【西南证券：智能设备正成为AI未来发展与落地的重要突破口】

【西南证券：智能设备正成为AI未来发展与落地的重要突破口】 西南证券近日研报指出，智能设备作为人工智能触达用户的载体，AI PC 将深入变革 PC 产业。生成式 AI 和 LLM 的飞跃式发展，深刻变革了个人生活与工作模式，加速各行各业智能化转型。AI 发展正从软件主导转向硬件 + 软件并行驱动，而智能设备作为 AI 触达用户的终极载体，正成为 AI 未来发展与落地的重要突破口。AIPC 将 AI 模型与 PC 结合，带来架构设计、交互方式、内容、应用生态等创新，将深入变革 PC 产业。 快讯/广告 联系 @xingkong888885

GPT 4到底有多强？文心一言和ChatGPT比还有多少差距？非技术人员如何比较全面地评价一个大语言模型的各种能力？作为早期投资

GPT 4到底有多强？文心一言和ChatGPT比还有多少差距？非技术人员如何比较全面地评价一个大语言模型的各种能力？作为早期投资人和对话式AI的狂热爱好者，我们从自身需求出发，总结推出了「Z-Bench」 一个为非技术人员定性测试大模型对话式产品（类 ChatGPT 产品）准备的测试集。 扫描小程序码可以打开查看全部300个测试prompts，以及GPT4，GPT3.5，百度文心一言（0317）的回答。这里面每一个模型的回答我们都只是取第一次回答，因此可能和你测试的结果有所不同。 Z-Bench 1.0 从基础能力、进阶能力、垂直能力 3 个角度出发，共提供了 300 个 Prompts，我们的出发点是尽量覆盖更多类型的 NLP 任务。我们的目标并不是提供一个学术上非常严谨完整的测试集，而是希望通过结合学术上已有的测试集、日常搜集的一些有意思的案例，以及大模型出现之后学术界发现的涌现和顿悟能力，提供一个适合非技术专业人士使用的大模型能力测试集。 我们难免会漏掉一些场景，或是出现很多专业角度看比较业余的内容，未来，我们会不断根据搜集到的反馈去补充完善，并且及时予以公布。 欢迎大家扩散，拍砖，感谢！

使用 48 节 5 号电池和价值 20 美元的微处理器，SBUDNIC 微型卫星实验成缓解空间碎片问题新突破口

使用 48 节 5 号电池和价值 20 美元的微处理器，SBUDNIC 微型卫星实验成缓解空间碎片问题新突破口 ====糊==== 大部分部件都不是航天级 廉价铝合金框架甚至想要用木框架 一件 Arduino UNO 外加一套 HamShield 一万刀预算

不得不承认，从搞钱/找工作的结果来，当前的生成式AI，的确跟大多数非技术人员没啥关系。

不得不承认，从搞钱/找工作的结果来，当前的生成式AI，的确跟大多数非技术人员没啥关系。 但这并不意味着，生成式AI对非技术人员没有帮助。 恰恰相反，个人认为，现阶段拥抱生成式AI，是非技术人员最值得投资的事情之一。 1、 往小了说，如果咱在研究困扰自己的问题，比如各类考试，或者探索感兴趣的课题，比如科技人文，AI 都能帮到忙。 最起码的，有了生成式AI的帮助，那些曾经看不懂的、不敢看的文献和大部头，那些三倍速也要看几个小时的课程，现在都不是大问题了。 2、 学完之后，如果愿意尝试用费曼的方法分享出来，也会带来意想不到的惊喜。 首先，极有可能实现“以文会友”，吸引到一样对该领域感兴趣的同好。从此，不再“独学而无友”，甚至有机会一起搞点事情。 其次，在通过 AI 辅助学习的过程中，我们会越来越知道 AI 能干什么和不能干什么，然后顺手迁移到专业领域，成为该领域前几个「用好 AI 解决真实问题」的“AI应用高手”。 3、 现在AI应用的早期阶段，到处是蓝海。 从成为办公室/教室的“AI应用高手”，再到成为某个细分领域的“AI应用高手”，速度远比想象中快。 可是因为各种原因，很多人虽然经常在朋友圈点评AI，但很少真正上手，成为哪怕是办公室或教室里最会用 AI 的人。 4、 而这，也就给真正用好 AI 的非技术人员，腾出了很多机会。 举个例子，我听过不止一个 AI 探索者说，因为积极应用 AI 和分享，或者是参加活动和比赛，他们不知不觉间认识了各行各业里最顶尖的一些人。这是他们之前不敢想象的事情。 随着 AI 用得越来越好，解决的问题越来越大，越来越多的人一想到“这个领域+AI”，就会想到我们。 5、 《纳瓦尔宝典》的作者写出了可能是推特历史上被转发最多的一个推文系列：有关运气。 1）第一种运气是不期而遇的运气，比如天上掉馅饼，中彩票，炒股暴富； 2）第二种运气来源于孜孜不倦、不断尝试 3）第三种获得好运的方式是善于发现好运，如果你在某个领域做得足够深，可能第一时间发现别人还没看到的好运； （当非技术人员在专业领域用 AI 用得足够深时，也一样可以基于自己的非共识，发现一些AI的小机会。 过程很难一蹴而就，但如果愿意专研，那一刻又会比想象中来得更快。） 4）第四种是最奇妙、最难得的，那就是打造独特的个性、品牌、信誉，让运气找到你。 Naval 举了个例子，假设你是世界上最好的深海潜水员，大家都知道你的水平最高。如果有人走了好运发现了一艘沉没的宝船，他们会第一时间联系你让你帮助他们寻宝。于是，他们的好运也变成了你的好运。 （正如上一条所说的，当越来越多的人，一想到“这个领域+AI”，就会想到我们，那么运气也将会主动找上我们。）

这一波生成式AI浪潮在我的知识体系中，第一次看到的相对完整且偏行业（而非技术向）的梳理是去年9月红杉美国发的那篇：《Genera

这一波生成式AI浪潮在我的知识体系中，第一次看到的相对完整且偏行业（而非技术向）的梳理是去年9月红杉美国发的那篇：《Generative AI: A Creative New World》 这里 当时红杉给出了很多观点以及画了好几张直到今天你依然可以在各种关于AI的演讲中会出现的偏行业Maps性质的图片（图1，图2）； 然后时隔一年，红杉美国最近又发了这个文章系列的更新：《 Generative AI’s Act Two》 文章的内容质量还是很高的，我简单总结下： 1、定义了ACT 1是发现了新的“锤子”-基础模型，现在在向ACT 2（端到端的解决问题）演进； 2、重新画了行业地图（图3），并且按照2C\2B\2内容生产者的框架重新划分； 3、增加了LLM开发者生态的行业地图；（图4） 4、回溯了之前判断中的错误：发展速度比所有人预期的都快、瓶颈不是客户需求而是GPU、应用和底层模型并未分离、竞争的急速加剧、大家伙们并没有落下、壁垒在客户而不是数据； 5、当然也确定了之前一些推论是正确的：生成式AI是一件大事、杀手级应用出现（ChatGPT\Character AI\Midjourney）、开发者很关键、大模型能力持续进化、版权/道德/伦理问题； 6、从月留存和用户活跃（DAU/MAU）数据对比，现在的AI应用相较于古典web2的那些大家伙们还有比较大的差距，他们需要持续的“证明价值”，以度过“awkward teenage years.”； 以及英文不好的同学可以看译稿，这里： （国内的自媒体生态啊，也是真的够卷的了……）

听完播客最大的感受是：AI行业的非技术人员，如果愿意读论文和测 demo，投资回报率(ROI)将会极高。

听完播客最大的感受是：AI行业的非技术人员，如果愿意读论文和测 demo，投资回报率(ROI)将会极高。 一、先说测 demo 多体验demo,多做实验,实际上是在培养我们的认知和思考能力,思考在工程和产品上还有哪些机会可以探索。 因为这个行业还处于早期阶段,我们付出一点小小的努力,就能获得很高的投资回报率(ROI)。 1、往大了说，可以发现很多潜在机会 在这个过程中,我们会发现一个模型要真正运行起来并不像想象中那么简单。它涉及很多环节,包括数据处理、参数设置等。解决每一个问题的过程中,你可能会发现一些潜在的产品机会。 比如,有时候Hidecloud在配置模型时,就会突然发现这个模型产生的结果挺有趣的。但普通用户根本无法直接使用,因为它涉及到很复杂的数据预处理环节。以声音克隆为例,如果讲一分钟的话来克隆,不是直接就能克隆的。那一分钟的内容，需要经过七八步复杂的预处理,普通人很难独立完成。 如果普通人搞不定,这不就是一个机会吗?如果我们能帮他们完成整个数据预处理和训练过程,直接交付最终效果,这不也是一个机会吗? 但如果我们不亲自去体验,首先无法感受到看到最终结果那一刻的喜悦,其次也不会知道要达到那个效果还会遇到哪些障碍。 2、往小了看，能甩开国内同行一大截 在Twitter上,偶尔会有一些外国人分享有趣的小产品。比如，有人发布了一个有趣的小产品,在聊天过程中你要去猜测对方是AI还是真人。这种东西挺有意思，但国内似乎还没有人做类似的产品。 更简单一点,我们可以尝试自己写个GPTs。这种事情不需要编程,对吧?但说实话,就像Hidecloud平时面试产品经理,会问他们有没有尝试过创建自己的GPTs? 可能十个人里面九个都会被Hidecloud淘汰,因为大家还是不太愿意亲自动手,更喜欢看别人的成果。但一旦我们亲自动手,获得的信息量会比看视频或阅读文档都要大得多。 二、再说读论文 1、只需8篇核心论文，显著提高认知水平 作为产品经理，学习AI的一个有效途径就是阅读论文。 Hidecloud之前总结过Stable Diffusion的发展历史，从2020年至今，这三年间的关键信息其实并不多，大约只有八篇经典论文，把它们串起来就能清楚地理解整个原理。