AI大模型的历史路径

以下是为新手提供的 AI 入门学习建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，您将找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛（比如图像、音乐、视频等），您可以根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 推荐新手使用 Kimi 智能助手入门学习和体验 AI，其不用科学上网、不用付费、支持实时联网，是国内最早支持 20 万字无损上下文的 AI，也是目前对长文理解做的最好的 Ai 产品，能一次搜索几十个数据来源，无广告，能定向指定搜索源。 PC 端： 移动端 Android/ios：

LangChain 是一个用于构建高级语言模型应用程序的框架，具有以下特点和功能： 旨在简化开发人员使用语言模型构建端到端应用程序的过程，提供一系列工具、组件和接口，使创建由大型语言模型（LLM）和聊天模型支持的应用程序更易实现。 核心概念包括组件和链，组件是模块化构建块，可组合创建强大应用，链是一系列组件或其他链按顺序执行以完成特定任务。 具有模型抽象、提示模板和值、链、代理等功能。 支持多种用例，如针对特定文档的问答、聊天机器人、代理等，可与外部数据源交互并提供内存功能。 LangChain 与 RAG（检索增强生成）的关系： 框架与技术：LangChain 作为框架，提供实现 RAG 必需的工具和组件，RAG 技术可在其框架内实施利用。 模块化实现：允许开发者通过模块化组件构建 RAG 应用程序，如使用检索器和生成模型创建完整的 RAG 流程。 简化开发：通过提供现成的链和提示模板简化 RAG 应用开发过程。 提高性能：利用 LangChain 实现 RAG 可创建更高效、准确的应用，尤其在需大量外部信息辅助决策的场景。 应用构建：通过丰富的 API 和组件库支持构建复杂的 RAG 应用，如智能问答系统、内容推荐引擎等。 开发 LangChain 应用构建 RAG 应用时，LangChain 提供以下组件： 数据加载器：从数据源加载数据并转换为文档对象，包含页面内容和元数据。 文本分割器：将文档对象分割成多个较小文档对象，方便后续检索和生成。 文本嵌入器：将文本转换为高维向量，用于衡量文本相似度以实现检索。 向量存储器：存储和查询嵌入，通常使用索引技术加速检索。 检索器：根据文本查询返回相关文档对象，常见实现是向量存储器检索器。 聊天模型：基于大模型实现文本生成功能。 使用 LangChain 构建 RAG 应用的一般流程如下：（具体流程未给出）

AIGC 即 AI generated content，又称为生成式 AI，意为人工智能生成内容。例如 AI 文本续写，文字转图像的 AI 图、AI 主持人等都属于 AIGC 的应用。 AIGC 常见的产品项目和媒介众多。语言文字类有 OpenAI 的 GPT、Google 的 Bard、百度的文心一言等；语音声音类有 Google 的 WaveNet、微软的 Deep Nerual Network、百度的 DeepSpeech 等；图片美术类有早期的 GEN 等图片识别/生成技术，去年大热的扩散模型带火了我们熟悉的 Midjourney、先驱者谷歌的 Disco Diffusion、一直在排队测试的 OpenAI 的 Dalle·2 以及 stability ai 和 runaway 共同推出的 Stable Diffusion 等。 SD 是 Stable Diffusion 的简称，是由初创公司 StabilityAI、CompVis 与 Runway 合作开发，2022 年发布的深度学习文本到图像生成模型，主要用于根据文本的描述产生详细图像，是一种扩散模型的变体，叫做“潜在扩散模型”。其代码模型权重已公开发布，可以在大多数配备有适度 GPU 的电脑硬件上运行，当前版本为 2.1 稳定版。源代码库为 github.com/StabilityAI/stablediffusion 。 AIGC 是一种利用人工智能技术生成各种类型内容的应用方式，在内容创作、广告、媒体等领域有着广泛的应用，包括文字生成、图像生成、视频生成等。 AIGC、UGC 和 PGC 都是内容生成的不同方式。AIGC 由人工智能生成内容，优势在于快速、大规模生成内容，适用于自动化新闻、广告创作等；UGC 由用户生成内容，优势在于内容丰富多样，适用于社交媒体、社区论坛等；PGC 由专业人士或机构生成内容，优势在于内容质量高、专业性强，适用于新闻媒体、专业网站等。 AIGC 在 CRM 领域有着广阔的应用前景，主要包括个性化营销内容创作、客户服务对话系统、产品推荐引擎、CRM 数据分析报告生成、智能翻译和本地化、虚拟数字人和营销视频内容生成、客户反馈分析等方面。不过在应用过程中，仍需解决算法偏差、版权和知识产权等伦理法律问题。

AI 是一门令人兴奋的科学，它是某种模仿人类思维可以理解自然语言并输出自然语言的东西，其生态位是一种似人而非人的存在。 从技术角度看，AI 研究如何使计算机表现出智能行为，例如做一些人类所擅长的事情。最初计算机用于按照明确的程序进行数字运算，而对于像根据照片判断一个人的年龄这类无法明确编程的任务，正是 AI 所感兴趣的。 AI 已经渗透到各行各业，有着广泛的应用场景： 医疗保健方面，包括医学影像分析、药物研发、个性化医疗、机器人辅助手术等。 金融服务领域，涵盖风控和反欺诈、信用评估、投资分析、客户服务等。 零售和电子商务中，有产品推荐、搜索和个性化、动态定价、聊天机器人等应用。 制造业里，涉及预测性维护、质量控制、供应链管理、机器人自动化等。 交通运输行业也有相关应用。

目前较为方便且具有多种便利编程功能的免费 AI 编程工具包括： 1. Cursor：是一个现代化的集成开发环境（IDE），具有 AI 辅助编码、代码自动补全、实时代码分析、多语言支持、集成终端、Git 集成、自定义主题、跨平台、性能优化和实时协作等特点。可通过 https://www.cursor.com/ 链接进入主页下载。 2. GitHub Copilot：由 GitHub 联合 OpenAI 和微软 Azure 团队推出，支持多种语言和 IDE，能为程序员快速提供代码建议。 3. 通义灵码：阿里巴巴团队推出，提供行级/函数级实时续写、自然语言生成代码、单元测试生成、代码注释生成、代码解释、研发智能问答、异常报错排查等能力。 4. CodeWhisperer：亚马逊 AWS 团队推出，由机器学习技术驱动，可为开发人员实时提供代码建议。 5. CodeGeeX：智谱 AI 推出的开源免费 AI 编程助手，基于 130 亿参数的预训练大模型，可快速生成代码。 6. Cody：代码搜索平台 Sourcegraph 推出的 AI 代码编写助手，借助 Sourcegraph 强大的代码语义索引和分析能力，了解开发者的整个代码库。个人使用免费。 7. CodeFuse：蚂蚁集团支付宝团队为国内开发者提供智能研发服务的免费 AI 代码助手。 8. Codeium：一个由 AI 驱动的编程助手工具，提供代码建议、重构提示和代码解释，提高编程效率和准确性。 此外，还有一些其他工具，如 Wing Python IDE Pro，专为 Python 编程设计，集成多种功能，但年度许可证起价 179 美元/月；Smol Developer 是开源的 AI 开发助手，能根据产品需求生成完整的代码库，遵循 MIT 许可证。 每个工具的功能和适用场景可能不同，您可以根据自身需求选择最适合的工具。更多辅助编程 AI 产品，还可以查看 https://www.waytoagi.com/category/65 。

学习 AI 做副业赚钱可以参考以下步骤： 1. 基础学习： 了解 AI 基本概念，阅读「」部分，熟悉术语和基础概念，包括人工智能的主要分支及它们之间的联系，浏览入门文章了解其历史、应用和发展趋势。 开始 AI 学习之旅，在「」中找到为初学者设计的课程，推荐李宏毅老师的课程，通过在线教育平台按自己节奏学习并争取获得证书。 2. 深入学习： 根据兴趣选择特定模块深入学习，比如图像、音乐、视频等领域。 掌握提示词技巧，因其上手容易且实用。 3. 实践尝试： 理论学习后进行实践，巩固知识，尝试使用各种产品做出作品。 在知识库分享实践后的作品和文章。 4. 体验产品： 与现有的 AI 产品如 ChatGPT、Kimi Chat、智谱、文心一言等聊天机器人互动，了解工作原理和交互方式，获得实际应用中的第一手体验，激发对 AI 潜力的认识。 需要注意的是，学了 AI 有可能赚钱，但不保证每个人都能赚到钱。人工智能领域有很多高薪工作，如数据科学家、机器学习工程师等，学会 AI 技术可增加在这些岗位就业及职业发展的可能性。然而，能否赚钱还取决于个人的学习能力、实际应用能力、对市场和商业的理解等因素。仅仅学会基础知识可能不足以在竞争激烈的市场中脱颖而出，需要持续学习和实践。

以下是为您推荐的学习 AI 的路径： 一、了解 AI 基本概念 1. 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 2. 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 二、开始 AI 学习之旅 1. 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 2. 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 三、选择感兴趣的模块深入学习 AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。建议掌握提示词的技巧，它上手容易且很有用。 四、实践和尝试 1. 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 2. 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 五、体验 AI 产品 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 六、中学生学习 AI 的特别建议 1. 从编程语言入手学习，比如 Python、JavaScript 等，学习编程语法、数据结构、算法等基础知识。 2. 尝试使用 AI 工具和平台，如 ChatGPT、Midjourney 等，探索面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识，包括了解 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等，以及学习 AI 在教育、医疗、金融等领域的应用案例。 4. 参与 AI 相关的实践项目，参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动，尝试利用 AI 技术解决生活中的实际问题，培养动手能力。 5. 关注 AI 发展的前沿动态，关注权威媒体和学者，思考 AI 技术对未来社会的影响，培养思考和判断能力。 七、AI 与宠物结合的相关内容 1. AI 宠物助手：基于自然语言处理和计算机视觉的 AI 宠物助手，可自动识别宠物情绪、提供饮食建议、监测健康状况等。 2. AI 宠物互动玩具：利用 AI 技术开发的智能互动玩具，增强宠物娱乐体验。 3. AI 宠物图像生成：使用生成式 AI 模型，根据文字描述生成宠物形象图像。 4. AI 宠物医疗诊断：利用计算机视觉和机器学习技术，开发 AI 辅助的宠物医疗诊断系统。 5. AI 宠物行为分析：基于传感器数据和计算机视觉，分析宠物行为模式。 学习路径建议： 1. 掌握基础的机器学习、计算机视觉、自然语言处理等 AI 技术。 2. 了解宠物行为学、宠物医疗等相关领域知识。 3. 关注业内先进的 AI+宠物应用案例，学习其技术实现。 4. 尝试开发简单的 AI 宠物应用原型，并不断迭代优化。

以下是关于完善数字经济发展路径的相关内容： 在过去的十年中，数字技术已经改变了经济和社会，影响了所有活动领域和日常生活。数据处于这种转变的中心，数据驱动的创新将为联盟公民和经济带来巨大利益，例如改善和个性化医疗、提供新的移动性，并有助于 2019 年 12 月 11 日委员会关于欧洲绿色协议的沟通。为了使数据驱动的经济对所有联盟公民具有包容性，必须特别关注减少数字鸿沟，促进妇女参与数据经济，并培养技术领域的前沿欧洲专业知识。数据经济的构建方式应使企业，特别是委员会建议 2003/361/EC 中定义的微型、小型和中型企业（SMEs）以及初创企业能够蓬勃发展，确保数据访问的中立性、数据的可移植性和互操作性，并避免锁定效应。在 2020 年 2 月 19 日关于欧洲数据战略（“欧洲数据战略”）的沟通中，委员会描述了一个共同的欧洲数据空间的愿景，即一个内部数据市场，在符合适用法律的情况下，数据可以不受其在联盟中的物理存储位置的影响而被使用，这尤其可能对人工智能技术的快速发展至关重要。 数据是数字经济的核心组成部分，也是确保绿色和数字转型的重要资源。近年来，人类和机器生成的数据量呈指数级增长。然而，大多数数据未被使用，或者其价值集中在相对较少的大型公司手中。低信任度、相互冲突的经济激励和技术障碍阻碍了数据驱动创新潜力的充分实现。因此，通过为数据的再利用提供机会，并消除符合欧洲规则和充分尊重欧洲价值观的欧洲数据经济发展的障碍，以及按照减少数字鸿沟的使命，使每个人都受益，从而释放这种潜力至关重要。 这些发展需要在联盟中建立一个强大且更一致的数据保护框架，并得到强有力的执行，鉴于建立信任对于数字经济在整个内部市场发展的重要性。自然人应该对自己的个人数据有控制权。应加强自然人、经济运营商和公共当局的法律和实际确定性。

以下是为小白提供的学习 AI 的路径： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，可根据自己的兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出自己的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

以下是关于 AI 打造个性化学习路径的相关内容： 在教育领域，AI 的应用带来了颠覆性的改变。个性化学习平台通过集成算法和大数据分析，能实时跟踪学生学习进度、诊断学习难点并提供个性化建议和资源。例如 Knewton 平台，通过对数百万学生行为模式的分析，精准预测学习难点并提前给出解决方案，大幅提升学习效率。 AI 在自动评估方面也有显著进展，如利用自然语言处理技术的 Pearson 的 Intelligent Essay Assessor 能自动批改作文和开放性答案题，减轻教师批改负担，提高评估效率和一致性。 智能辅助教学工具使课堂教学更丰富互动，如 AI 教师能引导对话学习、解答疑问并提供即时反馈。Google 的 AI 教育工具 AutoML 可创建定制学习内容。 在虚拟现实和增强现实方面，AI 技术不断推动边界。如 Labster 的虚拟实验室平台提供高科技实验室场景，让学生安全进行实验操作并得到即时反馈。 生成式人工智能在教学中的应用包括： 个性化学习计划：分析学生表现，根据知识差距和个人学习风格创建定制学习路径。 课程开发/学习沉浸：生成图像、文本和视频，转化为补充教育材料、作业和练习题。 社会互动/沟通：与新的 AI 工具结合，为学生提供更好的准备工具。 使用 AI 进行英语学习和数学学习的方法和建议： 英语学习： 利用智能辅助工具如 Grammarly 进行写作和语法纠错。 使用语音识别应用如 Call Annie 进行口语练习和发音纠正。 借助自适应学习平台如 Duolingo 获得量身定制的学习计划和内容。 利用智能对话机器人如 ChatGPT 进行会话练习和对话模拟。 数学学习： 使用自适应学习系统如 Khan Academy 获取个性化学习路径和练习题。 借助智能题库和作业辅助工具如 Photomath 获得问题解答和解题步骤。 使用虚拟教学助手如 Socratic 解答问题、获取教学视频和答疑服务。 参与交互式学习平台如 Wolfram Alpha 的课程和实践项目进行数学建模和问题求解。 通过结合 AI 技术和传统学习方法，能更高效、个性化地进行学习并取得更好效果。但需注意，部分内容由 AI 大模型生成，请仔细甄别。

以下是为您整合的相关内容： 在高校设计学科教学改革方面，相关法案提到了对人工智能领域的支持，包括支持跨学科研究、教育和培训项目，以促进学生和研究人员在人工智能方法和系统方面的学习，并培养相关领域专家的跨学科视角和合作。同时，在高等教育中，有人认为大型语言模型（LLMs）可能会对其产生显著的积极影响，特别是提升人文学科的重要性。LLMs 具有深度且内在的文本属性，与大学人文学科课程所强调的技能和方法直接相关。此外，还有法案涉及推动机器学习的发展，支持跨多个机构和组织的人工智能及相关学科的跨学科研究和开发。

系统学习人工智能的路径如下： 1. 加入“通往 AGI 之路”社区：这是一个致力于人工智能学习的中文知识库和社区平台，由开发者、学者和 AI 爱好者共同参与建设，提供丰富的学习资源，包括文章、教程、工具推荐以及最新的 AI 行业资讯等，还会定期组织活动，如视频挑战赛、模型创作大赛等，鼓励成员在实践中学习，促进交流与合作。 2. 从编程语言入手：可以选择 Python、JavaScript 等编程语言开始学习，掌握编程语法、数据结构、算法等基础知识，为后续的 AI 学习打下基础。 3. 尝试使用 AI 工具和平台：例如使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。也可以探索一些面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 4. 学习 AI 基础知识：了解 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等，学习 AI 在教育、医疗、金融等领域的应用案例。 5. 参与 AI 相关的实践项目：参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动，尝试利用 AI 技术解决生活中的实际问题，培养动手能力。 6. 关注 AI 发展的前沿动态：关注 AI 领域的权威媒体和学者，了解 AI 技术的最新进展，思考 AI 技术对未来社会的影响，培养对 AI 的思考和判断能力。 总之，全面系统地学习 AI 知识和技能，可以从编程基础、工具体验、知识学习、实践项目等多个方面入手，为未来在 AI 领域的发展做好准备。

在解决模型微调中多轮对话容易受到上轮对话影响的问题时： 对于多轮对话，现实中常伴随指代问题，如使用“它”“他们”“我们”等代词。若仅依据原始提问检索知识片段，可能导致结果不精确或无法检索到信息。同时，对模型回复内容的限制可能影响多轮对话流畅性甚至中断。 为提升对话系统性能和用户体验，需开发提示词解决多轮对话中的指代消解问题，确保模型能在连续交流中提供准确连贯回答。但由于“指代消解”需多轮对话完成，单次交互无法达成，所以要转换测试形式，先解决“指代消解”问题再进行下一轮答复。 首先准备指代消解所需提示词，这里使用的“指代消解”提示词是用 CoT 写出的思维链，列举不同推理情景，让模型适应并推理出需消解的代词，再根据结果重新组织问题。 接着复现指代消解步骤，如进行第一轮对话，提出问题“尼罗河是什么？”，系统召回相关知识片段并回复，然后开始指代消解。 另外，聊天模型通过一串聊天对话输入并返回生成消息输出。聊天格式虽为多轮对话设计，但对单轮任务也有用。会话通过 messages 参数输入，包含不同角色和内容的消息对象数组。通常会话先有系统消息设定助手行为，再交替使用用户和助手消息。当指令涉及之前消息时，包含聊天历史记录有帮助，若超出模型限制需缩减会话。

企业做自己的小模型，可能会用到以下工具及背后的公司： 1. 在编排（Orchestration）方面，涉及的公司如 DUST、FIAVIE、LangChain 等，其提供的工具可帮助管理和协调各部分及任务，确保系统流畅运行。 2. 部署、可扩展性和预训练（Deployment, Scalability, & PreTraining）类别中，像 UWA mosaicm、NMAREL、anyscale 等公司提供的工具，有助于部署模型、保证可扩展性及进行预训练。 3. 处理上下文和嵌入（Context & Embeddings）的工具，相关公司有 TRUDO、Llamalndex、BerriAI 等，能帮助模型处理和理解语言上下文，并将词语和句子转化为计算机可理解的形式。 4. 质量保证和可观察性（QA & Observability）方面，例如 Pinecone、drant、Vald 等公司提供的工具，可确保模型表现并监控其性能和状态。 此外，还有以下工具和相关公司： 1. 图片生成 3D 建模工具，如 Tripo AI（由 VAST 发布）、Meshy、CSM AI（Common Sense Machines）、Sudo AI、VoxCraft（由生数科技推出）等。 企业还可能涉及具身智能、3D 眼镜、AI 绘本、AI 图书、学习机、飞书的多维表格、蚂蚁的智能体、Coze 的智能体、Zeabur 等云平台、0 编码平台、大模型（通义、智谱、kimi、deepseek 等）、编程辅助、文生图（可灵、即梦等）等方面，可能需要相应资质。

目前最好用的大模型包括： 1. OpenAI 的 GPT4：是最先进和广泛使用的大型语言模型之一，在多种任务上表现卓越，如文本生成、理解、翻译及各种专业和创意写作任务，能通过大量数据学习理解和生成人类语言，处理复杂问题和理解上下文能力出色。 2. Anthropic 公司的 Claude 3。 3. 谷歌的 Gemini。 4. 百度的文心一言。 5. 阿里巴巴的通义大模型。 大型模型主要分为两类： 1. 大型语言模型：专注于处理和生成文本信息。 2. 大型多模态模型：能够处理包括文本、图片、音频等多种类型的信息。 大型多模态模型与大型语言模型的不同点： 1. 处理的信息类型不同：大型语言模型专注于文本，大型多模态模型能处理多种类型信息。 2. 应用场景不同：大型语言模型主要用于自然语言处理任务，大型多模态模型应用领域更广泛。 3. 数据需求不同：大型语言模型依赖大量文本数据训练，大型多模态模型需要多种类型数据训练。 此外，如果想了解国内的大模型效果，可以参考第三方基准评测报告： 。需注意，内容由 AI 大模型生成，请仔细甄别。

以下是一些能生成 SQL 语句并提供 API 调用的 AI 模型或工具的相关信息： OpenAI 的 GPT 系列模型，如 gpt40613 和 gpt3.5turbo0613 ，可以通过函数调用及其他 API 更新，让开发人员向模型描述函数，并让模型智能地选择输出一个包含调用这些函数所需参数的 JSON 对象。但需要注意的是，为了让 ChatGPT 返回符合要求的 JSON 格式，prompt 的定制尤为重要和复杂。 在使用代码执行来进行更精确的计算或调用外部 API 时，不能依赖模型自行准确地执行算术或长计算。可以指示模型编写和运行代码，例如将代码放入三重反引号中。生成输出后，可以提取并运行代码。同时，模型在正确使用 API 的指导下，可以编写使用 API 的代码，但需要通过提供 API 文档或代码示例进行指导。 但需要注意的是，执行模型生成的代码存在安全风险，建议在安全的沙箱环境中运行代码，避免潜在危害。

以下是关于 AI 大模型的相关内容： 一、大模型的整体架构 1. 基础层：为大模型提供硬件支撑和数据支持，例如 A100、数据服务器等。 2. 数据层：包括静态的知识库和动态的三方数据集，这里的数据层并非用于基层模型训练的数据基集，而是企业根据自身特性维护的垂域数据。 3. 模型层：包括 LLm（大语言模型，例如 GPT，一般使用 transformer 算法实现）或多模态模型（如市面上的文生图、图生图等模型，训练所用数据与 llm 不同，为图文或声音等多模态的数据集）。 4. 平台层：例如大模型的评测体系或 langchain 平台等，是模型与应用间的组成部分。 5. 表现层：也就是应用层，是用户实际看到的地方。 二、再补充一些概念 AI Agent Agent 是从年前到现在比较火的概念，被很多人认为是大模型的未来主要发展方向。中间的“智能体”其实就是 llm 或大模型，四个箭头分别是为 llm 增加的工具、记忆、行动、规划四个能力。目前行业里主要用到的是 langchain 框架，它把 llm 之间以及 llm 和工具之间通过代码或 prompt 的形式进行串接。 三、必须理解的核心概念 1. 泛化能力：指模型在未曾见过的数据上表现良好的能力，用大白话讲就是“举一反三”的能力，人类泛化能力很强，无需见过世界上每一只猫就能认识猫的概念。 2. 多模态：指多数据类型交互，能提供更接近人类感知的场景，大模型对应的模态有文本、图像、音频、视频等。 3. 对齐能力：指与人类价值观与利益目标保持一致的能力。但目前阶段，有很多提示词注入的方法能绕过各种限制，这也开辟了大模型领域黑白对抗的新战场。

以下是一些文生图模型的性能排行相关信息： Kolors 是最近开源的文生图模型中表现出色的一个。它具有更强的中文文本编码器、高质量的文本描述、人标的高质量图片、强大的中文渲染能力以及巧妙解决高分辨率图加噪问题的 noise schedule，实测效果不错。 PIKA1.0 是一个全新的模型，文生视频和文生图的质量都有大幅度提升。在文生图方面稳定得令人惊讶，3D 和 2D 的动画效果出色。 为全面比较 Kolors 与其他模型的生成能力，构建了包含人工评估、机器评估的全面评测内容。在 KolorsPrompts 评估集中，Kolors 在整体满意度方面处于最优水平，其中画面质量显著领先其他模型。具体的平均分数如下： AdobeFirefly：整体满意度平均分 3.03，画面质量平均分 3.46，图文相关性平均分 3.84。 Stable Diffusion 3：整体满意度平均分 3.26，画面质量平均分 3.5，图文相关性平均分 4.2。 DALLE 3：整体满意度平均分 3.32，画面质量平均分 3.54，图文相关性平均分 4.22。 Midjourneyv5：整体满意度平均分 3.32，画面质量平均分 3.68，图文相关性平均分 4.02。 Playgroundv2.5：整体满意度平均分 3.37，画面质量平均分 3.73，图文相关性平均分 4.04。 Midjourneyv6：整体满意度平均分 3.58，画面质量平均分 3.92，图文相关性平均分 4.18。 Kolors：整体满意度平均分 3.59，画面质量平均分 3.99，图文相关性平均分 4.17。所有模型结果取自 2024.04 的产品版本。

目前大语言模型普遍没有记忆功能，每次发送消息都需要包含历史会话内容，否则无法记住之前的对话。会话累加过多时会超出最大上下文窗口长度，同时增加计算成本。为节省资源，AI 聊天应用会自动对历史会话进行摘要，仅保留最近内容。 不过，也有一些应用程序在这方面有所尝试和改进，例如 Rewind 是一款能够提高生产力的应用程序，可以浏览、搜索并询问关于手机上任何您看到的内容。它通过捕捉您在 Safari 中阅读的内容和导入您的截屏来工作，让您可以利用人工智能的力量向 Rewind 提问关于您看到的任何问题，包括为您进行总结。Lazy 也是一款不错的工具，上下文切换不会中断您的工作流程，能随时裁剪各种内容，保存文章等，音频和视频内容还会利用 AI 提取主要内容并展示。

要将历史写过的文章发给 AI 以训练生成写作风格，可以参考以下步骤： 1. 首先，像安迪的做法一样，把过去写的多篇相关文章发给 AI。 2. 让 AI 总结这些文章的写作特点。 3. 根据 AI 总结的特点，编写出描述写作风格的提示词，从而克隆出自己的写作风格。 4. 未来使用这个风格时，先花 3 分钟时间让 AI 分别写多篇内容。 5. 从多篇内容中找到最符合心意的作品，并从其他作品中寻找好的段落。 6. 最后进行整合、修改、删减和润色，少则几分钟、十几分钟，多则半个小时就能完成一篇文章。 同时，就像夙愿提到的，找选题对于写作很重要。我们可以通过学习其他优秀公众号的文章，分析其选题思路、文章结构、表达方式等，不断训练自己的“写作模型”，但要注意不能照搬，而是要形成自己独特的风格。 另外，在写作过程中，“主体性”的介入也很关键。比如在使用 Prompt 生成公众号文章时，要先思考自己对写作的理解以及对特定主题写作风格的认知，这样写出来的 Prompt 才会有个人特色。日常也要注重基本功的积累，因为在表达“意象”时非常考验语言能力。

以下为您推荐一些利用大模型辅助高中历史教学设计的案例： 有一位历史老师使用 GPT 给学生讲课，通过 GPT 生成一个“沉浸式”历史片段游戏，让学生扮演一个角色“设身处地”地做决策，学生的作业是找出 GPT 的错误。例如明朝灭亡、南京、1645 年 5 月的相关案例，您可以参考：https://chat.openai.com/share/86815f4e674c4410893c4ae3f1b7412e/continue 。 对于历史专业的学生，当他们遇到像 ChatGPT 这样的语言模型时，已经训练有素能够识别一些常见的陷阱，如事实不准确等，并通过事实核查、分析体裁和受众、在相关来源中搜索等技能来解决这些问题。 语言模型对于历史学家和历史专业的学生是有益的，但对于历史老师和其他教育工作者在短期内可能会带来一些问题，需要重新思考许多作业的布置方式。 您可以尝试借鉴这些案例，根据您的教学需求和学生特点，对大模型的应用进行调整和优化。

人工智能的历史始于二十世纪中叶。最初，符号推理流行，带来了如专家系统等重要进展，但因从专家提取知识并以计算机可读形式表现的复杂性和高成本，20 世纪 70 年代出现“人工智能寒冬”。 随着时间推移，计算资源更便宜，数据更多，神经网络方法在计算机视觉、语音理解等领域展现出卓越性能，过去十年中“人工智能”常被视为“神经网络”的同义词。 最初，查尔斯·巴贝奇发明计算机用于按明确程序运算。现代计算机虽先进但仍遵循相同理念。但有些任务如根据照片判断人的年龄，无法明确编程，这类任务正是人工智能感兴趣的。 您还可以思考如果人工智能实现，金融、医学和艺术等领域哪些任务可交给计算机完成，以及这些领域如何从中受益。

AI 大模型的发展具有丰富的历史。 早期阶段，人工智能经历了从图灵测试、早期的图灵机器人和 ELISA，到 IBM 的语音控制打印机、完全由人工智能创作的小说、微软的同声传译系统等的发展。 随着技术的进步，大模型逐渐兴起。其由数据、算法、算力构成，算法有技术架构的迭代，如英伟达的显卡辅助模型训练，而数据质量对生成理想的大模型至关重要。 近年来，从 2022 年开始掀起了生成式 AI 的革命。生成式 AI 是深度学习中的一个细分流派，相较之前的所有 AI 实现方法，在结果质量和效果上有了根本性、跨时代的进步。在某些细分场景应用中，甚至让人感觉通过了图灵测试。 随着大模型技术愈发成熟、规模增大，为 AI Agent 提供了强大能力，有望构建具备自主思考、决策和执行能力的智能体，广泛应用于多个行业和领域。如今，大模型和多模态模型呈现出百花齐放的态势。

人工智能的发展历史如下： 起源阶段： 1943 年，心理学家麦卡洛克和数学家皮特斯提出机器的神经元模型，为后续的神经网络奠定基础。 1950 年，图灵最早提出图灵测试，作为判别机器是否具备智能的标准。 1956 年，在美国达特茅斯学院，马文·明斯基和约翰·麦凯西等人共同发起召开达特茅斯会议，“人工智能”一词被正式提出，并确立为一门学科。 发展历程： 二十世纪中叶，符号推理流行，带来专家系统等重要进展，但因方法局限性，20 世纪 70 年代出现“人工智能寒冬”。 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”常被视为“神经网络”的同义词。 早期阶段（1950s 1960s）：有专家系统、博弈论、机器学习初步理论。 知识驱动时期（1970s 1980s）：专家系统、知识表示、自动推理。 统计学习时期（1990s 2000s）：机器学习算法如决策树、支持向量机、贝叶斯方法等。 深度学习时期（2010s 至今）：深度神经网络、卷积神经网络、循环神经网络等。 前沿技术点： 大模型：如 GPT、PaLM 等。 多模态 AI：视觉 语言模型（CLIP、Stable Diffusion）、多模态融合。 自监督学习：自监督预训练、对比学习、掩码语言模型等。 小样本学习：元学习、一次学习、提示学习等。 可解释 AI：模型可解释性、因果推理、符号推理等。 机器人学：强化学习、运动规划、人机交互等。 量子 AI：量子机器学习、量子神经网络等。 AI 芯片和硬件加速。