，工会成员等个人数据的处理有禁止规定，但在符合特定情形时不适用，如数据主体明确同意、为实现特定目的必要、保护切身利益必要等。

以下是一些通过 AI 处理 Excel 数据的工具和方法： 1. Excel Labs：这是一个 Excel 插件，基于 OpenAI 技术，新增了生成式 AI 功能，允许用户在 Excel 中直接利用 AI 进行数据分析和决策支持。 2. Microsoft 365 Copilot：微软推出的 AI 工具，整合了多种办公软件，用户通过聊天形式告知需求，Copilot 可自动完成如数据分析、格式创建等任务。 3. Formula Bot：提供数据分析聊天机器人和公式生成器两大功能，用户能通过自然语言交互式地进行数据分析和生成 Excel 公式。 4. Numerous AI：支持 Excel 和 Google Sheets 的 AI 插件，除公式生成外，还能根据提示生成相关文本内容、执行情感分析、语言翻译等任务。 此外，Chat Excel 也可以帮助处理 Excel 数据，您提出要求，它会逐步进行处理。同时，还可以利用一些其他的 AI 工具和技巧，如 360AI 浏览器实现 AI 内容摘要、问答、思维导图等功能，用通义听悟整理录音笔记等，来辅助处理 Excel 相关的数据工作。随着技术发展，未来可能会有更多 AI 功能集成到 Excel 中，进一步提高工作效率和智能化水平。请注意，以上内容由 AI 大模型生成，请仔细甄别。