我刚解除ai，从哪里开始学习

以下是为您提供的进阶学习 OpenAI 的建议： 1. 系统学习 API 相关知识：深入了解 API 的工作原理、接口规范、数据传输等方面的内容。 2. 实践练习：在网上寻找可用的 API 进行实际操作和练习。 3. 挖掘 GPT Action 的更多潜力：探索其更多的功能和应用场景。 4. 构建知识体系：通过不同的教程和资料，识别知识之间的共性和逻辑关系，深化对主题的理解。 5. 了解 OpenAI 的模型数据和训练：例如 GPT4.5 是通过扩展无监督学习和思维链推理等范式来提升 AI 能力，以及新的对齐技术如何促进更好的人机协作等。 6. 参考相关资料：查看官方 cookbook、万字长文回顾等历史脉络内容，以及入门经典必读和面向开发者的文章。 7. 从国内模型工具入手：先熟悉国内免费的模型工具，例如从提示词开始学习。掌握结构化提示词的优势，学会清晰地与模型对话。

以下是在飞书学习群中可以找到的 ComfyUI 分层次（基础进阶）的学习案例： 基础课程：陈旭常用节点讲解和简单的节点制作、长风归庭基础教程+工作流创建、王蓉🍀 🎈 Wang Easy 基础搭建和转绘、唯有葵花向日晴基础教程，工作流开发，实际应用场景、苏小蕊基础教程、Sophy 基础课程、啊乐福基础课程、塵优秀案例、风信基础课程➕平面设计应用场景、北南基础课程、Damon 基础课程、雪娴_CC 基础课程（从安装开始）、Joey 实时转绘工作流、三思基础教程、晓珍、戴志伟基础课程、Moana 基础教程、Jl 基础教程、kk 基础教程、samuel 基础 进阶课程：ヘヘ阿甘采样器原理与优化、热辣 HuolarrAI 系统课私聊图生视频、咖菲猫咪基础教程/工作流搭建思路/各版本模型使用的优缺点、傅小瑶 Lucky 如何制作多人转绘视频、云尚工作流节点搭建思路、FǎFá 热门节点功能，搭建、森林小羊基本报错解决方式及基础工作流逻辑分析、蜂老六装一百个最新常用插件后如何快速解决冲突问题、阿苏工作流框架设计、aflyrt comfyui 节点设计与开发、老宋&SD 深度解释虚拟环境部署和缺失模型的安装、Liguo 模型训练、郑个小目标针对于某个插件的深入讲解、波风若川报错解决、皮皮 Peter 工作流的设计规划和调优逻辑、Jāy Līn 锦鲤工作流搭建逻辑和原理、K 如何本地部署基础生图参数选择工作流的基本应用、Adai 基础课程、镜生视频、梦飞基础教程、🙋🙋🙋各个节点讲解和参数含义、Mr.大狐🏝报错解决、Duo 多吉～基础课程、渔舟基础课程+工作流搭建思路、乔木船长工作流、☘️基础教程、☘基础教程、工作流设计+典型案例剖析、麒白掌工作流搭建、OutSider 风格迁移、吴鹏基础+工作流搭建、拾光工作流基础搭建从入门到精通、茶浅浅。视频转绘/节点工作流介绍、百废待.新（早睡版）工作流从入门到进阶、电商应用场景、小马哥人物一致性分镜画面生成、C 张工作流搭建+电商落地应用、uui 视频风格迁移、你头发炸了基础教程搭建思路、阿头实战案例分享

对于新手学习 AI 并熟练使用相关工具，建议按以下步骤进行： 1. 掌握提示词技巧：提示词上手容易且很有用。 2. 实践和尝试： 理论学习后通过实践巩固知识，尝试使用各种产品制作作品。 参考飞书知识库中大家实践后的作品和文章分享，并积极分享自己的实践成果。 3. 体验 AI 产品： 与 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，获取实际应用中的第一手体验。 4. 持续学习和跟进： 关注 AI 领域的新闻、博客、论坛和社交媒体，了解最新发展。 加入 AI 相关社群和组织，参加研讨会、工作坊和会议，与其他爱好者和专业人士交流。 如果希望继续精进，还可以学习以下内容： 1. Python 相关： 属性和方法：学习为类定义属性和方法，并通过对象调用。 继承和多态：了解类之间的继承关系及实现多态。 异常处理：理解异常，学习使用 try 和 except 语句处理错误。 文件操作：学习文件读写、文件与路径操作。 2. AI 背景知识： 基础理论：了解人工智能、机器学习、深度学习的定义及关系。 历史发展：回顾 AI 的发展历程和重要里程碑。 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、矩阵等基本概念。 概率论：掌握基础的概率论知识，如条件概率、贝叶斯定理。 算法和模型： 监督学习：了解线性回归、决策树、支持向量机（SVM）等常用算法。 无监督学习：熟悉聚类、降维等算法。 另外，学习 AI 还可以： 1. 了解 AI 基本概念： 阅读「」，熟悉 AI 术语和基础概念，包括主要分支及它们之间的联系。 浏览入门文章，了解 AI 历史、应用和发展趋势。 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）按自己节奏学习，并争取获得证书。 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钻研。 学习 AI 是一个长期过程，需要耐心和持续努力，不要害怕犯错，每个挑战都是成长机会，随着时间推移，您将逐渐建立起自己的 AI 知识体系并取得成就。

以下是关于 AI 最新进展和应用的介绍： 医疗领域： ChatGPT 和 Google Bard 等技术极大加速了医疗健康生物制药的研究。AI 在抗癌、抗衰老、早期疾病防治等方面发挥着重要作用。 提前三年诊断胰腺癌。 两名高中生与医疗技术公司合作发现与胶质母细胞瘤相关的新靶基因。 帮助抗衰老，筛查超过 80 万种化合物发现高效药物候选物。 用于寻找阿尔兹海默症的治疗方法。 帮助早期诊断帕金森。 法律法规方面： AI 在许多领域已经取得重大进展和效率提升，如交通监控、银行账户欺诈检测、工业大规模安全关键实践等。 AI 具有巨大的潜力来改变社会和经济，可能产生与电力或互联网相当的影响。 大型语言模型等技术进步带来了变革性的发展机会。 基础通识课方面： 流式训练方式提升了训练速度和质量，基于 Transformer 模型进行流匹配优于扩大模型。 有多种 AI 生成工具，如能创作音乐的 so no 音频生成工具、创建个人 AI 智能体的豆包、生成播客的 Notebook LN。 端侧大模型能部署在手机端等设备，通过压缩解决存储和性能问题。 AI 工程平台对模型和应用有要求，如 define 平台，coach 平台有新版本模板和众多插件工具，还有工作流。 有魔搭社区等为大模型提供服务的平台。 预告了 AI 建站，需安装基础软件帮助文科生和无基础人员建站。

AI 可以解决以下几类问题： 1. 教育培训方面： 可以作为数字教师，如让牛顿亲自授课《牛顿运动定律》，让白居易为您讲述《长恨歌》背后的故事。 能够与学生进行对话交流，知识的获取不再受时空限制。 提供定制化的学习计划和学习资源，实现因材施教，提高学习效率和成果。 作为数字陪伴，促进儿童成长，提高学习成绩。 2. 科学研究方面： 在不追踪整个可能性图的情况下，尝试找到为不同的可能状态或结果分配分数的方法，并仅追求分数最高的路径。 在自动定理证明中，“从初始命题向下”和“从最终定理向上”工作，试图找出路径在中间的交汇处。 训练语言模型人工智能来生成代表路径的标记序列或证明。 此外，AI 还在不断发展和拓展其应用领域，为人们的生活和工作带来更多的便利和创新。

学习 AI 算法可以从以下几个方面入手： 1. 神经网络和深度学习方面： 了解麦卡洛克皮兹模型，感知机的学习机制，如罗森布拉特受唐纳德·赫布基础性工作的启发想出的让人工神经元学习的办法，包括赫布法则。 熟悉感知机学习算法的具体步骤，如从随机权重和训练集开始，根据输出值与实例的差异调整权重，直到不再出错。 2. Python 与 AI 基础方面： 掌握 AI 背景知识，包括人工智能、机器学习、深度学习的定义及其关系，以及 AI 的发展历程和重要里程碑。 巩固数学基础，如统计学基础（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）。 学习算法和模型，包括监督学习（如线性回归、决策树、支持向量机）、无监督学习（如聚类、降维）、强化学习的基本概念。 了解模型的评估和调优方法，如性能评估（包括交叉验证、精确度、召回率等）、模型调优（如使用网格搜索等技术优化模型参数）。 熟悉神经网络基础，如网络结构（包括前馈网络、卷积神经网络、循环神经网络）、激活函数（如 ReLU、Sigmoid、Tanh）。 3. 强化学习方面： 了解在人工智能发展中，利用新算法解决挑战性问题的思路，如在某些领域找到适合的模拟任务环境进行训练和学习，不依赖人类专家先验。 以 AlphaZero 为例，理解其模型公式，包括定义神经网络、网络权重、棋盘状态表示、网络输出等。

以下是一些知名的 AI 模型广场： 1. Liblibai 模型广场： 首页展示了其他用户炼成的模型，收藏和运行数较多的模型在首页前排。 包含 Checkpoint（生图必需的基础模型）、lora（低阶自适应模型）、VAE（编码器）、CLIP 跳过层、Prompt 提示词、负向提示词 Negative Prompt 等多种模型和元素。 采样方法决定了让 AI 用何种算法生图。 2. 阿里云百炼模型广场： 涵盖文本生成、视觉理解、音频理解、语音合成、语音识别、图像生成和 Embedding 等多种技术的丰富 AI 模型。 语音识别模型可将音视频中的人类声音转换为文本，适用于会议记录、客户服务、媒体制作、市场研究及多样化的实时交互场景，如会议、课堂录音记录、客服电话分析、字幕生成、市场研究与数据分析等。切换到实时语音模型后，可用于会议、直播、客服、游戏、社交聊天、人机交互等场景。

以下是关于动画音效 AI 用于生成视频中特殊音效（如呼吸声、爆炸声、脚步声等）的相关信息： 1. 11Labs AI 音效：可以在一段提示语中放入不同画面的描述音效来生成一整个视频音效，但目前可用性有待提高，一次生成可能有 2 3 条不能用。实际操作中，分开画面来做音效合成更方便调整。例如 20s 视频可分为 5 个不同的音效合成，如城市背景噪音、无声的脚步声、电子嗡嗡声、心跳加速、警笛声等。 2. 游戏中的生成式 AI 革命：音效是 AI 的一个具有吸引力的开放领域。已有学术论文探讨在电影中生成“现场效果音”（如脚步声）的想法，但在游戏中的商业产品尚属稀少。游戏中传统的音效生成和管理繁琐且重复不真实，使用实时的生成性 AI 模型来制作现场效果音可以在飞行中生成适当音效，每次略有不同，并能根据游戏参数响应。 3. 喂饭级教程：在视频制作中，音效库可以通过搜索框输入关键词（如开门声）来选择合适的音效试听并添加到音轨。

在本科生论文写作中，以下是一些常用的 AI 指令和相关工具： 1. 内容生成和辅助写作： 指令示例：“根据以下关于我的信息，写一篇四段的大学申请论文：我来自西班牙巴塞罗那。尽管我的童年经历了一些创伤性事件，比如我 6 岁时父亲去世，但我仍然认为我有一个相当快乐的童年。在我的童年时期，我经常换学校，从公立学校到非常宗教的私立学校。我做过的最‘异国情调’的事情之一是在爱达荷州的双子瀑布与我的大家庭一起度过六年级。我很早就开始工作了。我的第一份工作是 13 岁时的英语老师。在那之后，以及在我的学习过程中，我做过老师、服务员，甚至建筑工人。” 工具：Grammarly ，通过 AI 技术提供文本校对、语法修正和写作风格建议，帮助提高论文的语言质量；Quillbot ，一个基于 AI 的重写和摘要工具，可以帮助研究人员精简和优化论文内容。 2. 文献管理和搜索： 工具：Zotero ，结合 AI 技术，可以自动提取文献信息，帮助研究人员管理和整理参考文献；Semantic Scholar ，一个由 AI 驱动的学术搜索引擎，能够提供相关的文献推荐和引用分析。 3. 研究和数据分析： 工具：Google Colab ，提供基于云的 Jupyter 笔记本环境，支持 AI 和机器学习研究，便于进行数据分析和可视化；Knitro ，一个用于数学建模和优化的软件，可以帮助研究人员进行复杂的数据分析和模型构建。 4. 论文结构和格式： 工具：LaTeX ，虽然不是纯粹的 AI 工具，但结合了自动化和模板，可以高效地处理论文格式和数学公式；Overleaf ，一个在线 LaTeX 编辑器，提供丰富的模板库和协作功能，简化论文编写过程。 5. 研究伦理和抄袭检测： 工具：Turnitin ，一个广泛使用的抄袭检测工具，帮助确保论文的原创性；Crossref Similarity Check ，通过与已发表作品的比较，检测潜在的抄袭问题。 需要注意的是，使用这些 AI 工具时，要结合自己的写作风格和需求，选择最合适的辅助工具，同时要确保使用方式符合学术道德和规范。

对于法学本科生且人工智能小白的您，想要达到可以参加人工智能开发的地步，可以从以下角度深入学习人工智能： 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，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，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。 如果希望继续精进，对于 AI，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，由于库和框架的支持不断增加，机器学习开始变得越来越流行。但要实现落地 AI 行业，我们必须了解这些代码背后的逻辑。一旦取消了现有框架的支持，了解这些框架背后的数学细节，编写这些算法中包含的复杂模式就会显得非常重要。至少需要了解概率、统计、线性代数、微积分和图论方面的知识。有了具体的数学知识，我们就可以充分利用机器学习的潜力，比如： 1. 凭借算法背后的内联数学知识，为数据集选择最佳算法。 2. 利用正则化器背后的数学知识帮助解决模型过拟合或高方差问题。 3. 利用图论的知识来分析数据特征之间更复杂的关系。 4. 利用优化器背后的数学知识来设计适当的成本函数。 机器学习需要的数学知识水平相对比较主观，取决于每个人的具体需求。比如正在进行机器学习的底层研究，可能需要具有深厚的数学知识，因为研究要求彻底深入。但对单纯的应用者来说，可能不需要任何高等数学的相关知识，掌握 prompt 的基础框架就可以很好的应用。

以下是关于 AI 写作方面的知识： 1. 陈财猫的观点： AI+内容创作是现阶段最好的赛道，具有完美的产品模型匹配和产品市场匹配，且天花板高。 AI 写作的实践成果包括营销和小说、短剧创作，开发了智能营销矩阵平台，参与喜马拉雅短故事和短剧写作课程，捣鼓出小财鼠程序版 agent。 好文字能引起人的生理共鸣与情绪，AI 因预训练数据量大能学会引发共鸣，从而写出好文字。 用 AI 写出好文字的方法包括选好模型，评估模型的文风和语言能力等；克服平庸，平衡“控制”与“松绑”；显式归纳想要的文本特征，通过 prompt 中的描述与词语映射到预训练数据中的特定类型文本，往 prompt 里塞例子。 对 AI 创作的看法是 AI 创作的内容有灵魂，只要读者有灵魂，文本就有灵魂；有人讨厌 AI 是因其未改变多数人生活，或自身是受害者。作者期望 AI 能力进一步提升，改变每个人的生活。 2. 利用 AI 写课题的步骤和建议： 确定课题主题，明确研究兴趣和目标，选择具有研究价值和创新性的主题。 收集背景资料，使用 AI 工具如学术搜索引擎和文献管理软件来搜集相关研究文献和资料。 分析和总结信息，利用 AI 文本分析工具提取关键信息和主要观点。 生成大纲，使用 AI 写作助手生成包括引言、文献综述、方法论、结果和讨论等部分的大纲。 撰写文献综述，利用 AI 工具确保内容的准确性和完整性。 构建方法论，根据研究需求利用 AI 建议的方法和技术设计研究方法。 数据分析，如果课题涉及数据收集和分析，使用 AI 数据分析工具处理和解释数据。 撰写和编辑，利用 AI 写作工具撰写课题各部分，并进行语法和风格检查。 生成参考文献，使用 AI 文献管理工具生成正确的参考文献格式。 审阅和修改，利用 AI 审阅工具检查课题的逻辑性和一致性，并根据反馈修改。 提交前的检查，使用 AI 抄袭检测工具确保课题的原创性，并进行最后的格式调整。需要注意的是，AI 工具只是辅助，不能完全替代研究者的专业判断和创造性思维，应保持批判性思维，并确保研究的质量和学术诚信。 3. 吴恩达关于生成式 AI 的观点： 生成式 AI 由监督学习技术搭建，2010 2020 年是大规模监督学习的十年，为现代人工智能奠定了基础。生成文本会使用到大语言模型，其通过不断预测下一个词语来生成新的文本内容。 大语言模型是思考的朋友，运用大语言模型写故事、修改文本非常有用，但大语言模型会编造故事产生错误信息，需要鉴别信息准确。 人工智能是一种通用技术，有大量运用空间，如基于网络界面应用和基于软件程序应用。 使用 LLM 来写作，集思广益、头脑风暴将非常有用。使用网页版的聊天信息时，提供更多的信息。翻译也可以使用 LLM，翻译效果可能比机器翻译更好，但网络文本较少时效果不太好，可以让 LLM 将内容翻译成为海盗英语进行测试翻译准确度。

学习开发 AI 的第一步包括以下几个方面： 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。同时浏览入门文章，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。您还可以通过在线教育平台（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。同时建议掌握提示词的技巧，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。

以下是为纯小白学习 AI 罗列的一个过程： 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，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作品。 在知识库查看大家实践后的作品、文章分享，并分享自己实践后的成果。 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。 另外，对于中学生学习 AI，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，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： 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： 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。 需要注意的是，以上内容部分由 AI 大模型生成，请仔细甄别。同时，像《雪梅 May 的 AI 学习日记》中提到的，如果您是纯小白，还可以参考其学习模式，即输入→模仿→自发创造，并且根据自己的时间和兴趣进行学习，学习资源大多是免费开源的。

以下是关于 AI 学习的最新资讯： WaytoAGI（通往 AGI 之路）是一个致力于人工智能学习的中文知识库和社区平台。它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。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。目前合作过的公司/产品包括阿里云、通义千问、淘宝、智谱等众多知名企业和产品。 3 月 4 日的 AI 资讯： 【AI 3D】Meshcapade 预告可从视频/图像中捕捉面部表情并具有逼真的 3D 发丝；InsTaG 通过几秒钟视频学习，快速形成逼真的 3D 说话头像效果；3DMem 为新型 3D 场景记忆框架。 【AI 绘图】智谱开源 AI 绘图 CogView4，可在图像中生成中文字符；海螺推出 Image01 多功能文本转图像模型。 【AI 视频】Runway 被网友爆料内测能力可根据参考图像进行 Video to Video 视频风格化；Vidu 的 API 开放平台全面开放。 【AI 模型】Google Colab 推出 Data Science Agent；微软为医疗行业提供首个统一语音 AI 助手 Dragon Copilot；Opera 宣布推出网页浏览器的 AI 代理。 对于新手学习 AI，建议持续学习和跟进，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。