RT LiorThis is mind blowing technology. Generative AI will compl

RT Lior This is mind blowing technology. Generative AI will completely change how films are made. From: @Flawlessai

最近微软和谷歌都出了AI相关教程，谷歌的是Generative AI learning path（

最近微软和谷歌都出了AI相关教程，谷歌的是Generative AI learning path（ 以上我收藏在提示工程资料导航站上： 如果你和我一样日理万机，只能收藏上面的教程作为心理安慰，其实也可以看下下面这个不到一小时的视频去了解下大模型基本原理： OPENAI创始成员在MS BUILD2023上的演讲State of GPT （ 今天又看了一遍，人工总结了几点我觉得比较有意思的部分： 1) 人类反馈强化学习RLHF比较难，不建议新手碰，LORA是个不错的技术，下半年推出的GPT微调接口是不是和LORA有关系？ 2) GPT本质上是在上下文(工作记忆)影响下，预测下一个token，它不知道对错，没有价值观，不会反思回溯。即心理学家卡尼曼的书《思考：快与慢》中的系统I：直觉本能式给结果，不像系统II：理性思考。所以GPT其实推理能力不太好，需要提示工程方法来引导它做慢思考，比如用思维链COT，或最新的思维树TOT等。 我的感觉是GPT推理虽然不好，但是有的，看上去是在预测下一个token，其实是使用了深层能力。类似人类的直觉隐含了深层的知识，有时候比慢思考更正确。我记得的例子有：将军得到敌人从某方向进攻的情报，但将军的直觉是敌人佯攻，真实意图是从其它地方进攻。一个武林高手，进入一个幽静的陌生环境，能用直觉感觉到有埋伏，然后先拔刀做准备。 3） 思维链等方法反映了目前大模型的限制，并不自然，以后能不能用API包装下使用？或者GPT-5 实现系统II的慢思考？ 4） Let’s work this out in a step by step way. 比 let’s think step by step. 效果好 5） 为什么prompt中给GPT设定专家角色或IQ 120高能力比不设定效果好？简单看为检索信息，GPT中有普通答案也有专家答案，你指定它为专家，它就找专家的答案给你 6） Retrieval-Augmented LLMs，检索增强大模型，即通过检索在Prompt的上下文Context中提供尽可能多的任务相关信息,那它的输出就会越好。

▎ Chola AI: Micro Learning

▎ Chola AI: Micro Learning 在人工智能的帮助下，享受每日学习的乐趣。建立课程和测验。完成成就。探索世界上第一所人工智能大学！ 目前内购Express Ultimate限免中 $ 0 解锁方法： 进入软件首页，点会自动弹出内购页，选择黄色的「US $0.00 Lifetime Membership」即可成功完成解锁 限时活动，购买前请确认在限免期 可以不用, 但是不能没有 https://apps.apple.com/us/app/chola-ai-micro-learning/id6453160524?l=zh-Hans-CN 标签:#IOS #限免 频道: @me888888888888 群组：https://t.me/imbbbbbbbbbbb 合作&推广：@imbbbbb_bot@imbbbbbbbb 消息怕错过？请及时收藏频道并开启推送！

Adobe 为 Photoshop Beta 测试人员推出“Generative Expand”AI 功能

Adobe 为 Photoshop Beta 测试人员推出“Generative Expand”AI 功能 Adobe 为 Photoshop 增加了一项新功能，该功能可以让用户扩展图像的画布，创造出与原图相匹配的内容。 这项名为“Generative Expand”的功能可以在 Photoshop 的 beta 版本中使用。用户能够通过使用“裁剪”工具单击并拖动来扩展画布，从而无缝地扩展任何图像并调整其大小。单击“生成”后，新画布将填充 AI 生成的内容，这些内容会与现有图像自然融合。 这种简化的工作流程使用户能够比以前更快、更直观地在 Photoshop 中使用 Generative AI 进行创作和构思。 生成的内容将作为 Photoshop 中的新图层添加，用户可以根据需要舍弃它。

这份麦肯锡报告《The economic potential of generative AI》，纠正了我之前对「AIGC商业化

这份麦肯锡报告《The economic potential of generative AI》，纠正了我之前对「AIGC商业化」一些错误观念。 报告全篇 68 页，但个人认为，真正的精华，就在这两张图里。 很多我之前理解有误或者没想清楚的问题，都可以在图里找到蛛丝马迹。 那我重点展开说一下：「生成式AI赚钱潜力有多大，钱主要从哪里赚」 【图一】 1、生成式AI「每年」能增加的经济价值,或将超过英国 GDP 总量 2、生成式AI最能赚钱的4大「领域」，是客户运营、营销与销售、软件工程和产品研发 3、用生成式AI赚钱最多的「行业」,首先是银行、高技术和生命科学行业,其次是零售和消费品行业 4、用好生成式AI之后,打工人60%~70%的活儿,都不用亲自干了（或者说，不需要打工人了） 【图二】 1、在几乎所有的行业里，一旦进入销售营销和软件工程这俩场景，生成式AI秒变「抓钱手」 2、而在几乎所有的行业里，但凡涉及人事、财会、运维等职能部门，生成式 AI 没那么赚钱，现阶段主要是“交个朋友” 3、没想到，从大面上看，在农业和保险行业，生成式AI居然这么「不赚钱」 4、教育和医疗行业，都需要人跟人的互动，因此优质供给永远稀缺，谁先通过生成式 AI 解决优质供给问题，谁的市值更高 【其他碎碎念】 1、大面上的赚钱不赚钱，更多是大公司的游戏。如果超级个体/中小企业足够强，进去哪怕干不到行业头部，也有机会分一杯羹。 2、另一方面，如果在某些领域有足够多的积累和优势，其实也不用太看大面的数据。 3、比如干农业的，本来就是龙头，那现在加上点AI，进一步降本增效，也未尝不可。或者是个体，在某些细分领域找到了蓝海市场，那也可以过得非常舒服。 4、还有一点需要注意的是，在这篇报告里，AIGC 在未来的很多可能性都没有考虑进来，所以也是有一定局限性的。

【汪其香：据Gartner预测到2025年生成式AI产生的数据将占所有数据的10%】

【汪其香：据Gartner预测到2025年生成式AI产生的数据将占所有数据的10%】 在8月8日由金色财经主办的金色沙龙活动中，亚马逊云解决方案架构师汪其香发表主题演讲《AIGC概述与应用场景》。汪其香表示，从AI（Artificial intelligence）发展到ML(Machine learning )随着基础设施算力的提升，出现DL(Deep learning )，整个网络和模型越来越大、越来越深并且从结构上不断的创新，直到出现如今热门的AIGC（Generative AI），带来的自动内容创作，它改变了生产内容的方式。对比以前AIML在推荐和搜索领域对内容分发方式的改进，对生产力效率进一步提升，AIGC在未来在各个行业领域应用的场景会越来越多。 Gartner预测到2025年生成式AI产生的数据，将占所有数据的10%，而现在不到1%。未来我们所看到的很多内容和素材都会是由AI生成的，这个占比会快速提升10倍。现在很多行业都落地了AIGC的应用。它会覆盖在各个行业，除了生图外，还有生成视频、生成语音，帮我们去写作，在生活里的各方面，都会有AI创作的素材出现。 快讯/广告 联系 @xingkong888885