关于物流在人工智能配送方面的知识

人工智能是一种目标，旨在让机器展现智慧，简称 AI。它包括多种实现方法，如自上而下的方法，即对推理过程进行建模，将其形式化为计算机程序，依赖于知识表示和推理；自下而上的方法，模拟大脑中的神经元，构建人工神经网络，通过举例让其学习解决问题。 机器学习是人工智能的一个子领域，是一种让机器自动从资料中找到公式的手段。机器学习模型分为监督和无监督两种，监督模型使用标记的数据学习并预测未来值，无监督模型则专注于发现原始数据中的模式。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。 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，如自然语言、图像或音频等，其输出不是数字或类别。生成式人工智能模型使用统计模型预测预期响应，并根据训练数据生成新内容，但可能产生幻觉，即无意义或语法错误的单词或短语。 大语言模型是具有大量参数的“深度学习”模型。ChatGPT 是基于大型语言模型的对话机器人，是 AIGC 技术在文本生成领域的一个应用实例。AIGC 是利用人工智能技术生成包括文本、图像、音频和视频等内容的新型生产方式。

以下是中央人民政府网站和工业和信息部网站 2020 2023 年期间发布的部分重要的国家层面与人工智能相关政策文件清单： 1. 互联网信息服务算法推荐管理规定（算法推荐规定），于 2023 年 3 月 1 日生效。 2. 互联网信息服务深度合成管理规定（深度合成规定），于 2023 年 1 月 10 日生效。 3. 生成式人工智能服务管理暂行办法（生成式 AI 办法），于 2023 年 7 月 13 日公布并于 2023 年 8 月 15 日生效。 4. 生成式人工智能服务安全基本要求（征求意见稿），于 2023 年 10 月 11 日公开征求意见，意见反馈截止日期为 2023 年 10 月 25 日。 5. 科技伦理审查办法（试行）（征求意见稿）（伦理审查办法（草案）），于 2023 年 4 月 14 日公开征求意见，意见反馈截止时间为 2023 年 5 月 3 日。 6. 国家人工智能产业综合标准化体系建设指南（征求意见稿），于 2024 年 1 月 17 日公开征集意见，意见反馈截止时间为 2024 年 1 月 31 日。 由于未能获取到 30 份相关政策文件，建议您通过中央人民政府网站和工业和信息部网站的搜索功能，以获取更全面和准确的信息。

以下是为您找到的一些可能针对网站更新内容进行分析的人工智能工具： 1. NotebookLM：可以综合不同材料生成笔记，但存在交互设计不够清晰的问题。 2. Excel 中的 Copilot：能帮助写复杂公式、创建可视化图表及书写 Python 代码完成复杂任务。 3. Loop：可以生成对应内容的表格和其他 Office 软件链接。 4. Stream 中的 Copilot：能够帮助理解视频内容，询问并跳转到对应时间点。 5. Bard：推出了英语版 Bard Extensions，可从 Google 工具中查找并显示相关信息，还能使用“Google it”按钮核实答案，分享聊天时可继续对话并询问。 6. PaLM 2 模型：根据用户反馈应用强化学习技术训练，更加直观和富有想象力。 7. Youtube 的 AI 工具：包括 Dream Screen 可添加背景、YouTube Create 编辑手机视频、AI Insights 获取创意和大纲建议、Aloud 自动配音、创作者音乐中的辅助搜索找到配乐。 8. Dzine：更新了 Insert Character 能力，可快速替换画面角色。 9. 谷歌 IOS 中 Google Lens：在手机 Chrome 浏览器中可更快视觉搜索，还将 AI Overviews 广泛集成到搜索结果中。

要进入人工智能行业，可以从以下几个方面入手： 1. 学习基础知识：了解人工智能的发展历史、基本概念和原理，包括神经网络、机器学习等。 2. 掌握相关技能：例如编程（如 Python）、数学（如线性代数、概率论）等。 3. 深入研究特定领域：如计算机视觉、自然语言处理等，选择自己感兴趣的方向进行钻研。 4. 实践项目：通过实际参与项目，积累经验和提升能力。 5. 持续学习：人工智能领域发展迅速，要不断跟进最新的技术和研究成果。 人工智能作为一个领域始于二十世纪中叶，最初符号推理流行，后因方法局限性出现“人工智能寒冬”。随着计算资源便宜和数据增多，神经网络方法在多个领域展现出色性能，过去十年“人工智能”常被视为“神经网络”的同义词。

目前关于 2024 年中国人工智能+产业规模的相关信息如下： 国家统计局数据显示，2022 年全国研究与试验发展（R&D）经费投入总量首次超过 3 万亿元，达到 30782.9 亿元，比上年增加 2826.6 亿元，增长 10.1%，表明国家对科技创新和算力设施的重视和持续投入。我国算力设施产业链规模巨大，已达到万亿元级别。2022 年我国算力核心产业规模达到 1.8 万亿元，预计到 2023 年，中国算力产业规模将超过 3 万亿元。 在企业数量方面，截至 2024 年 3 月，全国算力存量企业共有 75,343 家。其中，广东省、北京市和江苏省的企业数量位居前三，分别有 10,315 家、7,167 家和 6,728 家。此外，人工智能企业数量也超过 4400 家。 德勤的报告指出，中国 AI 产业快速发展，得益于政策支持、经济增长和技术创新。成长型 AI 企业作为产业创新的重要力量，数量占比高达九成，活跃于各行业领域。预计到 2025 年，中国人工智能核心产业规模将突破 5000 亿元。 在影视行业，若假设 2027 年 AI 影视市场可以获得国内总市场份额的 10%，则国内 AI 影视总市场规模预计将达约 380 亿元以上；若假设 2030 年可以获得 25%以上市场份额，则国内 AI 影视总市场规模将达千亿级别。 营销行业或成生成式 AI 最早实现商业化落地的行业之一，未来，AI 技术还将持续推动营销行业的深刻变革。

AI（人工智能）是一个广泛的概念，旨在让机器模拟人类智能。 机器学习（ML）是AI的一个分支，指计算机通过数据找规律进行学习，包括监督学习（使用有标签的训练数据，学习输入和输出之间的映射关系，如分类和回归）、无监督学习（处理无标签数据，让算法自主发现规律，如聚类）和强化学习（从反馈中学习，以最大化奖励或最小化损失，类似训练小狗）。 深度学习（DL）是一种机器学习方法，参照人脑构建神经网络和神经元，由于网络层数较多被称为“深度”。神经网络可用于监督学习、无监督学习和强化学习。 生成式 AI（AIGC）能够生成文本、图片、音频、视频等内容形式。 它们之间的联系在于：深度学习是机器学习的一种重要方法，机器学习又是实现人工智能的重要途径，而生成式 AI 是人工智能的一个应用领域。例如，生成式 AI 中的一些技术可能基于深度学习和机器学习的算法。2017 年 6 月，谷歌团队发表的论文《Attention is All You Need》首次提出了 Transformer 模型，它基于自注意力机制处理序列数据，不依赖于循环神经网络或卷积神经网络，对相关技术的发展具有重要意义。大语言模型（LLM）如谷歌的 BERT 模型，可用于语义理解（如上下文理解、情感分析、文本分类），但不擅长文本生成，对于生成式 AI，生成图像的扩散模型不属于大语言模型。

以下是为物流公司信息系统管理员推荐的大模型入门经验： 一、什么是大模型 通俗来讲，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，能够理解自然语言，并进行文本生成、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和使用过程： 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：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，正式干活，比如进行翻译、问答等，在大模型里称之为推导（infer）。 在大模型中，Token 被视为模型处理和生成的文本单位，可以代表单个字符、单词、子单词，甚至更大的语言单位，具体取决于所使用的分词方法（Tokenization）。Token 是原始文本数据与大模型可以使用的数字表示之间的桥梁。在将输入进行分词时，会对其进行数字化，形成一个词汇表。 二、数字化与 Embedding 数字化便于计算机处理，但为了让计算机理解 Token 之间的联系，还需要把 Token 表示成稠密矩阵向量，这个过程称之为 embedding。常见的算法有： 1. 基于统计： Word2Vec，通过上下文统计信息学习词向量。 GloVe，基于词共现统计信息学习词向量。 2. 基于深度网络： CNN，使用卷积网络获得图像或文本向量。 RNN/LSTM，利用序列模型获得文本向量。 3. 基于神经网络： BERT，基于 Transformer 和掩码语言建模（Masked LM）进行词向量预训练。 Doc2Vec，使用神经网络获得文本序列的向量。 以 Transform 为代表的大模型采用自注意力（Selfattention）机制来学习不同 token 之间的依赖关系，生成高质量 embedding。 大模型的“大”，指的是用于表达 token 之间关系的参数多，主要是指模型中的权重（weight）与偏置（bias），例如 GPT3 拥有 1750 亿参数，其中权重数量达到了这一量级，而词汇表 token 数只有 5 万左右。 参考：

AI 在集装箱物流行业有以下应用方式： 1. 物流路线优化：利用 AI 分析各种数据，如货物数量、目的地、运输条件等，优化物流路线，降低运输成本。 2. 配送计划制定：通过 AI 制定更合理的配送计划，提高配送效率和准确性。 3. 集装箱管理：借助数据分析和机器学习技术，优化集装箱的分配和使用，提高利用率。 4. 预测需求：利用 AI 预测货物的需求，提前做好准备，减少库存和延误。 5. 风险评估：分析潜在的风险因素，如天气变化、交通拥堵等，提前制定应对策略。 例如，像丰巢快递柜管理系统利用 AI 和物联网技术管理柜子的使用情况，提高快递配送效率。未来，AI 在集装箱物流行业的应用还将不断拓展和深化。

在物流方面，以下几种 AI 应用较为有益： 1. 路线优化：AI 可用于优化物流路线，降低运输成本。 2. 配送计划优化：帮助制定更高效的配送计划。 3. 无人机送货：利用 AI 实现无人机送货，将货物快速送达偏远地区。 需要注意的是，以上内容由 AI 大模型生成，请仔细甄别。

目前在电商行业供应链物流领域，一些大模型的应用还处于不断发展和探索的阶段。 阿里巴巴：可能利用其强大的技术能力和数据优势，通过大模型优化物流路径规划、库存管理和订单预测等方面，提高物流效率和降低成本。 淘宝：或许借助大模型来分析消费者的购买行为和偏好，从而更精准地进行商品推荐，并优化物流配送的调度。 抖音：可能运用大模型对用户的兴趣和行为进行深度挖掘，以实现更高效的商品匹配和物流配送安排。 京东：有可能利用大模型改进仓储管理、物流配送的智能调度，以及预测商品的需求和销售趋势。 但需要注意的是，具体的应用情况和效果会受到多种因素的影响，包括数据质量、算法优化、业务场景的复杂性等。

AI技术在供应链管理中的应用可以大大提高采购计划、库存预测和物流优化的效率。以下是如何利用AI根据历史数据和市场变化自动生成这些内容的详细步骤： 1. 数据收集和预处理 首先，需要收集大量的历史数据和实时市场数据。这些数据可以来自企业内部系统（如ERP、WMS）和外部数据源（如市场情报、经济指标）。 数据类型： 历史销售数据：包括销售数量、时间、地点等。 库存数据：当前库存水平、历史库存变化、仓储信息。 采购数据：采购订单、供应商信息、采购周期等。 市场数据：市场需求预测、经济指标、季节性变化等。 数据预处理： 数据清洗：处理缺失值、异常值和重复数据。 数据整合：将来自不同来源的数据整合成统一格式。 特征工程：提取关键特征，如时间序列特征、季节性特征等。 2. 采购计划自动生成 利用AI模型分析历史采购和销售数据，结合市场变化，生成优化的采购计划。 方法： 时间序列分析：使用ARIMA、Prophet等模型预测未来的需求量。 机器学习算法：如随机森林、XGBoost，通过学习历史数据中的模式来预测需求。 深度学习：如LSTM、GRU，适合处理复杂的时间序列数据。 具体步骤： 1. 需求预测：预测未来一段时间内的产品需求量。 2. 供应商选择和评估：根据历史绩效和市场条件，选择最佳供应商。 3. 采购量确定：结合库存水平、需求预测和供应商能力，确定每个产品的采购量。 4. 优化采购时间：利用AI优化采购时间，以最低成本满足需求。 3. 库存预测 利用AI技术进行库存预测，确保在最低库存水平下满足需求，减少库存持有成本和缺货风险。 方法： 库存优化模型：如Economic Order Quantity 。 库存水平预测：基于历史数据和需求预测，计算安全库存和再订货点。 机器学习算法：如支持向量机（SVM）、KNN，通过学习历史库存变化和需求波动，预测未来库存需求。 具体步骤： 1. 需求预测：预测未来的产品需求。 2. 库存水平计算：根据需求预测、订单交付时间、当前库存水平，计算安全库存和再订货点。 3. 库存补货策略：制定补货策略，确定何时和多少补货。 4. 物流优化 AI技术可以优化物流路径、运输方式和仓储布局，降低物流成本，提高运输效率。 方法： 路线优化：利用优化算法（如遗传算法、蚁群算法）优化运输路线，减少运输成本和时间。 运输方式选择：根据货物类型、运输距离、成本等因素，选择最佳的运输方式（如海运、空运、陆运）。 仓储布局优化：利用AI优化仓库布局，提高仓储效率和利用率。 具体步骤： 1. 运输需求分析：分析需求预测和库存计划，确定运输需求。 2. 路线规划：利用优化算法规划最佳运输路线。 3. 运输方式选择：根据成本和时间要求，选择合适的运输方式。 4. 仓储优化：利用AI优化仓库布局和操作，提高仓储效率。 案例示例：使用AI进行供应链优化 以下是一个使用AI进行供应链优化的具体示例： 需求预测： 1. 收集过去两年的销售数据和市场数据。 2. 使用LSTM模型对未来6个月的需求进行预测。 3. 将预测结果与当前库存水平进行比较，确定需要补货的产品和数量。 采购计划： 1. 根据需求预测结果，使用EOQ模型计算每个产品的最优采购量。 2. 结合供应商历史绩效数据，选择最佳供应商并确定采购时间。 库存管理： 1. 使用支持向量机（SVM）模型预测未来的库存水平。 2. 根据预测结果调整安全库存和再订货点，制定补货计划。 物流优化： 1. 利用蚁群算法优化运输路线，降低运输成本。 2. 根据货物类型和运输距离选择最佳运输方式。 3. 利用AI优化仓库布局，提高货物存取效率。 总结 通过利用AI技术，企业可以实现自动化和智能化的采购计划、库存预测和物流优化。这不仅可以提高供应链管理的效率，还能降低成本，减少库存风险，提升客户满意度。为了实施这些AI技术，企业需要投入时间和资源进行数据收集、模型开发和系统集成，同时需要培养数据分析和AI技术的人才。

以下是关于如何学习 AI 相关知识的建议： 一、了解 AI 基本概念 首先，建议阅读「」部分，熟悉 AI 的术语和基础概念。了解什么是人工智能，它的主要分支（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。浏览入门文章，这些文章通常会介绍 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 在「」中，您将找到一系列为初学者设计的课程。这些课程将引导您了解生成式 AI 等基础知识，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，您可以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。建议您一定要掌握提示词的技巧，它上手容易且很有用。 四、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。 五、体验 AI 产品 与现有的 AI 产品进行互动是学习 AI 的另一种有效方式。尝试使用如 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。通过与这些 AI 产品的对话，您可以获得对 AI 在实际应用中表现的第一手体验，并激发您对 AI 潜力的认识。 六、对于不会代码的情况 如果希望继续精进，对于 AI，可以尝试了解以下内容作为基础： 1. AI 背景知识： 基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 2. 数学基础： 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 3. 算法和模型： 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 4. 评估和调优： 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 5. 神经网络基础： 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 七、中学生学习 AI 的建议 1. 从编程语言入手学习：可以从 Python、JavaScript 等编程语言开始学习，这些是 AI 和机器学习的基础。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：可以使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。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。 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：可以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。 总之，中学生可以从编程基础、工具体验、知识学习、实践项目等多个方面入手，全面系统地学习 AI 知识和技能，为未来的 AI 发展做好准备。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

以下是一些可以帮助您将知识点形成思维导图的 AI 工具和方法： 1. 6 月 11 日 AI 秒学团队的方法： 思维导图模块的应用缘由：从新闻到旧闻，拒绝缪闻，追本溯源；由点及面，广度与深度兼顾，培养小朋友的探究意识与能力；凝练提升，形成强大的知识网络，助力小朋友研究性思维、统合型能力的培养。 具体操作：通过新闻涉及的主题词/关键词，或是小朋友对新闻中的感兴趣点，提取背后的知识点；调用“generateTreeMind”插件，创建一个思维导图，清晰展示知识点的起源、发展和相互关系，凝练知识网络；通过“快捷指令”提醒小朋友，可以使用此功能。 初步尝试放在聊天机器人的工作流里，存在调用比较慢且不能顾到全局的问题。后期调整为直接调用插件+提示词直接 cue 到，Precess on 与树状图相比，后者可以直接出图，点击后可以直达网站，进行二次修改。 实操展示包括新闻激发、提炼关键词/主题词/兴趣点，并发出指令“思维导图”。 2. kimi： kimi 是月之暗面公司推出的类似 ChatGPT 的大模型聊天机器人，支持超长的上下文，能输入长达 20 万字。 可以让 kimi 梳理全书，但目前 kimi 还不能直接生成思维导图，需要借助 MarkMap 来得到这本书内容的思维导图。 对于具体的章节或者知识点，可以让 kimi 展开讲解。 3. 危柯宇的方法： 日常活动文案输出（读书社活动，AI 复核型玩法“高阶”，依托传音智库+飞书妙记+在线思维导图 Markmap）。 方法一：一键知识图谱。用 kimi chat 让 AI 拆解这本书的三级章节并按照 markdown 产出内容，然后复制 AI 内容粘贴到在线思维导图 Markmap 中，一键生成思维导图，还可以自定义微调内容，并免费导出图片。 方法二：推导知识图谱（可以参考下面 prompt 自己构建）。

要提升 AIGC 智能体技能，需要掌握以下知识： 1. 对 AI 及提示词工程有清晰的理解。 2. 掌握 Python 语言，以便能搓更多智能体。 3. 了解向量数据库，如 Milvus 等。 4. 熟悉 Web 框架，如 FastAPI 框架，掌握流传输、负载限流等相关技术，实现与前端或业务后端的接口对接。 5. 学会提出具体且有详细背景信息的问题，以从 ChatGPT 等模型获得更精准的答案。 6. 不断积累行业领域知识，达到能较好操纵 AI 完成复杂任务的程度。

以下是一些可以帮忙总结课程视频知识点的工具： 1. 剪映：只需提供文案，能够自动配图配音，帮助优化线上课程，为微课总结内容和知识点。 2. BibiGPT：支持小红书、B 站等网站视频的归纳总结，还可以提问互动，答案会附上对应的视频节点，是融合课程备课的好助手，网址为 https://bibigpt.co/ 。 3. 飞书妙记：可以先从视频网站上提取出视频的音频部分，利用其免费语音转文字功能将音频转换成文本，下载文本后上传至其他工具进行总结。 此外，可汗学院出品的 AI Tutor Khanmigo 也具有一定的辅助作用，它可以为学生总结视频内容，并以苏格拉底式教学法引导学生思考和学习。

以下是 WaytoAGI 知识库的信息目录： 1. 通往 AGI 之路知识库使用指南 智能纪要 总结 关于 AI 知识库使用及 AIPO 活动的介绍 AIPO 线下活动及 AI 相关探讨 way to AGI 社区活动与知识库介绍 关于 AI 知识库及学习路径的介绍 时代杂志评选的领军人物 AI 相关名词解释 知识库的信息来源 社区共创项目 学习路径 经典必读文章 初学者入门推荐 历史脉络类资料 2. 介绍说明 AJ，产品经理，「通往 AGI 之路」WaytoAGI 开源知识库的创建者 项目的起源和社群开发的初衷 社区介绍 WaytoAGI 是一个致力于人工智能学习的中文知识库和社区平台，为学习者提供系统全面的 AI 学习路径，覆盖从基础概念到实际应用的各个方面。 全球领先的 AI 开源社区，最新最全面的 AI 资源，丰富多样的技术活动，100+进行中的活动，4000+学习资源，1500000+社区成员。 知识库与社区平台：汇集了上千个人工智能网站和工具，提供最新的 AI 工具、AI 应用、AI 智能体和行业资讯。 学习资源：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。 实践活动：社区定期组织活动，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。 开放共享：引领并推广开放共享的知识体系，倡导共学共创等形式，孵化了 AI 春晚、离谱村等大型共创项目。 用户基础：在没有任何推广的情况下，一年时间已有超过 100 万用户和超千万次的访问量。 目标与愿景：让每个人的学习过程少走弯路，让更多的人因 AI 而强大。 目前合作过的公司/产品：阿里云，通义千问，淘宝，智谱，支付宝，豆包，火山引擎，marscode，coze，堆友，即梦，可灵，MiniMax 海螺 AI，阶跃星辰，百度，Kimi，吐司，liblib，华硕，美团，美的，360，伊利，魔搭，央视频，Civitai，Openart，Tripo3D，青椒云等 3. 「用 AI 一起搞钱搞事搞脑子他们在线下密谋」 WaytoAGI 是啥？ 是一个专门讲人工智能的“百科全书”，从基础到高级，还有实用的 AI 工具推荐、案例分享、行业最新动态，用飞书文档整理得清楚。 对我有啥用？ 对 AI 一窍不通，从零开始教。 懂点 AI，提供实用工具和案例。 怕错过 AI 最新动态，帮你整理资讯。 想用 AI 赚钱或创业，告诉你相关工具和方法。 不想浪费时间找资源，帮你筛选推荐。

以下是关于 DeepSeek 的相关文档和内容： 章节： 知识点： 申请： 接入： 此外，还有以下相关内容： 【今晚 8 点】聊聊你怎么使用 DeepSeek！2025 年 2 月 6 日的智能纪要，包括关于 DP 模型的使用分享、音系学和与大模型互动的分享、DeepSeek 的介绍与活动预告等。 DP 模型的功能、使用优势、存在问题、审核方法、使用建议、使用场景和案例展示。 音系学研究、大模型取队名。 DeepSeek 文档分享、使用介绍、未来活动预告。