这个世界的信息差真的大到可怕

这个世界的信息差真的大到可怕微软作为OpenAI的亲爸，自己推出了专门的AI课程，非常值得学习。一共包含12课时的课程，旨在教授初学者如何构建生成式AI应用。每节课都涵盖了AI原理和应用开发的关键。该课程主要是模拟创建一个使用生成式AI技术的创业公司。课程内容：https://microsoft.github.io/generative-ai-for-beginners/课程简介：技术设置和课程结构。生成式AI和LLMs简介：了解生成式AI是什么以及大型语言模型(LLMs)如何工作。探索和比较不同的LLMs：选择适合您用例的正确模型。负责任地使用生成式AI：了解基础模型的局限性和AI背后的风险。理解提示工程基础：了解提示结构和使用。创建高级提示：应用提示工程技术来改进您的提示的结果。构建文本生成应用：了解如何有效地使用令牌和温度来改变模型的输出。构建聊天应用：了解如何有效地监控和维护AI驱动的聊天应用的质量。构建搜索应用：创建使用嵌入来搜索数据的应用。构建图像生成应用：构建一个图像生成应用。构建低代码AI应用：使用低代码构建学生作业跟踪应用。与函数调用集成的外部应用：设置函数调用以从外部API检索数据。为AI应用设计UX：在开发生成式AI应用时应用UX设计原则。

ChatGPT 的实际工作原理 | 详文

ChatGPT的实际工作原理自发布以来，公众一直在玩ChatGPT，看看它能做什么，但ChatGPT实际上是如何工作的？虽然其内部工作的细节尚未公布，但我们可以从最近的研究中拼凑出它的功能原理。ChatGPT是OpenAI的最新语言模型，对其前身GPT-3进行了重大改进。与许多大型语言模型类似，ChatGPT能够生成各种样式和不同目的的文本，但具有更高的精度、细节和连贯性。它代表了OpenAI大型语言模型系列的下一代，其设计非常注重交互式对话。创建者已经使用了监督学习和强化学习的组合来微调ChatGPT，但正是强化学习组件使ChatGPT与众不同。创建者使用一种称为从人类反馈中强化学习（RLHF）的特定技术，该技术在训练循环中使用人类反馈来最大限度地减少有害、不真实和/或有偏见的输出。在了解RLHF的工作原理并了解ChatGPT如何使用RLHF来克服这些问题之前，我们将研究GPT-3的局限性以及它们如何源于其训练过程。最后，我们将通过研究这种方法的一些局限性来结束。

微软AI聊天机器人Copilot上架iOS：完全免费、支持GPT-4

微软AI聊天机器人Copilot上架iOS：完全免费、支持GPT-4近日，微软在IOS平台上架了，MicrosoftCopilot（最初被称为必应聊天）与ChatGPT和其他充斥网络的聊天机器人非常相似。你输入你的提示，无论是一个问题，还是写一封电子邮件或摘要的求助，它都会说出你需要什么。与使用GPT-3.5的ChatGPT免费版本不同，Copilot允许用户访问OpenAI新的大型语言模型GPT-4，并且完全免费。而这并不是二者之间唯一的区别。Copilot还集成了文本到图像生成器DALL-E3，可以通过关键词或者短语生成你想要的图像，而ChatGPT只支持文字聊天。来源，前文：频道：@kejiqu群组：@kejiquchat

宣亚国际：正与参股公司共同研究 AI 视频相关技术路径及应用场景

宣亚国际：正与参股公司共同研究AI视频相关技术路径及应用场景宣亚国际在互动平台表示，公司积极关注人工智能技术在内容生产领域的应用，包括文生视频、图生视频的技术发展。公司技术团队在密切关注OpenAI文生视频大模型Sora的开放进度，正与参股公司RMDSLabInc.共同研究AI视频相关技术路径及应用场景，将研发拓展OrangeGPT的智能视频生成、智能配音等技术应用能力。

LLM 相关的基础文章很多人整理，AI 图像生成的比较少，刚好发现了一个，我又自己筛选了一下，一共 15 篇内容，都在这里了，如

LLM相关的基础文章很多人整理，AI图像生成的比较少，刚好发现了一个，我又自己筛选了一下，一共15篇内容，都在这里了，如果想深入研究SD，建议看看。主要包括三个部分：图片生成简介、图像生成基础模型的精细调整和构建AI生成服务，。都放在下面的这个个链接里，打开一个就都有了。元旦我也会找时间把这些内容翻译一下，然后发出来，可以收藏这条回来看。等不及可以直接看，下面是具体的分类和文章目录：图像生成技术简介：◆人工智能和艺术：机器学习如何改变创造性工作（报告）◆平面设计师如何创建他们自己的AI工具（博客文章）◆AI图像生成器的工作原理以及扩散是什么（视频）◆什么是Diffusion模型？（视频）◆Diffusion模型的工作原理（1小时课程）◆初学者指南：Stablediffusion（指南）基础模型的精细调整：◆SD1.5通用目的模型的全面精细调整指南（博客文章）◆SD模型的基准测试与混合（博客文章）◆解耦文本编码器和UNET学习率（博客文章）◆D适应：再见学习率困扰？（博客文章）◆自己精细调整通用稳定扩散模型指南（博客文章）构建AI生成服务的后端：◆如何构建一个生成AI服务的后端◆Stablediffusion提示：权威指南◆SD提示的精细调整：修改Stablediffusion提示的GPT3.5（博客文章）◆SD提示的目录（目录）所有内容链接：https://arc.net/folder/10431A09-4798-4002-B99A-2769BD9131FF

大型语言模型基础知识可视化学习指南 | link | #指南 #可视化

大型语言模型基础知识可视化学习指南#指南#可视化本文收集了一系列工具和文章，通过直观的可视化方式解释大型语言模型(LLM)的基础概念。JayAlammar的《图解Transformer》以生动的可视化说明了Transformer架构的工作原理。由于Transformer是所有语言模型的基石，理解它的基础尤为重要。《图解GPT-2》直观地展示了GPT-2的内部结构，如注意力机制等，有助于理解LLM的组成部分。BrendanBycroft的LLM可视化工具允许直观地探索不同LLM内部状态的变化。FinancialTimes的文章解释了Transformer的重要性，以及它如何促成了生成式AI的发展。OpenAI的Tokenizer工具演示了Tokenizer在文本处理中的作用。SimonWilson的文章深入解释了GPTTokenizer的工作原理。GregKamradt的Chunkviz工具展示了文本是如何被LLM处理成“块”的。PAIR的“机器学习模型记忆还是泛化?”交互式介绍了两种学习方式及其对LLM的影响。这些资源从多个维度直观地说明了LLM的核心概念和机制，有助于科技从业者和爱好者更好地理解LLM技术的本质。