我是新手小白，先学习人工智能，如何开始

对于 AI 视频入门新手，从零学习可用的工具组合与降低工作流程，您可以参考以下内容： 工具组合方面： Runway：在真实影像方面质感较好，战争片全景镜头处理出色，控件体验感不错，但存在爱变色、光影不稳定的问题。 SVD：在风景片测试中表现较好，其他方面一般。 Pixverse：擅长物体滑行运动。 Pika：在生成人物表情自然的画面方面表现出色，可用于局部重绘。 11labs：用于制作 AI 声音，英文效果较好，但存在声音没有情绪和情感的问题。 MJ：局部重绘功能强大。 ComfyUI：可进行高清放大和细节增强。 可灵：图生视频效果质量高且稳定，但贵且慢。 Pika 2.2 版本：在首尾帧过渡上有不错表现。 Pixverse：生成速度最快的视频生成平台。 工作流程方面： 1. 分析小说内容：使用如 ChatGPT 等 AI 工具提取关键场景、角色和情节。 2. 生成角色与场景描述：借助如 Stable Diffusion 或 Midjourney 等工具生成视觉描述。 3. 图像生成：使用 AI 图像生成工具创建角色和场景图像。 4. 视频脚本制作：将提取的关键点和生成的图像组合成脚本。 5. AI 声音制作：利用如 11labs 等工具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：使用如剪映等视频编辑软件将图像、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，提高视频质量。 8. 审阅与调整：观看视频，根据需要重新编辑某些场景或调整音频。 9. 输出与分享：完成编辑后，输出最终视频并在所需平台分享。 需要注意的是，具体的操作步骤和所需工具可能因项目需求和个人偏好有所不同。同时，AI 工具的可用性和功能可能会随时间变化，建议直接访问工具网址获取最新信息和使用指南。

对于新手小白想要学习人工智能开发从而找工作，可以按照以下步骤开始： 1. 了解自身硬件情况和财力，选择合适的开始方式： 本地部署：如果电脑是 M 芯片的 Mac 电脑（Intel 芯片出图速度慢，不建议）或者 2060Ti 及以上显卡的 Windows 电脑，可以选择本地部署，强烈建议在配有 N 卡的 Windows 电脑上进行。 在线平台：对于电脑不符合要求的，可以使用在线工具，包括在线出图和云电脑，根据实际情况选择，前者功能可能受限，后者需手动部署。 配台电脑：不建议一开始就配主机，玩几个月后仍对 AI 有兴趣再考虑，主机硬盘要大，显卡在预算内买最好，其他随意。 2. 学习相关课程： 先验经验：需要熟练使用文生图、图生图，有一定逻辑思考和推理能力，适合炼丹新人、小白。 课程安排：课程约 70 80%是理论和方法论内容，大部分练习在课外沟通、练习，少部分必要内容在课上演示。 学习路径：必学、必看内容是基础课，解决环境和软件安装问题；建炉针对不同炼丹方式提供不同炼丹工具安装教程；正式内容分为数据集预处理、模型训练以及模型调试及优化三个部分。 3. 进行项目实践，例如： 可以参考“齐码蓝：你（或孩子）还需要学编程吗？AI 编程 Master GPTs”中的项目，先进行需求分析与项目规划，包括功能需求（如每个离谱生物的页面展示图片、头像、文字介绍，支持文字和语音对话，展示相关离谱事件）和非功能需求（页面加载速度快、用户界面友好、支持响应式设计），以及用户故事（如访客浏览不同离谱生物档案、了解背景故事和相关事件、进行文字或语音交流）。 然后进行架构设计与模块化，采用前后端分离架构，前端负责展示界面和用户交互，后端负责处理业务逻辑和数据存取，通过 REST API 实现前后端交互，模块化分为前端模块（生物档案组件、事件展示组件、对话组件）和后端模块（生物档案 API、事件 API、语音处理 API）。 4. 了解法律法规：阅读《促进创新的人工智能监管方法》，了解 AI 在社会和经济中的应用和影响，以及相关的监管环境。

对于新手小白构建多智能体，以下是一种较为简单的方式： 1. 快速搜索补充参考信息：根据用户的任务调研市场上主流的开源搜索引擎技术架构，使用搜索工具 API WebSearchPro 补充更多信息，具体可参考。 2. 用模型规划和分解子任务：使用大模型如 GLM40520 帮助规划，把用户问题拆分成若干子搜索任务，并转换为 JSON 格式。JSON 格式处理可参考。 3. 用搜索智能体完成子任务：AI 搜索智能体具备联网搜索和自主分析并进行多轮搜索任务的能力。智能体 API 的调用方式可参考。智能体 id 为 659e54b1b8006379b4b2abd6，简介为连接全网内容，精准搜索，快速分析并总结的智能助手。 4. 总结子任务生成思维导图：智能体能调用各种插件，如思维导图、流程图、PPT 工具等，可根据工作需要选择。智能体 API 的调用方式可参考。智能体 id 为 664e0cade018d633146de0d2，简介为告别整理烦恼，任何复杂概念秒变脑图。 另外，OpenAI 官方开源的多智能体框架「Swarm」具有一定优势，其「Handoffs」处理了不同智能体之间交接的逻辑。例如构建客服多智能体，可能只需要准备普通接线客服和宽带客服两个 Agent 。 在实际操作中，如创建 Coze 智能体获取笔记和评论信息，要创建智能体并使用单 Agent 对话流模式，编排对话流，进行测试和发布等步骤。发布时要注意相关配置，如输出类型、输入类型等。

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，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。 在知识库中有很多大家实践后的作品、文章分享，欢迎实践后进行分享。 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，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。

对于新手小白学习 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，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自己的成就。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。

对于新手学习 AGI，建议您按照以下步骤进行： 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。 6. 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自己的成就。 7. 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。 记忆方面：先从

人工智能（AI）是一种能够模拟人类智能的技术。它已经在众多领域发挥着重要作用，为社会带来了广泛的益处。 以下是一些主要的应用场景： 1. 医疗保健： 医学影像分析：辅助诊断疾病。 药物研发：加速研发过程，识别潜在药物候选物和设计新疗法。 个性化医疗：根据患者数据提供个性化治疗方案。 机器人辅助手术：提高手术精度和安全性。 2. 金融服务： 风控和反欺诈：降低金融机构风险。 信用评估：帮助做出更好的贷款决策。 投资分析：辅助投资者做出明智决策。 客户服务：提供 24/7 服务，回答常见问题。 3. 零售和电子商务： 产品推荐：根据客户数据推荐可能感兴趣的产品。 搜索和个性化：改善搜索结果，提供个性化购物体验。 动态定价：根据市场需求调整产品价格。 聊天机器人：回答客户问题并解决问题。 4. 制造业： 预测性维护：预测机器故障，避免停机。 质量控制：检测产品缺陷，提高质量。 供应链管理：优化供应链，提高效率和降低成本。 机器人自动化：控制工业机器人，提高生产效率。 5. 交通运输：（相关具体应用未在提供的内容中明确提及） 在法律法规方面，各国和地区都在制定相关规则，以规范人工智能的发展和应用，确保其在带来益处的同时，降低可能产生的风险。

生成式人工智能的原理主要包括以下几个方面： 1. 基于深度学习技术和机器学习算法：通过大规模的数据集训练深度神经网络模型，学习各种数据的规律和特征，从而实现对输入数据的分析、理解和生成。 2. 监督学习：例如在生成文本时使用大语言模型，通过监督学习不断预测下一个词语，经过大量的数据训练，从而生成新的文本内容。这通常需要千亿甚至万亿级别的单词数据库。 3. 从大量现有内容中学习：包括文本、音频和视频等多模式的内容，这个学习过程称为训练，其结果是创造“基础模型”，如为聊天机器人提供支持的大型语言模型（LLM）。基础模型可用于生成内容并解决一般问题，也可以使用特定领域的新数据集进一步训练以解决特定问题。

人工智能算法的发展历程大致如下： 早期的国际象棋对弈程序以搜索为基础，发展出了阿尔法贝塔剪枝搜索算法。在对局开始时搜索空间巨大，随后通过学习人类棋手对局采用了基于案例的推理。现代能战胜人类棋手的对弈程序基于神经网络和强化学习，能从自身错误中学习，且学习速度快于人类。 创建“会说话的程序”的方法也在变化，早期如 Eliza 基于简单语法规则，现代助手如 Cortana、Siri 或谷歌助手是混合系统，使用神经网络转换语音并识别意图，未来有望出现完整基于神经网络的模型处理对话，如 GPT 和 TuringNLG 系列神经网络取得了巨大成功。 在机器学习方面，算法通过分析数据和推断模型建立参数，或与环境互动学习，人类可注释数据，环境可为模拟或真实世界。 深度学习是一种机器学习算法，由 Geoffrey Hinton 开创，1986 年发表开创性论文引入反向传播概念，2012 年 Hinton 和学生表明深度神经网络在图像识别方面击败先进系统。为使深度学习按预期工作，需要数据，如李飞飞创建的 ImageNet。 AI 技术发展历程包括早期阶段的专家系统、博弈论、机器学习初步理论；知识驱动时期的专家系统、知识表示、自动推理；统计学习时期的机器学习算法；深度学习时期的深度神经网络、卷积神经网络、循环神经网络等。 当前 AI 前沿技术点有大模型（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、AI 芯片和硬件加速等。

人工智能逐渐取代基础劳动力是一个复杂且具有多面影响的现象。 一方面，GPT4 等先进的人工智能在各种任务和领域表现出色，其能力涵盖了职业和学术领域，如诊断和治疗疾病、发现和合成新分子、教学和评估学生等。这可能导致一些需要高级培训的工作中，AI 系统取代人类工作者或减少对人类工作者的需求，例如美国医学院学生选择放射学作为职业的决策已受到 AI 在放射学中作用增长的影响。 另一方面，部分科技公司虽利用 AI 提升生产力和降低人力成本，但大多数评论者认为 AI 不会彻底取代程序员，行业会进入“人机协同”阶段，且 AI 取代初级岗位的可能性更高，高级工程师仍不可或缺。 红杉资本的观点指出，AI 正处于重要的发展阶段，其变革性影响巨大。AI 相关行业的 TAM 将扩展到几乎所有人类参与的行业，拥抱 AI 的公司因成本降低和能完成以前人类无法完成的自动化任务，竞争优势将上升。对于专业职业，劳动力虽不易被取代，但更专业的服务将加速出现，熟练 AI 的专业人员能产生高附加值。 总之，人工智能对基础劳动力的影响并非简单的完全取代，而是会带来职业结构的调整和变化，需要人们适应、重新技能或重新调整职业道路。

以下是为您推荐的关于人工智能的书籍： 1. 《认知神经学科：关于心智的生物学》（作者：Michael S.Gazzaniga;Richard B.Lvry;George R.Mangun）：世界权威的认知神经科学教材，系统介绍了认知神经科学的诸多方面。 2. 《神经科学原理》（作者：Eric R.Kandel;James H.Schwartz）：让您系统了解神经元的细胞和分子生物学等内容。 3. 《神经生物学:从神经元到脑》（作者：John G.Nicholls 等著）：神经生物学领域的世界级名著，涵盖了神经科学的多方面内容。 4. 《深度学习》（作者：Ian Goodfellow、Yoshua Bengio 和 Aaron Courville）：深入探讨深度学习背后的深层数学。 5. 《智慧的疆界从图灵机到人工智能》 6. 《白话机器学习的数学（图灵图书）》（作者：立石贤吾） 7. 《人工智能（第 4 版）现代方法》 此外，还有一些相关的学习资源，如微软的 AI 初学者入门课程，包括特定的机器学习云框架课程、对话式人工智能和聊天机器人课程以及深度学习背后的深层数学课程等。同时，李宏毅的机器学习课程也值得关注。

以下是一些可能获取上市公司年报数据的 AI 工具及相关信息： AI 智库：提供了上市公司的相关排名和产品信息，如百度、美图公司、阿里巴巴、昆仑万维等公司的情况。 余一的相关文档：包括《从 2023 年报，看中国上市公司怎么使用生成式 AI》等，可通过相关链接获取详细内容。 对于小白来说，您可以先尝试从这些资源中获取所需的上市公司年报数据。

以下是为您提供的从 AI 小白利用 AI 创造财富的学习路径： 1. 搭建 AI 微信聊天机器人： 选用技术组件：极简未来平台、腾讯云轻量应用服务器、宝塔面板和 Docker。 按照详细的配置步骤进行操作，包括购买服务器、配置宝塔面板，部署 Docker 和 COW 组件，绑定微信号。 了解费用问题，如极简未来平台和腾讯云服务器的费用，以及通过积分和优惠降低成本的方法。 掌握运维问题的解答，包括如何管理和维护服务器和服务，以及遇到问题时的解决方案。 2. 学习 AI 技术原理与建立框架： 理解什么是 AI 大模型及其原理。 熟悉相关技术名词，如 AI、机器学习（包括监督学习、无监督学习、强化学习）、深度学习、生成式 AI、LLM 等。 了解技术里程碑，如 2017 年 6 月谷歌团队发表的提出 Transformer 模型的论文。 如果在实战过程中有任何不懂的地方，可以随时私信相关作者。另外，如果您有兴趣学习相关的 AI Agent 知识，可以加入免费的 AI Agent 共学群，通过微信号 Andywuwu07 或扫描二维码加微信，备注 AI 共学即可加入。通过不断学习和探索，相信您能在 AI 的世界中创造属于自己的价值。

对于 AI 小白想要系统学习 AI 并应用于工作，您可以按照以下步骤从头开始： 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「」，其中有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，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。 知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后也进行分享。 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。 6. 参考他人的学习经验： 可以参考《雪梅 May 的 AI 学习日记》，了解他人的学习模式和经验。比如作者采用输入→模仿→自发创造的模式，并且学习资源都是免费开源的。 总之，学习 AI 需要耐心和持续的努力，祝您学习顺利！

对于零基础的小白，入手 AI 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。 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，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。 此外，还可以参考《雪梅 May 的 AI 学习日记》，其适合纯 AI 小白。作者的学习模式是输入→模仿→自发创造，学习内容可在 waytoAGI 社区发现自己感兴趣的 AI 领域，学习最新的内容。该日记中的学习资源免费开源。 对于编程工具，Cursor 是一个零代码基础的小白用户也能上手的 AI 编程工具，基于 Visual Studio Code 构建，集成了强大的 AI 功能。其具有 AI 辅助编程、简单易用的界面、支持多种语言、强大工具等特点和优势。下载可通过打开浏览器，访问，点击“Download”按钮，选择适合电脑的版本，下载完成后，双击安装文件，按照提示完成安装。新建项目时，在界面中选择 open project，新建一个纯英文名称的文件夹后选择打开。其界面包括代码区、文件区、状态栏和 AI 互动区等主要区域。在正式开始项目前，可先设置一下 Cursor Rules。

对于小白学习 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。 知识库中有很多实践后的作品和文章分享，欢迎实践后进行分享。 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。 此外，还有一些个人的学习经验可供参考： 像元子语通过参与《谁是人类》活动，意识到学习 AI 并非遥不可及，从 prompt 入手，虽在将 prompt 规范、抽象用以让 AI 拟人方面有困难，但参与和学习的过程很有收获。 雪梅 May 以输入→模仿→自发创造的模式学习 AI，其学习日记适合纯小白参考，学习内容可根据自身在 waytoAGI 社区的兴趣选择最新的，且学习资源免费开源。学习时间灵活，不必有压力，保持好的学习状态即可。

以下为您推荐一些 AI 免费学习网站： 1. 麻省理工学院（MIT）推出的 Day of AI 课程：这门课程包含在 MIT 的 RAISE 项目中，面向 8 18 岁孩子，席卷全球，来自 110 多个国家的 50 万名学生都在使用，且完全免费。不过其课程资源主要面向家长、老师群体，大孩子可自学，小孩子可能需要家长辅助。 网站：RAISE 项目官网 相关免费 AI 工具： RAISE Playground：一个交互式编程平台，任何人都可以学习模型、机器人和 AI 引擎完成有趣的 AI 项目。网址：https://playground.raise.mit.edu/ App Inventor：让孩子可以制作属于自己的手机 APP。网址：https://appinventor.mit.edu/ Dancing with AI：针对中学生的交互式 AI 机器人项目，只要会用 Scratch 编程就能训练机器人。网址：https://dancingwithai.media.mit.edu/curriculum Picaboo：让孩子像李飞飞一样训练自己的图像分类模型。网址：https://appinventor.mit.edu/explore/resources/ai/picaboo 2. 对于新手学习 AI，您可以： 了解 AI 基本概念：建议阅读「」部分，熟悉 AI 的术语和基础概念。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。 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。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。特别推荐李宏毅老师的课程。 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。 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。 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。

以下是关于学习提示词运用的全面指导： 一、理解提示词的作用 提示词向模型提供上下文和指示，其质量直接影响模型输出的质量，能让模型更准确地理解并完成所需任务。 二、学习提示词的构建技巧 1. 明确任务目标，用简洁准确的语言描述。 2. 给予足够的背景信息和示例，帮助模型理解语境。 3. 使用清晰的指令，如“解释”“总结”“创作”等。 4. 对特殊要求应给予明确指示，如输出格式、字数限制等。 三、参考优秀案例 研究和学习已有的优秀提示词案例，可在领域社区、Github 等资源中找到大量案例。 四、实践、迭代、优化 多与语言模型互动，根据输出提高提示词质量。尝试各种变体，比较分析输出差异，持续优化提示词构建。 五、活用提示工程工具 目前已有一些提示工程工具可供使用，如 Anthropic 的 Constitutional AI。 六、跟上前沿研究 提示工程是当前最前沿的研究领域之一，持续关注最新的研究成果和方法论。 七、相关网站 1. 文本类 Prompt 网站： Learning Prompt：授人以渔，非常详尽的 Prompt 学习资源，包括 ChatGPT 和 MidJourney，网址： FlowGPT：国外做的最大的 prompt 站，内容超全面，更新快，网址： ChatGPT Shortcut：ChatGPT 提示词网站，提供了非常多使用模板，简单修改即可指定输出，网址： ClickPrompt：轻松查看、分享和一键运行模型，创建 Prompt 并与其他人分享，网址： Prompt Extend：让 AI 帮你自动拓展 Prompt，网址： PromptPerfect：帮你自动优化提示词，你可以看到优化前后的对比，网址： PromptKnit：The best playground for prompt designers，网址： PromptPort（支持中文）：AI Prompt 百科辞典，其中 prompts 是聚合了市场上大部分优质的 prompt 的词库，快速的寻找到用户需求 prompt，网址： Prompt Engineering Guide：GitHub 上点赞量非常高的提示工程指南，网址： 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 AI 学习路径： 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），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，通过实践巩固知识，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。 另外，如果您偏向技术研究方向，学习路径包括： 1. 数学基础：线性代数、概率论、优化理论等。 2. 机器学习基础：监督学习、无监督学习、强化学习等。 3. 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 4. 自然语言处理：语言模型、文本分类、机器翻译等。 5. 计算机视觉：图像分类、目标检测、语义分割等。 6. 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 7. 科研实践：论文阅读、模型实现、实验设计等。 如果您偏向应用方向，学习路径包括： 1. 编程基础：Python、C++等。 2. 机器学习基础：监督学习、无监督学习等。 3. 深度学习框架：TensorFlow、PyTorch 等。 4. 应用领域：自然语言处理、计算机视觉、推荐系统等。 5. 数据处理：数据采集、清洗、特征工程等。 6. 模型部署：模型优化、模型服务等。 7. 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。 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自己的成就。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。

机器学习之所以必要，主要是因为对于一些复杂任务，直接编程太过复杂，人类难以解决任务中的所有细节并精确编程。例如，编写程序去识别复杂场景中照明条件下新视角的三维物体很困难，因为我们不了解其在大脑中的运作机制，即便知道，编写的程序也会非常复杂；编写计算信用卡诈骗概率的程序也很困难，因为可能没有简单可靠的规则，需要结合大量弱规则判别，且欺骗行为会转移目标，程序需不断更改。 在这种情况下，我们向机器学习算法提供大量数据，让算法通过探索数据并找到能实现程序员目的的模型来解决问题。机器学习算法利用这些样本生成的程序可能与典型手写程序不同，可能包含数百万个数字。如果做得正确，该程序能像处理训练集样本一样处理新样本，且数据改变时程序也可通过训练新数据改变。 目前，大量的计算比支付给程序员编写特定任务的程序更便宜。机器学习适用的任务例子包括模式识别（如真实场景中的物体、面部识别或表情、口语）、异常识别（如不寻常的信用卡交易序列、核电站传感器读数的异常模式）、预测（如未来股票价格或货币汇率、一个人喜欢的电影）。

如果您想在未来从事 AI 事业，以下是一些学习建议： 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，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。 对于中学生学习 AI，建议如下： 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，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。 AI 的技术历史和发展方向，目前最前沿的技术点包括： 1. 偏向技术研究方向： 数学基础：线性代数、概率论、优化理论等。 机器学习基础：监督学习、无监督学习、强化学习等。 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 自然语言处理：语言模型、文本分类、机器翻译等。 计算机视觉：图像分类、目标检测、语义分割等。 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 科研实践：论文阅读、模型实现、实验设计等。 2. 偏向应用方向： 编程基础：Python、C++等。 机器学习基础：监督学习、无监督学习等。 深度学习框架：TensorFlow、PyTorch 等。 应用领域：自然语言处理、计算机视觉、推荐系统等。 数据处理：数据采集、清洗、特征工程等。 模型部署：模型优化、模型服务等。 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。

以下是关于通过 AI 制作短视频的学习建议： 1. 了解 AI 在影视制作中的局限性与弥补方式，可参考相关讨论，如。 2. 注重剧本创作中画面与声音的连贯性，相关内容可查看。 3. 探讨剧本、叙事手法和工具在视频制作中的重要性，详情见。 4. 学习提高短视频制作能力的方法和技巧，参考。 5. 借鉴出版行业从业者刘洋洋学习 AI 的经历，见。 6. 参考动效设计师尤慧影的经验，了解其对 AI 视频技巧的探索，见。 7. 了解新同学杨嘉宜加入 AI 团队的热情和兴趣，参考。 8. 学习社群成员参与 AI 创作的经历和经验，见。 9. 参考阿汤短片的制作过程，包括剧本创作、分镜脚本创作、角色设计、分镜图片制作、动画制作、配音和配乐等步骤。在角色设计阶段保持角色的一致性并增加个性化特性，分镜图片生成阶段及时调整画面，动画镜头制作阶段可使用 pixverse、pika、runway 等视频生成工具。了解制作短片的基础逻辑，从短故事片入手，后续再探讨广告片等类型。原文： ，更新日志：2.24 分镜图片生成/动画镜头制作更新（对于小猫动作画面效果需要进一步探索）。