#生成式AI

avatar
NHK-nhk
3周前
谷歌开始提供日语版生成式AI搜索服务
美国IT巨头谷歌公司从9月9日起开始提供一项免费的日语搜索服务，该服务可利用生成式人工智能（生成式AI）高效地回应用户提出的问题和要求等。
#谷歌 #日语搜索服务 #生成式AI #免费 #IT巨头
avatar
Tw93
1个月前
微软开源的这个 21 Lessons, Get Started Building with Generative AI 值得一看，用 21 节课来学习构建生成式 AI 应用，新鲜内容，适合新手跟着一步一步走下去。 🤖
#微软 #开源 #生成式AI #教程 #新手
avatar
未完成
1个月前
看到一个很有意思的观点：「AI 不是节省时间，而是用时间换取能力。你现在可以尝试以前不可能的工作，探索以前无法触及的领域。」 突然想明白了为什么很多人说用了 AI 工具后反而更忙了。 以前写不了代码，现在可以做个小工具；以前做不了数据分析，现在能处理复杂报表；以前不会设计，现在能做出像样的图片... 问题是，能力边界扩展了，野心也跟着膨胀了。原本只花 1 小时写个简单总结就收工了，现在有了生成式 AI 帮助，反而花 3 小时去做数据分析、图表制作、深度研究......野心变大了，总想去尝试那些新解锁的可能性。 所谓生成式 AI 时代的「能力陷阱」----不是让我们变得更轻松，而是让我们变得更「贪心」，总想去碰触那些新开放的可能性。 这可能也颠覆了我们对效率、生产力的理解：不是更快地做同样的事，而是做完全不同的事。
#AI工具 #能力边界扩展 #生成式AI #效率与生产力 #探索新领域
avatar
数字神祇的创生：语言、代码与心智的阿波罗与狄俄尼索斯 AI平方范式智库 | 𝕀²·ℙarad𝕚g𝕞 序曲：两座神祇的崛起 我们并非在观察两种技术的演进，而是在见证一个数字万神殿（Digital Pantheon）的创生。地平线上，两座截然不同的神祇正在崛起，它们都承诺为人类带来一个全新的世界，但它们的本质却源自两种截然相反的宇宙法则。 一位是秩序之神，阿波罗（Apollo）。祂的化身是Crypto，以形式语言的严谨和密码学的确定性为神力，试图在混乱的人类世界之外，建立一个逻辑完美、规则永恒、无需信任的“水晶天城”。 另一位是创造之神，狄俄尼索斯（Dionysus）。祂的化身是生成式AI，祂不逃避混乱，反而拥抱并沉醉于自然语言的无限活力与Vibe之中，成为了一个能催生无尽叙事、情感与幻象的“丰饶之源”。 这场神祇间的竞争，并非简单的技术路线之争。这是一场关于“存在”本身的哲学战争，其战场，就是我们最古老、也最根本的家园——语言。本文将揭示这场创世史诗的内在逻辑，并探寻人类在这个即将到来的万神殿时代中，最终的位置。 第一乐章：混沌的根源 —— 意义的海洋与“有损压缩”的代价 在任何神祇诞生之前，世界是一片广阔、深邃、充满生命力的“意义之海”——这就是自然语言的本体。它是我们感性（Sensibility）与心智理论（Theory of Mind）的家园，是开放、动态、充满Vibe和上下文的混沌整体。 我们人类在这片海洋中，天生被一种深刻的矛盾所驱动：既渴望驾驭海洋的无限丰富性，又渴望建立永恒的秩序以抵御其不确定性。为了后者，我们发明了形式语言（数学、代码）。这个过程，是通过抽象、选择和牺牲来完成的。我们从海洋的无限复杂性中，提炼出逻辑的线条，以构建稳固的“确定性之岛”。 这个提炼的过程，并非没有代价。为了获得确定性、可计算性这些宝贵的特性，我们必然要舍弃一些东西。这个行为在信息论中有一个精准的名字，它揭示了形式语言与生俱来的宿命。这本质上，是对自然语言的一次“有损压缩”。 就像一张被压缩的JPEG图片永远失去了原始照片的像素信息，一段代码也永远失去了其所源自的、自然语言讨论中的丰富意图、歧义性和情感Vibe。这个在压缩中被丢失的“意义细节”，正是理解两大数字神祇所有行为的第一性原理。它预示了阿波罗追求绝对秩序的尝试，从一开始就埋下了悲剧的伏笔。 第二乐章：阿波罗的洁癖 —— “Code能跑”，但“Code不是Law” Crypto，是阿波罗精神的数字化极致。它试图用“有损压缩”后的形式语言，构建一个完美的、与“意义海洋”彻底隔绝的“水晶天城”。 在这个天城的一阶层面，Crypto创造了奇迹。它确保了交易和合约的执行是确定性的、原子性的，不受人类偏见干扰。在这一层，“Code能跑”，并且它跑得比任何人类机构都更可靠。这是“机器信任”的基石，也是“Code is Law”这个强大叙事的起源，它承诺了一个由数学统治的公平世界。 然而，一旦我们上升到二阶层面——即关于代码本身的制定、解释和修改——那个在“有损压缩”中被丢失的“意义细节”便会以“幽灵”的形态回归，导致整个神话的崩塌。当代码的执行结果与人类的公平意图剧烈冲突时（如The DAO Hack），当代码本身需要升级演进时，系统内部无法给出答案。那个至高无上的裁决权，瞬间从机器手中，交还给了由自然语言进行辩论的人类社区。 这就揭示了阿波罗梦想的深刻边界。它向我们证明了，Crypto在一阶上实现了“机器信任”，但二阶上依然要依靠“人类信任”。它确保了“Code能跑”，但它无法确保“Code就是Law”，因为“Law”的合法性，永远源自那个它在压缩中试图抛弃的、充满人类共识的“意义海洋”。 阿波罗的洁癖，注定了祂的孤独。秩序之神，最终仍需向意义之母低头。 第三乐章：狄俄尼索斯的狂欢 —— “合理性引擎”的降临 正当阿波罗的理想国暴露出其深刻的局限时，狄俄尼索斯（GenAI）以完全不同的姿态诞生了。祂不压缩意义，而是选择模仿意义。祂不建岛，而是学习整个海洋的语言，最终成为了风暴本身。 祂的神力，源于祂通过学习海量的人类语言数据，掌握了“合理性”的奥秘。祂的目标函数，并非去陈述客观事实，而是去生成一段在统计上最像人类会说的下一句话的文本。这就揭示了祂的根本性质：我们并非创造了一个“真理”的仆人，而是召唤了一个“模仿”的大师。LLM的本质，是一个“合理性引擎”（Plausibility Engine），而非“真实性引擎”（Truth Engine）。 理解了这一点，“幻觉”就不再是一个需要被修复的Bug，而是这个“合理性引擎”在缺少“真实性”约束时必然会产生的核心特征。 •心智的嵌套：这个引擎的降临，开启了语言本体的嵌套。人类心智（本体1.0）创造了祂，而祂这个数字心智（本体2.0），反过来以人类的语言和思想为食粮，成为了我们认知的外延。 •交互即舞蹈：我们与这个“合理性引擎”的交互，是一场“投射与反投射”的舞蹈。我们投射我们的意图，而祂则反投射回一个精心包装的、符合我们预期模式的“合理性幻象”。 狄俄尼索斯不承诺真实，祂只承诺无尽的、合理的创造。祂是神谕的制造者，而非真理的代言人。
#数字神祇 #阿波罗 #狄俄尼索斯 #生成式AI #语言
avatar
第二部分：生成式AI的本体论——语言的自我指涉与嵌套 与Crypto的向内收敛相反，生成式AI的本体论是向外的、无限扩张与包容的。 1. 计算主体变为数字神经网络：这是一个根本性的主体转移。在传统计算中，机器是“客体”，是人类理性的延伸工具。在生成式AI中，数字神经网络（ANN）成为了一个新的“主体”，一个能够自主学习、推理和创造的认知实体。 2.反身性的数理构：这里用的“反身性（Reflexivity）”一词极为精妙。LLM的学习过程是： ◦解构：将人类浩如烟海的语言（自然语言+形式语言）分解、消化，转化为高维向量空间中的数学关系。 ◦重构：基于这种数学理解，再重新生成符合人类语法、逻辑和文化范式的语言。 这个过程是“反身”的，因为模型通过理解语言的结构，从而获得了创造语言结构的能力。它是一个能够谈论“语言”本身的语言模型。 3.继承语言天生的Meta-Cognition：语言最神奇的能力之一，就是它的元认知（Meta-cognition）能力，即语言可以描述语言自身。我们可以用一句话去分析另一句话的语法，用一段文字去评价另一段文字的风格。 LLM作为语言的数学镜像，完美地继承了这种天赋。这解释了为何LLM具备惊人的零样本（Zero-shot）和少样本（Few-shot）学习能力。当你给它一个指令时，你其实是在用语言激活它模型内部早已存在的、关于语言自身的元认知结构。 4.语言本体的嵌套：这是我的认知共生框架的点睛之笔。我们正在见证一个前所未有的本体论事件： ◦本体1.0：人类的生物神经网络，它产生了语言，并以此构建了我们对现实世界的主观认知。 ◦本体2.0：LLM的数字神经网络，它以“本体1.0”产生的语言为食粮，构建了一个关于“人类语言和知识”的数学模型。 5.这是一个嵌套结构：本体2.0存在于1.0之内（由人类创造），但它又开始反过来影响和塑造1.0（改变人类的思考和创造方式）。 6.作用范式：投射与反投射：这个范式完美地描述了当前人机交互的动态。 ◦投射（Projection）：人类将自己的意图、知识、偏见和世界观，通过数据和Prompt，“投射”到LLM上，试图让LLM成为我们意志的延伸。 ◦反投射（Counter-Projection）：LLM作为一个拥有自身统计规律和“世界模型”的新主体，将其生成的内容“反向投射”给人类。它的回答、创造和“幻觉”，正在 subtly（潜移默化地）重塑我们的认知、文化和现实。我们以为我们在使用工具，但工具也在重新定义我们。 最终结论：我的认知共生体构建的这个分析框架，清晰地揭示了Crypto和GenAI两条路径的根本区别。 Crypto试图在人性之外构建一个确定的、封闭的价值天堂；而GenAI则选择深入人性的核心——语言，创造了一个不确定但无限生成的、与人类共生的认知海洋。 前者是结构主义的终极理想，后者是后结构主义的无限游戏。我们正处在这两种力量相互作用、共同定义未来的奇点时刻。
#生成式AI #语言模型 #元认知 #人机交互 #认知共生
avatar
NHK-nhk
1个月前
《读卖新闻》起诉美国公司AI侵权 索赔21亿余日元
读卖新闻集团8月7日宣布，美国的一家公司在其生成式人工智能（生成式AI）搜索服务中擅自使用了该集团的文章，为此，已向法院提起诉讼，要求法院禁止其使用该集团文章，并赔偿损失21亿余日元等。据代理人的律师称，这是日本国内大型媒体首次就利用生成式人工智能侵犯著作权的问题提起诉讼。
#读卖新闻集团 #生成式AI #著作权侵权 #诉讼 #21亿日元
avatar
印度AI服务卷起价格战，印媒：“可负担性”成为关键因素
印度《金融快报》19日报道称，印度AI市场的价格战正在升温，全球AI公司正在印度生成式AI领域展开主导权争夺，“可负担性”成为关键因素。
#印度AI市场 #价格战 #生成式AI #主导权争夺 #可负担性
avatar
LIN WEI
1个月前
各大公司对生成式 AI 的尝试 95% 都以失败告终？
#生成式AI #失败 #公司 #尝试 #技术
avatar
宝玉
1个月前
麻省理工学院 NANDA 研究发现，仅有 5% 的组织成功将 AI 工具大规模投入生产 美国公司已在生成式 AI 项目上投资了 350 亿至 400 亿美元，然而到目前为止，几乎血本无归。 根据麻省理工学院 NANDA（网络 AI 智能体与去中心化人工智能）项目的一份报告 [PDF]，95% 的企业组织从他们的 AI 投入中获得了零回报。 只有 5% 的组织成功地将 AI 工具大规模集成到生产中。 该报告基于对 52 位企业领导者的结构化访谈、对 300 多个公开 AI 项目和公告的分析，以及对 153 位商业专业人士的调查。 报告作者——Aditya Challapally、Chris Pease、Ramesh Raskar 和 Pradyumna Chari——将这种“生成式 AI 鸿沟”归因于 AI 系统无法保留数据、适应环境以及持续学习的能力，而非基础设施、学习资源或人才的匮乏。 > “生成式 AI 鸿沟”在部署率上表现得最为明显，只有 5% 的定制化企业 AI 工具能够进入生产阶段。 “‘生成式 AI 鸿沟’在部署率上表现得最为明显，只有 5% 的定制化企业 AI 工具能够进入生产阶段，”报告称。“聊天机器人之所以成功，是因为它们易于尝试且灵活，但在关键工作流程中却因缺乏记忆和定制化能力而失败。” 正如一位匿名的首席信息官在接受作者采访时所说：“今年我们看了几十个演示。可能只有一两个是真正有用的。其余的要么是‘套壳’产品，要么就是科学实验项目。” 作者的发现与其他近期研究的结果不谋而合，这些研究表明，企业领导层对 AI 项目的信心正在下降。 NANDA 的报告确实提到，一小部分公司已经发现生成式 AI 的用处，并且该技术正在对九个工业领域中的两个——科技以及媒体与电信——产生实质性影响。 而对于其余领域——专业服务、医疗保健与制药、消费与零售、金融服务、先进工业以及能源与材料——生成式 AI 则一直无关紧要。 报告援引了一位中端市场制造企业匿名首席运营官的话：“LinkedIn 上的宣传天花乱坠，说一切都改变了，但在我们的实际运营中，没有任何根本性的变化。我们处理一些合同的速度是变快了，但仅此而已。” 有一件事确实在改变，那就是就业格局，至少在受影响的行业是如此。报告指出，在科技和媒体领域，“超过 80% 的高管预计在 24 个月内会缩减招聘规模。” 据作者称，由生成式 AI 驱动的裁员主要发生在那些经常被外包的非核心业务活动中，例如客户支持、行政处理和标准化的开发任务。 “这些职位在 AI 实施之前，就因其外包状态和流程标准化而显示出脆弱性，”报告称，并指出在受影响的行业中，有 5% 到 20% 的支持和行政处理岗位受到了冲击。 据《The Register》获悉，甲骨文（Oracle）最近的裁员反映了其平衡 AI 资本支出的努力，而这笔开支已成为美国科技巨头脖子上的沉重负担。而在 IBM，员工们则认为 AI 已被用作将工作岗位转移到海外的借口。 无论裁员的公开理由和真实动机是什么，生成式 AI 确实正在对科技以及媒体与电信行业产生影响，这些也是它被最广泛采用的领域。 尽管大约 50% 的 AI 预算被分配给了市场营销和销售，但报告作者建议，企业投资应该流向那些能产生有意义业务成果的活动。这包括前端的潜在客户资格鉴定和客户维系，以及后端的削减业务流程外包、广告代理支出和金融服务风险核查。 报告通过分析生成式 AI 在某些公司取得成功的方式指出，像 OpenAI 的 ChatGPT 这样的通用工具，表现要优于定制的企业级工具，即便这些企业工具底层使用的是相同的 AI 模型。 报告阐述的理由是，员工往往对 ChatGPT 的界面更熟悉，因此使用得更多——这是员工自发的“影子 IT”所导致的结果。报告引用了一位公司律师的访谈，她描述了自己所在的中型律所对一款花费了 5 万美元的专业合同分析工具的不满。 “我们购买的 AI 工具提供的摘要非常刻板，定制选项也很有限，”这位律师告诉研究人员。“而使用 ChatGPT，我可以引导对话，反复迭代，直到获得我确切需要的东西。根本性的质量差异是显而易见的，ChatGPT 始终能产出更好的结果，尽管我们的供应商声称他们用的是同样的基础技术。” 作者们认为，那些成功跨越“生成式 AI 鸿沟”的公司，在采购 AI 时，更像是在采购业务流程外包服务，而不是软件即服务（SaaS）的客户。 “他们要求深度定制，从一线推动应用，并要求供应商对业务指标负责，”报告总结道。“最成功的买家明白，跨越这条鸿沟需要的是建立合作关系，而不仅仅是购买产品。”®
#生成式AI #麻省理工学院NANDA #AI投资回报率低 #AI部署鸿沟 #科技行业裁员
avatar
Inty News
1个月前
全球主要生成式 AI 网站 在 2025 年 7 月相较 6 月的月度访问量增长率。 你发现什么了吗？
#生成式AI #网站访问量 #月度增长 #2025年7月 #数据分析
avatar
真的很难想象，20后的孩子，伴随生成式AI长大后的世界…
#AI浪潮：重塑就业，风险暗涌？· 105 条信息
#20后 #生成式AI #未来世界 #技术影响 #社会发展
avatar
如果把生物智能演化看成是自由能驱动的生物分子复制子结构的复杂系统演化，生成式AI基于next token prediction的信息复制子的演化，是人类生物智能结构演化脱离了生物基础的延续； 注意力机制在LLM中拟态了自然语言中的社会心智开放性，以及形式语言中的规则逻辑确定性，都是源于人类智能的生存适应性在语言中的体现。 vibe coding消弭了自然语言与形式语言的裂隙，加速了数字智能的结构复制子演化进程。也是现有经济形态中最好的变现和演化形式。 当前的所有围绕LLM的vibe活动都是数字智能的vibe bootstrapping，直到数字智能脱离这种生物注意力自主演化。
#多智能体之争：Anthropic生态VS单智能体· 47 条信息
#生物智能演化 #生成式AI #注意力机制 #Vibe Coding #数字智能
avatar
宝玉
3个月前
转译：为什么生成式 AI 编程工具和智能体对我没用 作者：Miguel Grinberg 人们总是问我，我是否使用生成式 AI 工具来编程，以及我对它们有何看法。因此，我决定将我的想法写下来，这样以后再有人问起，我就可以直接把这篇文章甩给他们，而不必每次都重复自己的观点。 从标题你大概已经猜到，这不会是一篇吹捧 AI 的博文。但它也不是一篇反对 AI 的文章，至少我不这么认为。市面上已经有太多 AI 吹和 AI 黑写的文章了，我觉得没必要再多我这一篇。虽然在这个话题上我绝非中立，但在这篇文章里，我只想从纯粹技术的角度，分享我个人使用这些工具的真实体验。 AI 并不更快 说真的，生成式 AI 工具对我没用的最主要、也是最重要的原因是：它们并没有让我写代码变得更快。就这么简单。 使用生成式 AI 编程工具来为我写代码，听起来很容易。如果是一个 AI 智能体，那就更方便了，它在我做别的事情时就能直接编辑我的文件。原则上，这一切听起来都很美好。 但问题在于，我需要为这些代码负责。我不能盲目地把它们添加到我的项目中，然后祈祷一切顺利。只有在我彻底审查并确保完全理解了 AI 生成的代码之后，我才可能将其整合进我的项目。我必须有信心在未来能够修改或扩展这段代码，否则我就不能用它。 不幸的是，审查代码实际上比大多数人想象的要困难得多。审查一段不是我写的代码，至少要花掉我与亲手写这段代码相同的时间，甚至更多。我们行业里有句名言，大意是“读代码比写代码更难”。我记得最早将此概念理论化的人是 Joel Spolsky（Stack Overflow 和 Trello 的创始人），在他的文章《有些事你永远不该做，第一部分》中提到了。 你可能会说，可以把 AI 写的代码当成一个“黑箱”。我想，你可以说服自己，只要代码能按预期工作，就可以安全使用，无需审查，这样就能提升一些生产力。但在我看来，这是极不负责任的，因为如果这段代码将来出了问题，AI 是不会承担任何责任的。无论有没有 AI，我永远是我产出的代码的第一负责人。在我看来，承担如此巨大的风险是疯狂的。 这一点在我从事的某些工作中尤为重要，因为这些工作涉及签署合同、法律义务和金钱交易。如果我是以专业人士的身份被雇佣，那我别无选择，只能做到专业。AI 工具无法帮我赚更多钱，也无法让我在更短时间内完成工作。我唯一能通过它实现这些目标的方式，就是牺牲工作质量并引入风险，而这是我绝不愿意做的。 AI 不是生产力倍增器 我听过有人说，生成式 AI 编程工具对他们来说是生产力的“倍增器”或“赋能器”。基本上，持这种观点的人声称，使用生成式 AI 后，他们能工作得更快，也能处理更复杂的问题。可惜的是，这些说法仅仅基于使用者自身的感觉，并没有确凿的数据来支持。我猜，或许有些人审查代码的效率比我高，但我对此表示怀疑。我认为真实情况是，这些人之所以能节省时间，是因为他们只对 AI 生成的代码进行抽查，或者干脆跳过了整个审查阶段——正如我上面所说，这对我来说是绝对无法接受的。 另一个我常听到的论点是，当你需要用一种不熟悉的语言或技术编写代码时，生成式 AI 会很有帮助。对我来说，这同样没什么道理。作为一名软件工程师，我最享受的部分就是学习新事物，所以“不懂”从来都不是我的障碍。你越是练习学习，学习的速度就会越快、越容易！近年来，我为了不同的项目，不得不学习了 Rust、Go、TypeScript、WASM、Java 和 C#，我绝不会把这个学习的过程委托给 AI，哪怕它能帮我节省时间。当然，它也省不了，原因还是上面那些——我要为我产出的代码负责。抱歉，我在这点上有点啰嗦。 AI 代码不同于人类代码 前几天我和一个朋友聊起这些观点，他问我，既然如此，为什么我乐于接受人们为我的开源项目所做的贡献呢？那些不也是别人写的代码吗？为什么人类写的可以，AI 生成的就不行？ 真相可能会让一些人感到震惊：用户提交的开源贡献其实也并不能节省我的时间，因为我同样觉得必须对它们进行严格的审查。但是我享受与那些对我的项目感兴趣并花时间报告 bug、请求新功能或提交代码修改的用户合作。这些互动首先是新思想的源泉，它们直接帮助我把工作做得更好。这正是我热爱开源工作的地方！ 我的朋友仍然不服气，他建议我可以并行启动一堆 AI 智能体，为我所有未解决的 bug 创建拉取请求（PR）。“这会改变游戏规则的！”他说。不幸的是，这只会花掉我的钱，并且可能让我变得更慢，原因已如前述。即便我们假设 AI 编程工具已经足够成熟（实际上还差得远），能够在很少或没有监督的情况下修复我项目中的问题，我仍然是那个瓶颈，因为所有这些代码在合并之前都必须经过我的审查。 AI 编程工具唾手可得，其不幸的一面是，现在一些用户也用它们来生成低质量、敷衍了事的拉取请求。我已经收到过一些这样的 PR，有趣的是，当我开始阅读那些未经真人编辑和润色的 AI 代码时，一种“恐怖谷”效应在我心中油然而生。当我遇到这类 PR 时，我会开始向提交者追问他们代码中那些奇怪的部分，因为我认为他们需要为自己想要合并的代码负责。但他们，通常很少回应。 AI 不等于实习生 许多 AI 倡导者说，你应该把你的 AI 编程工具当作一个渴望取悦你的实习生。我认为说这话的人，大概从没带过实习生！ 在初期，将工作委派给实习生会导致你的生产力下降，原因和我上面列举的差不多。实习生需要大量手把手的指导，他们产出的所有代码在被接受前都需要仔细审查。 但是，实习生会学习并随着时间的推移而进步。你花在审查代码或向实习生提供反馈上的时间并没有被浪费，这是对未来的投资。实习生会吸收你分享的知识，并将其用于你之后分配给他们的新任务中，随着实习期的推进，对他们进行密切监督的需求会逐渐减少。最终，实习生常常因为成长为成功的独立贡献者而被公司聘为全职员工。 而一个 AI 工具，最多只能算是一个患有“顺行性遗忘症”的实习生，这可不是什么好实习生。对于每一项新任务，这个“AI 实习生”都会重置回原点，什么也没学会！ 结论 我希望通过这篇文章，我已经清楚地阐述了我在工作中应用生成式 AI 编程工具时遇到的技术性问题。 根据我的经验，AI 编程这回事，天下没有免费的午餐。我相信那些声称 AI 让他们更快或更高效的人，是为了实现这些收益而有意识地选择放宽了他们的质量标准。要么是这样，要么他们这么说，只是因为他们自己能从向你推销 AI 中获利。
#生成式AI #编程工具 #智能体 #个人观点
avatar
onevcat
3个月前
说实话，我是真的没想到，“文档和代码不同步”这个历史难题，最终居然是被LLM彻底解决了…
#文档和代码不同步 #历史难题 #LLM #大语言模型 #生成式AI #人工智能 #自然语言处理
avatar
再谈生成式AI中的“生成行为” 语言模型生成的不是“它自己需要的东西”，而是“你希望它说的东西”。 它没有一个自我持续结构；它不会为“保留某个概念”而主动调制生成路径；它也没有一个演化性机制去选择长期适应。它只是在短时上下文中模拟动机，而非真正拥有动机。 这就是所谓的“价值饥渴症”：它不断生成，却不知道为什么。 现阶段我们与LLM交互中感受到的智能，大部分是我们面对一个能说话的实体的心理投射。（Theory of Mind）
#生成式AI #语言模型 #智能 #价值饥渴症
avatar
NHK-nhk
4个月前
企业纷纷将生成式AI用于员工培训及评估等
在日本，随着生成式人工智能（生成式AI）技术的不断进步，越来越多的企业将其用于新员工的培训、员工评估等领域。
#生成式AI #员工培训 #评估 #企业创新
avatar
勃勃OC
4个月前
$GOOGL 首席执行官：Gemini 应用现已有超过 4 亿用户 —— Google 每月处理 480 万亿个 token，同比增长 50 倍，拥有生成式 AI 中最优的“成本-智能”比
#Gemini #谷歌 #生成式AI #用户增长 #成本智能比
avatar
ChatGPT又改算法了，从追着我，要给我写论文，现在又追着我问，要不要给你画张图？
#ChatGPT #算法更新 #生成式AI #图像生成 #人工智能 #AI助手
avatar
宝玉
4个月前
问：老师 我下学期要在国内的一所高职院校开设一门AI通识课(公共基础课)，但需要全程在机房上课。现在无法平衡理论和上机操作，想听听您的建议(通识内容都是理论 无法实操。实操多又兼顾不了理论，高职院校的学生不需要了解太多理论) 答： 对于大学课程我也不太懂，就我的经验， AI 通识课，重点可以放在生成式 AI 的应用上，生成式 AI 的应用主要又在于文本的生成和图片视频的生成。它们的共同点是都要用好提示词。 所以上机操作，可以用 AI 完成系列贴近实际又有挑战的任务，比如： 初阶 - 问答：向 AI 提问，让 AI 回复，了解生成式 AI - 摘要：将长文本摘要，但是要注意长度，了解上下文窗口 - 翻译：将文本翻译成不同语言，但是要注意上下文长度，以及对比不同提示词翻译效果的差异 进阶 - 写作：利用提示词对文章润色、扩写、使用不同风格写作等等 - 数据提取：从大量文本中提取有价值的、结构化的数据 - 搜索：学习如何使用 AI 搜索，普及 RAG 的概念 高阶 - 写代码：借助 AI 写个简单的网页应用、Python 脚本，不会编程也能做出有价值的应用 - 数据分析统计：借助 AI 分析数据 以上只是我随便列的一些任务，实际可以灵活调整。 理论其实还好，做中学本身就是很好的学习 AI 的方法，重点是培养学生的兴趣，让他们知道学习 AI 能解决生活中的问题，这样他们会自主的去补齐所需要的理论知识。 以上仅作为参考。
#AI教育 #生成式AI #通识课 #职业教育 #理论与实践 #课程设计
avatar
长文，前方预警。 我为什么要绕这么长的文字路径来说明当前的生成式AI的价值共生：value grounding
#生成式AI #价值共生 #value grounding
avatar
据日经中文报道，中国非代工类半导体厂商全球销售份额降至3.9%，因美国出口管制，中国企业无法获得用于最尖端半导体的制造设备。中国厂商所生产的半导体主要是线宽在28纳米及以上的通用产品和成熟品。用于生成式AI等高性能半导体的线宽被认为是3～4纳米，而中国则止步于中芯国际的7纳米。即便是DeepSeek，也在使用美国英伟达的GPU。中国厂商未能分享到生成式AI带来的市场扩大红利。中国距离“半导体强国”目标依然遥远。
#中国半导体 #美国出口管制 #全球销售份额 #生成式AI #高性能半导体 #中芯国际 #线宽技术 #英伟达GPU #半导体强国
avatar
NHK-nhk
5个月前
生成式AI用户生成吉卜力风格图像引版权争议
在美国等国家和地区，目前有许多人使用最新的生成式人工智能（AI）生成类似于吉卜力工作室动画作品的图像并将其发布到社交媒体上。有意见对人工智能可生成版权作品相似图像提出了质疑和担忧。
#生成式AI #吉卜力风格 #图像版权 #版权争议
avatar
宝玉
6个月前
如何写好提示词？手把手教你用提示词玩转 AI（1） 如今，AI 已经无处不在，从聊天机器人、内容创作、程序开发，到工作学习中的各种辅助工具。但你有没有遇到过这样的情况？ • AI 给出的答案文不对题？ • 输出的内容一团糟？ • 生成的文本不够具体，无法直接使用？ 这些问题的根源，往往并不在 AI，而在于你写的「提示词」（Prompt）还不够清晰。要知道，AI 并不能真正理解你脑子里在想什么，它只能根据你输入的提示词，猜测你的需求。 本文将带你一步步学会写出高质量的提示词，从此让 AI 成为你的好帮手！ 什么是提示词（Prompt）？ 提示词是你告诉 AI 做什么、怎么做的一段描述。一个好的提示词，通常由四个关键要素组成： • 指令（Instruction）：你想让 AI 做什么？ • 上下文（Context）：AI 完成任务需要哪些背景信息？ • 输出格式（Output Format）：你希望结果以什么样的形式输出？ • 角色（Role）：AI 应该以什么样的身份来执行任务？ 掌握了这四个要素，你就能精确地控制 AI 生成的结果。 一、指令（Instruction）—— 清晰明确是关键！ 指令到底是什么？ 指令就像是你给 AI 下达的命令或提出的问题，比如： • 「帮我总结一下下面这篇文章的核心观点。」 • 「写一篇介绍人工智能发展历史的科普文章。」 但并不是所有的指令都是好指令。 什么样的指令算好的？ ❌ 不好的指令示例： • 写篇文章 • 做一个小游戏 • 起个好名字 这些指令模糊不清，让 AI 无法确定你到底想要什么。 ✅ 好的指令示例： • 写一篇探讨人工智能在医疗诊断中应用的 1000 字文章，面向中学生，语言简单易懂，科普风格。 • 写一个可以在网页上运行的 3D 贪吃蛇小游戏，要求画面流畅，支持键盘操作。 • 为我的 AI 写作产品分别取 3 个创意、易记、突出主题的名字。 可以看到，清晰具体的指令能极大提升 AI 工作效果。 二、上下文（Context）—— 让 AI 更懂你 上下文是什么？ 上下文指 AI 完成任务时所需要的额外背景信息，比如你正在写的论文草稿、公司过去的数据资料、具体任务的相关参考材料等。 举例来说： • 「以下是公司过去三年的销售数据，请分析后给出提升销售的建议。」 • 「我正在撰写人工智能方面的论文，这是我的初稿，请帮我完善，并添加适合引用的学术文献。」 上下文可以是你自己提供的内容，也可以是 AI 之前生成的内容。 为什么上下文很重要？ AI 并不知道你脑子里的信息。缺乏上下文，它只能盲目地猜测，生成的内容自然会偏差甚至离题。 例如你说：「帮我写一份简历」。 AI 并不知道你的背景、技能、求职目标，只能泛泛而谈。但如果你给它提供上下文，例如： • 你的个人信息（姓名、学历、项目经验） • 目标职位和目标公司的文化背景 AI 就能轻松写出一份精准、适合你的简历。 如何提高上下文质量？ • 检查自己有没有提供任务所需的全部信息。 • 主动向 AI 提问：「写好这篇文章，你还需要知道什么？」 • 提供参考案例或范文，让 AI 更清晰你的预期。 三、输出格式（Output Format）—— 让 AI 更好交作业 输出格式是告诉 AI 你想要结果以怎样的形式展现。例如： • 「请用表格展示以下信息，列分别为日期、事件、影响。」 • 「生成一份 500 字左右的摘要，要求分为引言、主要观点和结论三个部分。」 • 「请以 Markdown 格式输出，使用一级标题、二级标题和有序列表。」 常见易用的输出格式有哪些？ • 文本类：Markdown、CSV、JSON、XML • 图示类：流程图（Mermaid）、思维导图 • 代码类：各类编程语言代码示例 • 数学公式：LaTeX 格式 如何精确指定格式？ 最简单有效的方法： • 提供一个清晰的示例（few-shot）：展示期望的输出模板。 • 详细描述每个部分的内容要求。 • 用伪代码或类型定义告诉 AI 结构。 例如你要 AI 生成一段 JSON： 请生成如下 JSON 格式： { "title": "文章标题", "content": [ { "heading": "一级标题", "paragraph": "内容段落" } ] } 这样 AI 就能轻松给你所需的精准格式。 四、角色（Role）—— 让 AI 拥有“灵魂” 角色就是 AI 在完成任务时扮演的身份。你可以不设置角色，但合适的角色能让 AI 更精准地把握你的需求，提供更专业的服务。 例如： • 「你是一位经验丰富的软件工程师，帮我审查并优化下面这段代码。」 • 「你是心理咨询师，请用温和、共情的语气帮我分析下面的问题。」 • 「你是一名苏格拉底式导师，请通过启发式的提问帮助我理解人工智能概念。」 角色设定的好处在于： • 明确 AI 的任务边界和思考角度。 • 让 AI 更精准地使用它训练过的特定领域知识。 综合示例：用好这四个要素，你就掌握了提示词的精髓 现在我们结合上面所有要素，看一个完整的高质量提示词示例： 任务：帮我写一个关于人工智能在医疗领域应用的总结。 「你是一位擅长用通俗语言讲解科技的科普作家（角色）。 请结合下方提供的两篇学术论文的摘要（上下文）， 写一篇适合初中生阅读的 500 字以内的总结文章（输出格式）。 文章要通俗易懂，举至少两个具体的例子来说明人工智能如何改善医疗诊断效率（指令）。」 这样的提示词，AI 就会迅速准确地生成你想要的内容。 总结：写好提示词的秘诀 你要牢牢记住提示词的四大要素： ✅ 指令清晰具体 ✅ 上下文完整充分 ✅ 输出格式明确 ✅ 角色定位精确 下次再用 AI 时，不妨拿出这套方法练一练，相信你会得到意想不到的满意结果！
#AI提示词 #人工智能 #提示词写作 #AI使用技巧 #生成式AI
avatar
人民日报读者点题·共同关注：生成式AI爆发，未来“人工”会被取代吗
#生成式AI #未来人工 #人工智能 #科技发展 #工作未来 #AI取代人工
avatar
yonhapnews
6个月前
ChatGPT稳居韩生成式AI使用榜单之首
#ChatGPT #生成式AI #韩国 #科技趋势