AI小白，怎么开始学习AI

要基于一条视频的风格结合自己的需求生成新的 demo 视频，您可以参考以下步骤，更高效地达到想要的效果： 1. 准备内容 先准备一段视频中播放的内容文字，比如产品介绍、课程讲解、游戏攻略等。您也可以利用 AI 来生成这段文字。 2. 制作视频 使用剪映 App 进行简单处理。电脑端打开剪映 App，点击“开始创作”。 选择顶部工具栏中的“文本”，点击默认文本右下角的“+”号，为视频添加一个文字内容的轨道。 在界面右侧将准备好的文字内容替换默认文本内容，这将为数字人提供语音播放的内容以及生成与文字内容相对应的口型。 另外，如果您想用 AI 把小说做成视频，可以按照以下流程： 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。 需要注意的是，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。

以下是一些关于 AI 变现的方式和途径： 1. 电商：婴儿的四维彩超 AI 预测 这是适合普通人作为副业的项目，上手简单。 思路和玩法：孕妇妈妈在孕期 22 26 周会进行四维彩超检查，很多准爸爸妈妈期待宝宝模样，从而衍生出市场需求。在小红书、抖音等公域平台发布相关笔记吸引咨询。 操作流程：客户提供四维彩超图原图，在 Midjourney 里进行垫图+特定描述词，10 分钟内出图。 变现方式：在抖音、快手、视频号、小红书上批量发布相关视频或图文，将客户引到私域接单变现。但要注意平台引流需隐蔽，以免被检测限流或封号。 2. AI 摊主速成脑暴会 会议流程包括开场，探讨 AI 摊主可以卖什么、缺少什么 AI 能力、如何组队、摊主现身说法等问题，并明确讨论规则。 发散思考环节使用思维导图、角色扮演、类比思考等技巧激发更多想法，并记录所有想法。 进行想法分类和整理，去除重复想法，筛选和评估想法的可行性、创新性和实用性，进行可行性评估，制定行动计划，包括责任分配、进度表、资源需求和后续跟进人，最后总结并展示会议成果。 3. 写作：AI 写作变现指南 项目启动：确定目标客户群体，如大学生、职场人士、自媒体从业者等，选择合适的 AI 写作工具。 准备阶段：学习并实践 AI 写作技术，构建团队。 商业模式构建：确定服务内容，如提供论文、报告、文案等直接写作服务，制定质量控制标准。 运营与推广：在淘宝等电商平台开设店铺销售写作服务，建立写作培训社群，通过社交媒体和线下活动进行品牌和社群建设，与其他团队合作开发新项目。 项目优化与发展：持续关注 AI 技术进展，根据市场需求拓展新服务和产品，收集客户反馈优化改进服务。

对于小公司想要部署一个能对运维、运营、客服、美术、策划、程序都有帮助的本地 AI 系统，以下是一些相关信息： 线上和线下本地部署的 AI 特点： 线上部署的优势在于出图速度快，不依赖本地显卡配置，无需下载大型模型，还能参考其他创作者的作品，但出图尺寸受限。线下部署的优势是可添加插件，出图质量高，但使用时电脑可能宕机，配置不高可能爆显存导致出图失败。建议线上用于找参考、测试模型，线下作为主要出图工具。 Ollama： 支持多种大型语言模型，包括通义千问、Llama 2、Mistral 和 Gemma 等，适用于不同场景。 易于使用，适用于 macOS、Windows 和 Linux 系统，支持 CPU 和 GPU。 提供模型库，用户可从中下载不同模型，满足不同需求和硬件条件。 支持自定义模型，可调整参数。 提供 REST API 用于运行和管理模型，以及与其他应用集成。 社区贡献丰富，有多种集成插件和界面。 Google Gemma： 是 Google 发布的家用版小模型，有 2b（20 亿参数）和 7b（70 亿参数）版本。小模型可能不适合复杂任务，但适合提升基础操作效率。部署环境友好，可通过 ollama 方便部署，支持热加载模型文件。2b 反应速度快但互动话题有限，7b 输出质量高但可能卡顿，对非英文语种反馈不稳定。 综合考虑，如果您的公司对出图质量要求较高，且有较好的硬件配置，可以选择线下部署结合线上测试的方式。在语言模型方面，Ollama 具有较多优势，可根据具体需求选择合适的模型进行部署。

对于小游戏公司部署本地 AI 系统以帮助运维、运营、客服、策划和程序等方面，以下是一些建议和相关信息： 目前市面上的 AI 模型各有特点。线上 AI 具有出图速度快、不依赖本地显卡配置、无需下载大型模型以及能参考其他创作者作品等优势，但出图尺寸受限。线下部署的 AI 可以添加插件、出图质量高，但可能导致电脑宕机且对配置要求高。 在游戏领域，AI 大模型带来了诸多变化，如游戏内容辅助生成（包括文、图、3D 和音乐），可应用于游戏策划人和美术设计师。文生图和图生图能提高创作效率，动画辅助渲染可改变角色风格，游戏智能运营涵盖智能 NPC 互动、客服、攻略问答和代码脚本生成等，适用于产品经理、运营经理和社区运营经理。 Google 刚刚发布的家用版小模型 Gemma 有 2b（20 亿参数）和 7b（70 亿参数）版本。相对千亿参数的大模型，这类小模型可能不太适合处理复杂任务，但代表了模型本地化提升基础操作效率的趋势。Ollama 是一个开源的大型语言模型服务，方便部署最新版本的 GPT 模型并通过接口使用，支持热加载模型文件，且像小型的 llama 也支持本地部署。部署时，需进入 ollama.com 下载程序并安装，通过命令提示符进行操作和切换模型。2b 反应速度快但互动话题有限，7b 输出质量高但可能卡顿，且对非英文语种反馈不太稳定。 综合考虑，小游戏公司可以根据自身需求和硬件配置选择合适的 AI 模型。如果对出图质量要求高且有较好的硬件配置，可尝试线下部署；若更注重效率和便捷性，线上模型可能更适合。同时，也可以考虑像 Gemma 这样的小模型进行本地化部署以提升基础操作效率。

对于小游戏公司部署本地 AI 系统以帮助运维、运营、客服、美术、策划、程序等方面，以下是一些建议和目前市面上合适的 AI 模型分析： 线上 AI 平台的优势在于出图速度快，对本地显卡配置要求低，无需下载大型模型，还能参考其他创作者的作品，但出图分辨率有限制。 线下部署的优势是可以添加插件，出图质量高，但使用时电脑可能宕机，配置不高还可能爆显存导致出图失败。 综合考虑，建议充分发挥线上和线下平台的优势。线上可用于找参考、测试模型，线下作为主要出图工具。 在图像生成方面，2022 年主流生成式图像应用如 DALLE 2.0、Stable Diffusion 和 Midjourney 使图像生成精细化程度提升，提示对图像生成结果的控制能力增强。 在 3D 模型生成中，AI 能完成 3D 模型生成流程的“一步到位”，大大提升效率。 在游戏开发中，AI 可用于游戏内容辅助生成（如文、图、3D、音乐）、动画辅助渲染、游戏智能运营（包括智能 NPC 互动、客服、攻略问答、代码和脚本生成）等。 对于小游戏公司，Stable Diffusion 可能是一个较为合适的选择，它在 2D 美术素材辅助生成方面能够提高创作效率、降低成本，并且有多种应用场景，如文生图、图生图等。同时，也可以考虑结合线上平台进行参考和测试。

以下是一些普通人利用 AI 赚钱的方式： 1. 电商：婴儿的四维彩超 AI 预测 思路和玩法：通过 AI 工具将宝宝的四维彩超还原出现实模样进行变现。孕妇妈妈在孕期 22 26 周会进行四维彩超检查，很多准爸爸妈妈期待宝宝模样，从而衍生出市场需求。在小红书、抖音等公域平台发布相关笔记吸引咨询。 操作流程：客户提供四维彩超图原图，在 Midjourney 里进行垫图和特定描述词，整个流程不超 10 分钟出图。 变现方式：在抖音、快手、视频号、小红书上批量发布相关视频或图文，将客户引到私域接单变现。但要注意平台引流需隐蔽，避免被检测限流或封号。 2. AI 产业中的应用层 基础设施层：布局投入确定性强，但资金和资源门槛高，普通人若无强资源应谨慎入局，可考虑“合作生态”切入机会。 技术层：技术迭代快，小规模团队或个人需慎重考虑技术迭代风险，基础通用大模型不建议普通个体和小团队考虑。 应用层：是时代赋予的广阔蓝海，当前针对行业/细分领域的成熟应用产品不多，对于普通个体和小团队有超级机会和巨大发展空间。

对于您这样从事基础建设土木工程行业的 AI 小白，以下是为您制定的一个初步的 AI 学习计划： 一、基础知识学习 1. 在线课程：推荐您在 Coursera、EdX 等平台上搜索关于人工智能基础的课程，了解 AI 的基本概念、发展历程和应用领域。 2. 书籍阅读：可以阅读《人工智能：一种现代方法》《机器学习》等入门书籍，建立对 AI 的理论框架认识。 二、相关软件学习 1. Python 编程语言：这是 AI 开发中常用的语言。您可以通过在线教程（如菜鸟教程、廖雪峰的 Python 教程）学习 Python 的基础语法和数据结构。 2. TensorFlow 和 PyTorch：这是两个主流的深度学习框架。您可以从它们的官方文档入手，学习如何搭建和训练简单的神经网络模型。 三、实践项目 1. 尝试使用 Python 实现一些简单的机器学习算法，如线性回归、决策树等。 2. 参与开源项目或者在 Kaggle 等平台上参加竞赛，积累实践经验。 四、与土木工程行业结合 1. 研究如何将 AI 技术应用于土木工程中的结构分析、材料性能预测等方面。 2. 关注土木工程领域中使用 AI 的最新案例和研究成果。 学习 AI 是一个长期的过程，需要您保持耐心和持续的学习热情。祝您学习顺利！

对于 AI 小白来说，想要通过学习 AI 提升工作领域的效率，可以按照以下步骤进行： 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，您可以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。 通过与这些 AI 产品的对话，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。 此外，AI 工作流是给每个环节找最合适的 AI 工具，不同的 AI 工具配合起来效果更好。虽然当前 AI 可能不够完美，但提前学习 AI 工作流可以提前布局，抢占先机。未来会出现更强大的 AI 工具，熟练掌握 AI 工作流的人能迅速应用新工具提升效率，而未学习的人则会落后。学习 AI 工作流不仅能提升当下工作效率，也能在未来占据有利位置。

对于 AI 小白来说，以下是一些学习 AI 以提高工作领域效率的建议： 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，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，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。 通过与这些 AI 产品的对话，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。 此外，了解 AI 工作流也很重要。AI 工作流就是要给每个环节找最合适的 AI 工具，不同的 AI 工具配合起来，效果比单独用一个工具好得多。虽然当前的 AI 可能不够完美，但提前学习 AI 工作流可以提前布局，抢占先机。未来会出现更强大的 AI 工具，熟练掌握 AI 工作流的人能迅速将其应用到工作中，提升效率。

对于 AI 小白入门 AI，以下是一些建议： 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： 参考「」，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，可根据自身兴趣选择特定模块深入学习。 掌握提示词的技巧，其上手容易且很有用。 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。 在知识库分享实践后的作品和文章。 5. 体验 AI 产品： 与如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其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。 此外，您还可以参考《雪梅 May 的 AI 学习日记》，其中提到： 1. 适合纯 AI 小白，可先看目录，作者从一开始的到处看到走在学习轨道上。 2. 学习模式是输入→模仿→自发创造，如果对费曼学习法没自信，可尝试这种模式。 3. 学习内容因 AI 节奏快可能不适用，可去 waytoAGI 社区发现自己感兴趣的领域，学习最新内容。 4. 学习时间不是每天依次进行，有空时学习即可。 5. 保持好的学习状态，能学多少算多少。 6. 学习资源免费开源。 另外，有人的 AI 之旅开始于 prompt，3.5 刚出来时，写好 prompt 能提高问问题和解决问题的效率，虽然将 prompt 规范、抽象用以让 AI 拟人较难，但参加相关活动和学习也有收获。

对于 AI 新手小白，在本网站学习 AI 知识和技能可以参考以下步骤： 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。 如果希望继续精进，对于不会代码的您，可以尝试了解以下作为基础的内容： 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。 此外，参加 WaytoAGI 有以下好处： 1. 了解最新的 AI 技术：它像一个免费的“技术期刊”，不仅能让您了解最新动态，还能教您各种实用技能，并且开源免费。 2. 线上共学，手把手教您：WaytoAGI 不仅提供知识，还会通过线上共学的方式，手把手教您如何应用 AI 技术。无论您是小白还是有一定基础，都能在这里找到适合自己的学习路径。 3. 找到志同道合的队友：如果您想创业、做副业，或者只是想找一群对 AI 感兴趣的小伙伴一起搞事情，WaytoAGI 是一个很好的平台。在这里，您能找到和您目标一致的合作伙伴。 在 WaytoAGI 的线下活动中，您可能会有以下收获： 1. AI 自动化，牛 X 到炸：只要有个想法，用 DeepSeek 加飞书多维表格，分分钟实现自动化。 2. 找到副业和创业的伙伴：在活动中，您可能会遇到很多对创业和副业感兴趣的人。 3. 遇见高手和大佬面对面：在线下经常会出现各路大佬带着自己遇到的实际操作中具体的一些问题和卡点，去当面请教他们是让自己避免走很多弯路和浪费时间的有效途径。 WaytoAGI 的线下活动不仅让您了解到了最新的 AI 落地应用现状，还结识了一群有趣、有想法的人。更重要的是，它让您意识到：人一定要走出去，多和人碰撞，多去体验真实的生活，才能真正成长。如果您也对 AI 感兴趣，或者想找到一群志同道合的伙伴，来 WaytoAGI 一起玩！

以下是进入知识库的步骤： 1. 地址输入浏览器：http://这里替换为你宝塔左上角的那一串:3000/ 。然后到“文件”菜单中执行，点击文件找到 root，进入 root 文件夹，找到 chatgptonwechat 文件夹，并进入。 2. 点击文件夹上方功能栏中的【终端】（注意，不是左侧一级菜单里的终端，是文件夹上方那一行的终端电脑）。 3. 粘贴“cp configtemplate.json config.json”，点击回车。点击后，关闭此弹窗。 4. 刷新页面。在当前目录下，找到 config.json 文件。双击这个文件，修改画红框的地方。如果是小白，建议直接复制下方的配置。删除文件里的所有代码，复制下边的代码，粘贴到文件里。粘贴后，找到第 4、5 行，把刚才 FastGPT 里拿到 API 和 key，根据要求粘贴到双引号里。修改完之后，点击保存，关闭文件。 在 Bot 内使用知识库： 1. 登录。 2. 在左侧导航栏的工作区区域，选择进入指定团队。 3. 在 Bots 页面，选择指定 Bot 并进入 Bot 详情页。 4. 在 Bot 编排页面的知识库区域，单击加号图标，添加指定的知识库。 5. （可选）添加知识库后，可以在自动调用下拉界面内，调整知识库的配置项，包括最大召回数量、最小匹配度、调用方式等。配置项说明： 最大召回数量：Bot 在调用知识库匹配用户输入内容时，返回的数据片段数量，数值越大返回的内容越多。 最小匹配度：Bot 在调用知识库匹配用户输入内容时，会将达到匹配度要求的数据片段进行召回。如果数据片段未达到最小匹配度，则不会被召回。 调用方式：知识库的调用方式。自动调用：每轮对话将自动从所有关联的知识库中匹配数据并召回。按需调用：需要在人设与回复逻辑中提示 Bot 调用 RecallKnowledge 方法，以约束 Bot 在指定时机从知识库内匹配数据。 6. （可选）在预览与调试区域调试 Bot 能力时，扩展运行完毕的内容可以查看知识库命中并召回的分片内容。 在工作流内使用 Knowledge 节点： 1. 登录。 2. 在左侧导航栏的工作区区域，选择进入指定团队。 3. 在页面顶部进入工作流页面，并打开指定的工作流。 4. 在左侧基础节点列表内，选择添加 Knowledge 节点。 创建知识库并上传文本内容： 1. 登录。 2. 在左侧导航栏的工作区区域，选择进入指定团队。 3. 在页面顶部进入知识库页面，并单击创建知识库。 4. 在弹出的页面配置知识库名称、描述，并单击确认。一个团队内的知识库名称不可重复，必须是唯一的。 5. 在单元页面，单击新增单元。 6. 在弹出的页面选择要上传的数据格式，默认是文本格式，然后选择一种文本内容上传方式完成内容上传。

对于新手学习 AI，以下是一些建议： 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，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，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，欢迎实践后的分享。 5. 体验 AI 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，了解其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。 6. 持续学习和跟进： AI 是快速发展的领域，新的研究成果和技术不断涌现。关注 AI 领域的新闻、博客、论坛和社交媒体，保持对最新发展的了解。 考虑加入 AI 相关的社群和组织，参加研讨会、工作坊和会议，与其他 AI 爱好者和专业人士交流。 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。

以下是为您系统整理的 AI 绘画相关学习资源： 1. 知乎上 Rocky 的系列教程： 深入浅出完整解析 Stable Diffusion XL 核心基础知识： 深入浅出完整解析 Stable Diffusion 中 UNet 核心基础知识： 深入浅出完整解析 LoRA 核心基础知识： 深入浅出完整解析 ControlNet 核心基础知识： 2. 【野菩萨】的课程： 预习周课程：包括 AI 绘画电脑配置要求、高效 AIGC 创意者的数字人工具包、SD 插件安装方法、画静为动的 AIGC 视频制作讲解等。 基础操作课：涵盖 AI 绘画通识课、AI 摄影虚拟的真实、AI 电影 穿越的大门等内容。 核心范式课程：涉及词汇的纸牌屋、核心范式应用、控制随机性等方面。 SD WebUi 体系课程：包括 SD 基础部署、SD 文生图、图生图、局部重绘等。 ChatGPT 体系课程：有 ChatGPT 基础、核心 文风、格式、思维模型等内容。 ComfyUI 与 AI 动画课程：包含部署和基本概念、基础工作流搭建、动画工作流搭建等。 应对 SORA 的视听语言课程：涉及通识 欢迎参加电影的葬礼、影像赏析、基础戏剧影视文学等。 如果您想要免费获得这门课程，可以来参与 video battle。冠军奖励：4980 课程一份；亚军奖励：3980 课程一份；季军奖励：1980 课程一份；入围奖励：598 野神殿门票一张。您可以扫码添加菩萨老师助理，了解更多课程信息。

以下是为中小学生制定学习计划的一些建议： 1. 明确学习目标：确定想要通过 AI 学习达到的具体成果，例如掌握某种编程语言或了解特定的 AI 应用领域。 2. 从基础入手： 学习编程语言，如 Python、JavaScript 等，掌握编程语法、数据结构和算法等基础知识。 了解 AI 的基本概念、发展历程和主要技术，如机器学习、深度学习等。 3. 选择合适的工具和平台： 体验 AI 生成工具，如 ChatGPT、Midjourney 等。 探索面向中小学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 4. 合理安排学习时间： 告知每日需要投入的学习时间。 规划每周用到的学习资源。 5. 增加学习成果评估：根据学生的情况，每周对学习成果进行评估。 6. 参与实践项目：参加学校或社区组织的 AI 相关活动，如编程竞赛、创意设计大赛等，尝试利用 AI 技术解决实际问题。 7. 关注前沿动态：关注 AI 领域的权威媒体和学者，了解最新进展，培养对 AI 的思考和判断能力。 需要注意的是，以上内容由 AI 大模型生成，请仔细甄别。

以下是为新手提供的学习 AI 的入门教程： 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，包括人工智能是什么，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，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作品。 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。 此外，对于不会代码的新手，还有一份 20 分钟上手 Python + AI 的教程： 1. 背景： 在深入学习 AI 时，编程可能会带来困难，各类教程默认会打命令行导致入门难，因此有了这份简明入门。 2. 任务： 完成一个简单程序。 完成一个爬虫应用，抓取公众号文章。 完成一个 AI 应用，为公众号文章生成概述。 3. 关于 Python： Python 像哆拉 A 梦，拥有装满各种道具的标准库，可直接使用。若不够用，可通过 pip 工具从 GitHub 等平台订购新道具，且在 AI 领域被广泛使用。 4. 关于 OpenAI API： OpenAI 通过两种方式提供服务，一是通过 ChatGPT 提供开箱即用的服务，直接对话即可；二是通过 OpenAI API 提供更灵活的服务，通过代码调用完成更多自动化任务。

学习大型语言模型（LLM）的开发是一个系统性的过程，涵盖多个方面的知识和技能，以下是详细的学习路径和相关建议： 1. 深度学习和自然语言处理基础 掌握机器学习、深度学习、神经网络等基础理论。 熟悉自然语言处理基础，如词向量、序列模型、注意力机制等。 相关课程：吴恩达的深度学习课程、斯坦福 cs224n 等。 2. 理解 Transformer 和 BERT 等模型原理 深入了解 Transformer 模型架构及自注意力机制原理。 掌握 BERT 的预训练和微调方法。 研读相关论文，如 Attention is All You Need、BERT 论文等。 3. 学习 LLM 模型训练和微调 进行大规模文本语料预处理。 运用 LLM 预训练框架，如 PyTorch、TensorFlow 等。 对 LLM 模型进行微调以实现特定任务迁移。 相关资源：HuggingFace 课程、论文及开源仓库等。 4. LLM 模型优化和部署 掌握模型压缩、蒸馏、并行等优化技术。 进行模型评估和可解释性研究。 实现模型服务化、在线推理、多语言支持等。 相关资源：ONNX、TVM、BentoML 等开源工具。 5. LLM 工程实践和案例学习 结合行业场景，开展个性化的 LLM 训练。 分析和优化具体 LLM 工程案例。 研究 LLM 新模型、新方法的最新进展。 6. 持续跟踪前沿发展动态 关注顶会最新论文、技术博客等资源。 此外，关于大语言模型介绍，您可以通过以下视频课程学习： 视频课程学习地址：https://youtu.be/zizonToFXDs 宝玉 XP 的翻译版本：https://www.youtube.com/watch?v=zfFA1tb3q8Y Google 的教学视频《Introduction to Large Language Models|大语言模型介绍》，介绍了大型语言模型（Large Language Models，LLMs）的概念、使用场景、提示调整以及 Google 的 Gen AI 开发工具。大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。大型语言模型的三个主要特征是：大型、通用性和预训练微调。“大型”既指训练数据集的巨大规模，也指参数的数量。“通用性”意味着这些模型足够解决常见问题。“预训练和微调”是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的 LLM 开发与传统的 ML 开发的区别。在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。 AI 教父 Hinton 最新万字精彩访谈中提到： 随着模型规模的扩大，其推理能力会得到提升。这种推理能力的提升类似于 AlphaGo 或 AlphaZero 的工作方式，它们通过蒙特卡罗推演来修改评估函数，从而提高推理精度。大型语言模型也应该开始通过推理来训练，而不仅仅是模仿人类的行为。 在多模态学习方面，引入图像、视频和声音等多种模式将极大地改变模型的理解和推理能力，特别是在空间理解方面。多模态模型可以通过更多的数据和更少的语言来进行学习，这将使其在未来占据主导地位。 在语言与认知的关系上，Hinton 提出了三种观点：符号观点、向量观点和嵌入观点。他认为，最合理的模型是将符号转换成大向量，但保留符号的表面结构，这样可以更好地理解和预测下一个符号。 Hinton 回顾了他在 2009 年提出使用 GPU 进行神经网络训练的早期直觉。他发现，使用 GPU 可以将运算速度提高 30 倍，这对于机器学习研究人员来说至关重要。他在 NIPS 会议上公开推荐了 NVIDIA 的 GPU，并向 NVIDIA 请求赞助，最终得到黄仁勋的支持。 Hinton 提出，模拟计算可以在较低的功率下运行大型语言模型，但每个硬件的特性都会有所不同，因此学习过程需要利用硬件的特定属性。然而，这种方法的局限性在于，当一个人去世后，他的大脑中的权重对其他人没有用处。相比之下，数字系统可以通过共享权重来提高效率，因为一旦有了权重，就可以在不同的计算机上复制相同的计算过程。这种方式使得数字系统在知识共享方面远胜于人类。 Hinton 还讨论了神经科学的时间尺度问题，指出在大脑中，权重改变的时间尺度很多，这是我们的神经模型尚未实现的。大脑使用快速权重进行临时记忆，而我们的模型由于需要处理大量不同的情况，所以无法实现这一点。

以下是一些学习 Stable Diffusion（SD）的教程资源：