直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

学习大模型的路径

回答

学习大模型的路径主要包括以下几个步骤：

  1. 收集海量数据：就像教孩子成为博学多才的人需要让其阅读大量书籍、观看纪录片、与人交谈一样，对于大模型，要收集互联网上的文章、书籍、维基百科条目、社交媒体帖子等各种文本数据。
  2. 预处理数据：如同为孩子整理学习资料，AI 研究人员需要清理和组织收集到的数据，包括删除垃圾信息、纠正拼写错误、将文本分割成易于处理的片段。
  3. 设计模型架构：如同为孩子设计学习计划，研究人员要设计大模型的“大脑”结构，通常是一个复杂的神经网络，例如 Transformer 架构，这种架构擅长处理序列数据如文本。
  4. 训练模型：如同孩子开始阅读和学习，大模型开始“阅读”提供的数据，通过反复尝试预测句子中的下一个词，不断重复这个过程，逐渐学会理解和生成人类语言。

此外，关于大模型的底层原理，计算机科学家/工程师以大脑神经元细胞结构为灵感，在计算机上利用概览模型实现对人脑结构的模仿，不过计算机的神经元节点更为简单，本质上只是进行一些加法和乘法运算而后输出。大模型内部如同人类大脑是一个混沌系统，即使是 OpenAI 的科学家也无法解释其微观细节。

内容由 AI 大模型生成，请仔细甄别（powered by aily）

参考资料

胎教级教程：万字长文带你理解 RAG 全流程

旁白当你发现大模型的效果并没有你预期想的那么好时，你打算放弃但是你也听到了另一种声音：如果大模型没有你想的那么好，可能是你没有了解他的能力边界。你不想就这么放弃，为了更好的理解大模型，你首先了解了他的创建过程[heading2]1.收集海量数据[content]想象一下，我们要教一个孩子成为一个博学多才的人。我们会怎么做？我们会让他阅读大量的书籍，观看各种纪录片，与不同背景的人交谈等。对于AI模型来说，这个过程就是收集海量的文本数据。例子：研究人员会收集互联网上的文章、书籍、维基百科条目、社交媒体帖子等各种文本数据。[heading2]2.预处理数据[content]在孩子开始学习之前，我们可能会先整理这些资料，确保内容适合他的年龄和学习能力。同样，AI研究人员也需要清理和组织收集到的数据。例子：删除垃圾信息，纠正拼写错误，将文本分割成易于处理的片段。[heading2]3.设计模型架构[content]就像我们要为孩子设计一个学习计划一样，研究人员需要设计AI模型的"大脑"结构。这通常是一个复杂的神经网络。这里我们就不展开了，我们只需要了解，为了让AI能够很好的学习知识，科学家们设计了一种特定的架构。例子：研究人员可能会使用Transformer架构，这是一种特别擅长处理序列数据（如文本）的神经网络结构。[heading2]4.训练模型[content]就像孩子开始阅读和学习一样，AI模型开始"阅读"我们提供的所有数据。这个过程被称为"训练"。例子：模型会反复阅读数据，尝试预测句子中的下一个词。比如给出"太阳从东方__"，模型学会预测"升起"。通过不断重复这个过程，模型逐渐学会理解和生成人类语言。

SD新手：入门图文教程

模型能够有效地控制生成的画风和内容。常用的模型网站有：[Civitai | Stable Diffusion models,embeddings,hypernetworks and more](https://link.zhihu.com/?target=https%3A//civitai.com/)>[Models - Hugging Face](https://link.zhihu.com/?target=https%3A//huggingface.co/models)>[SD - WebUI资源站](https://link.zhihu.com/?target=https%3A//www.123114514.xyz/models/ckpt)>[元素法典AI模型收集站- AI绘图指南wiki(aiguidebook.top)](https://link.zhihu.com/?target=https%3A//aiguidebook.top/index.php/model/)>[AI绘画模型博物馆(subrecovery.top)](https://link.zhihu.com/?target=https%3A//aimodel.subrecovery.top/)[heading3]模型安装[content]下载模型后需要将之放置在指定的目录下，请注意，不同类型的模型应该拖放到不同的目录下。模型的类型可以通过[Stable Diffusion法术解析](https://link.zhihu.com/?target=https%3A//spell.novelai.dev/)检测。大模型（Ckpt）：放入models\Stable-diffusionVAE模型：一些大模型需要配合vae使用，对应的vae同样放置在models\Stable-diffusion或models\VAE目录，然后在webui的设置栏目选择。Lora/LoHA/LoCon模型：放入extensions\sd-webui-additional-networks\models\lora，也可以在models/Lora目录Embedding模型：放入embeddings目录

走入AI的世界

下图（图11）中的左下角展示了生物神经网络和人工神经网络的对比，早在初中生物课本上，我们就学习了解过大脑神经元细胞的基本结构，正是一个个这样的细胞彼此“手拉手”交织出一张庞大复杂的神经网络，让我们拥有了引以为傲的智能。计算机科学家/工程师们以此为灵感，利用概览模型很巧妙的在计算机上实现了对人脑这种结构的模仿，只不过由于计算机是在二进制下工作的，因而其每个神经元节点也更为简单（本质上只是将接受的输入进行了一些简单的加法和乘法运算，而后输出）。下图中关于激活函数（用来实现归一化操作）和概率模型的内容，不感兴趣的小伙伴可放心跳过，如果你想了解更多，可检索这些关键词并关注这篇发表于1957年的论文（https://www.ling.upenn.edu/courses/cogs501/Rosenblatt1958.pdf）。图11生物神经网络和人工神经网络事实上，正如人类大脑是一个混沌系统一样，大模型内部也是一个混沌系统，正如我们无法知道自己大脑里某个特定的神经元细胞存储着什么具体的信息或知识，即使是OpenAI的科学家，也同样也无法解释大模型内的微观细节。这种不确定带来的“不安感”让人有些不爽，但有一点似乎是确定的，那就是学习人类大脑结构的AI，不仅学去了我们身上的诸多优点，也学习了其他的特质，而这些特质，在许多实际应用中表现为了“缺陷”和“不足”。我们不妨带入自身，一起来尝试思考回答以下问题：问题1问题2问题3问题4（这是一句话，遮住了部分文字）问题5问题6我做过大量真实的调查：

其他人在问
推荐学习AI的路径
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。
2024-11-19
完善数字经济的发展路径
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。
2024-11-19
小白学Ai的学习路径
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。
2024-11-11
AI大模型的历史路径
AI 大模型的发展历史路径大致如下： 1. 早期阶段（1950s 1960s）：出现专家系统、博弈论、机器学习初步理论。 2. 知识驱动时期（1970s 1980s）：专家系统、知识表示、自动推理得到发展。 3. 统计学习时期（1990s 2000s）：机器学习算法如决策树、支持向量机、贝叶斯方法等兴起。 4. 深度学习时期（2010s 至今）：深度神经网络、卷积神经网络、循环神经网络等技术不断发展。 自 2022 年 11 月 30 日 ChatGPT 发布以来，AI 大模型在全球范围内掀起了大规模的人工智能浪潮。国内学术和产业界在过去一年也有了实质性突破，大致分为三个阶段： 1. 准备期：ChatGPT 发布后，国内产学研迅速形成大模型共识。 2. 成长期：国内大模型数量和质量开始逐渐增长。 3. 爆发期：各行各业开源闭源大模型层出不穷，形成百模大战的竞争态势。 随着大模型技术的愈发成熟和规模增大，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。当前 AI 前沿技术点包括大模型（如 GPT、PaLM 等）、多模态 AI、自监督学习、小样本学习、可解释 AI、机器人学、量子 AI 以及 AI 芯片和硬件加速等。
2024-11-05
AI 打造个性化学习路径
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。
2024-10-29
人工智能视阈下高校设计学科教学 改革的新路径研究
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。
2024-10-28
现在哪几家的大模型支持通过手机视频多模态实时交流？
以下几家的大模型支持通过手机视频多模态实时交流： 1. PandaGPT：能够理解不同模式的指令并根据指令采取行动，包括文本、图像/视频、音频、热、深度和惯性测量单位。 2. VideoLLaMA：引入了多分支跨模式 PT 框架，使语言模型能够在与人类对话的同时处理给定视频的视觉和音频内容。 3. 视频聊天 GPT：专门为视频对话设计，能够通过集成时空视觉表示来生成有关视频的讨论。 4. NExTGPT：端到端、通用的 anytoany 多模态语言模型，支持图像、视频、音频、文本的自由输入输出。
2024-11-22
siri是不是使用大模型技术
Siri 目前并非使用大模型技术。苹果公司的 Siri 概念虽好，但由于技术限制，其表现未达到人工智能的水平，常被称为“人工智障”。不过，随着技术发展，未来可能会用大模型重新改造 Siri，将手机上的所有功能控制起来，使其成为真正的智能助理。例如，苹果公司在手机算力的芯片发展到能够支撑大模型上手机的情况下，可能会推出大模型的小数据量、专业的版本来替代 Siri。同时，苹果公司若 All in 手机，其大模型可能会是本地化的，以重视个人数据保护和隐私。
2024-11-21
sairi是不是使用大模型技术
Sora 是使用大模型技术的。周鸿祎认为 Open AI 训练这个模型会阅读大量视频，大模型加上 Diffusion 技术需要对世界进一步了解，学习样本以视频和摄像头捕捉到的画面为主。Sora 在训练数据上采用在原始尺寸上进行训练的策略，避免了传统 AI 对人为抽象的依赖。此外，Sora 还采用了一些数据预处理技术，如将视觉图块压缩成低维潜在表示，并将其排列成序列，注入噪声后输入扩散变换器的输入层，同时采用时空分块化来降低后续对时间信息建模的复杂性。这种对原始视频和图像特征的细腻处理标志着生成模型领域的重大进步。
2024-11-21
模型微调怎么解决多轮对话容易受到上轮对话的影响问题
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。
2024-11-21
企业做自己的小模型，需要用到的工具及工具背后的公司都有哪些？
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。
2024-11-20
你认为目前最好用的大模型有哪些？
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。
2024-11-19
如何起步开始学习ai设计
以下是关于如何起步开始学习 AI 设计的一些建议： 1. 阅读相关文章： 如 ，了解市场动态和生成式 AI 商业模式的相关问题。 ，认识到尽早学习的重要性，避免被其他熟练掌握 AI 动力设计技巧的设计师超越。 ，了解设计的当前状态、常见问题及实用技巧。 ，学习最佳实践和利用 UX 策略使 AI/ML 系统更易于解释和透明。 2. 利用工具： 了解星流一站式 AI 设计工具，在入门模式下，熟悉右侧生成器的图片参考部分，如快速参考、风格迁移、Tile 分块、重新上色等功能。 掌握基础模型，包括星流通用大模型及基础模型 F.1、基础模型 XL、基础模型 1.5 等，了解它们在效果和生成速度上的差异。 了解增强模型，可通过收藏、查看例图和选择风格等方式进行使用。
2024-11-22
小白学习AI怎么开始
对于小白学习 AI，可以从以下几个方面开始： 1. 了解 AI 基本概念： 建议阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的定义、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，能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自己的作品。 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。
2024-11-22
我想要学习AI提示词的使用方法
以下是关于 AI 提示词使用方法的详细介绍： 一、什么是提示词 提示词用于描绘您想要的画面。星流通用大模型与基础模型 F.1、基础模型 XL 使用自然语言（如一个长头发的金发女孩），基础模型 1.5 使用单个词组（如女孩、金发、长头发），并且支持中英文输入。启用提示词优化后，能帮您扩展提示词，更生动地描述画面内容。 二、如何写好提示词 1. 预设词组：小白用户可以点击提示词上方官方预设词组进行生图。 2. 提示词内容准确：包含人物主体、风格、场景特点、环境光照、画面构图、画质等，比如：一个女孩抱着小猫，背景是一面红墙，插画风格、孤独感，高质量。 3. 调整负面提示词：点击提示框下方的齿轮按钮，弹出负面提示词框。负面提示词可以帮助 AI 理解我们不想生成的内容，比如：不好的质量、低像素、模糊、水印。 4. 利用“加权重”功能：可在功能框增加提示词，并进行加权重调节，权重数值越大，越优先。还可以对已有的提示词权重进行编辑。 三、辅助功能 1. 翻译功能：一键将提示词翻译成英文。 2. 删除所有提示词：清空提示词框。 3. 会员加速：加速图像生图速度，提升效率。 四、关于 Prompt 的语法规则 1. Prompt 是一段指令，用于指挥 AI 生成您所需要的内容，每个单独的提示词叫 tag（关键词）。 2. 支持的语言为英语（不用担心英语不好的问题，），另外 emoji 也可以用。 3. 语法规则：用英文半角符号逗号,来分隔 tag。注意逗号前后有空格或者换行都不影响效果。改变 tag 权重有两种写法：括号，权重就重 1.1 倍，每加一层括号就反向减弱 1.1 倍。还可以进行 tag 的步数控制。 如果您是新手学习 AI，建议先了解 AI 基本概念，阅读「」中找到适合初学者的课程。选择感兴趣的模块深入学习，掌握提示词技巧，通过实践和尝试巩固知识，体验如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 产品。
2024-11-22
想学习AI编程需要从哪里开始，有什么资源吗
如果您想学习 AI 编程，可以从以下几个方面开始，并参考以下资源： 开始的方向： 1. 明确编程目标：确定您希望通过 AI 编程实现的具体任务或项目。 2. 了解 AI 编程的边界和限制：明白在何种情况下需要编程，何种情况下可以利用现有工具和资源。 学习资源： 1. 掌握 Python 基础： 基本语法：包括变量命名、缩进等规则。 数据类型：如字符串、整数、浮点数、列表、元组、字典等。 控制流：学会使用条件语句（if）、循环语句（for 和 while）控制程序执行流程。 函数：包括定义和调用函数、理解参数和返回值、掌握作用域和命名空间。 模块和包：学会导入模块和使用包来扩展功能。 面向对象编程（OOP）：了解类和对象、属性和方法、继承和多态。 异常处理：理解异常及如何处理程序中的错误。 文件操作：掌握文件读写和文件与路径操作。 2. 在线教程和课程：例如“写给不会代码的你：20 分钟上手 Python + AI”。 3. 项目实践：通过实际项目来巩固所学知识。 开发建议： 1. 对于复杂的项目，如 P2P 传输程序，要充分考虑项目初始化、环境配置、库的选择等。 2. 对于 Rust 环境配置，可通过官网获取安装指南，使用 rustup 工具管理 Rust 版本。使用 cargo new <project_name>创建新的 Rust 项目，生成基本文件结构和 Cargo.toml 文件来管理项目依赖。 在学习过程中，优先寻找线上工具、插件和本地应用，先找现成的开源工具和付费服务，只有在没有现成方案时再考虑自己编程。
2024-11-21
人工智能和机器学习的区别
人工智能和机器学习的区别主要体现在以下几个方面： 1. 范畴：机器学习是人工智能的一个子领域。 2. 学习方式：机器学习通过输入数据训练模型，使计算机在没有明确编程的情况下学习。模型可以是监督的（使用标记的数据从过去的例子中学习并预测未来的值），也可以是无监督的（专注于发现原始数据中的模式）。 3. 复杂程度：深度学习是机器学习的一个子集，使用人工神经网络处理更复杂的模式，可使用标记和未标记的数据进行半监督学习。 4. 应用目的：人工智能是一个更广泛的目标，旨在让机器展现智慧；机器学习则是实现这一目标的一种手段，让机器自动从资料中找到公式。 5. 技术手段：生成式人工智能是人工智能的一个子集，试图学习数据和标签之间的关系以生成新内容；而机器学习主要通过训练模型来实现学习和预测。
2024-11-21
学习AI
以下是为新手和中学生提供的学习 AI 的建议： 新手学习 AI： 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作品。 在知识库提供了很多大家实践后的作品、文章分享。 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，了解其工作原理和交互方式。 中学生学习 AI： 1. 从编程语言入手学习： 从 Python、JavaScript 等编程语言开始，学习编程语法、数据结构、算法等基础知识，为后续的 AI 学习打下基础。 2. 尝试使用 AI 工具和平台： 使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。 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： 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。 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 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。 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。
2024-11-21