AI探索指南

关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件

AI探索指南

  1. AI探索指南

    凑个热闹试了一下阿里新推出的千问 APP

    凑个热闹试了一下阿里新推出的千问 APP

    没想到挺好的，做的很不阿里，操作简介，能力相当丰富，所有的功能全部免费。

    模型的种类上我感觉更是只有他能跟谷歌掰手腕了，这次终于想通了，要在 AI 应用上发力。

    下面是藏师傅的一些测试，有几个功能，我觉得挺好的，推荐试试👇

    首先整体的设计风格相当简洁而且一致

    完全不像其他阿里产品的风格，恍惚间好像看到了当时让我非常惊艳的夸克的设计
    所有的主要功能都集中在主页以及下面的胶囊区域里面，非常直观好理解
    很多能力都可以用自然语言直接触发让他操作，这个挺重要的，毕竟不是所有人都像我们一样对各种模型如数家珍

    作为一个 i 人我很少出去玩，但前几天出门发现 AI 识图以及讲解的需求还是挺多的。

    比如一些人文古迹的信息问一下 AI 的话，能增加很多谈资，然后也能让你更好地了解这个地方。
    这里我找了一张前几天去拍的牌匾，因为有个字说实话不认识。
    然后我问一下，他回答得非常牛逼，他不止把文字的意思说出来了，而且他还知道这是哪个地方的牌匾。

    这个能搞定我们来个比较复杂的。

    我找了一个几乎完全没有文字信息和内容的图片，识别物可能只有银杏树和古建筑。
    没想到他很快就搞定了，而且这种复杂任务会自动调用深度思考能力，即使我没有勾选深度思考。

    我在点开拍照的时候发现他还有拍照翻译的能力。

    而且非常牛批的是不止会输出文字版本的翻译还会帮你输出翻译后的图片，排版都是对的只是外语换成了中文。
    这个太好用了，不止可以翻译药品之类的，搬运海外的图片或者信息的时候也很有用。

    搞定了图片识别之后我们再来看一个日常非常常见的场景就是文章总结。

    我这里选了一个比较复杂的，找到了我今年六月份的体检报告让他分析，应该我们很多朋友都有这种需求，一堆数确实看不懂，自带的分析又过于简单。
    可以看到整个分析比体检中心自带的清晰和直观多了，他会将有关联的部分整合到一起给你解释。
    血脂这里直接把相关的胆固醇、甘油三酯、低密度脂蛋白放在一起给你介绍，还会告诉你要定期检测，感觉阿里在健康数据这部分下了不少功夫。

    除了正常的提问以外，深度研究这个我们常用的资料搜集工具也是有的。

    选择输入框上方的对应胶囊按钮就可以触发，这里我选择让他调研最近热度比较高的影视飓风相亲角事件。

  3. AI探索指南

    我们特别善于造词的 Karpathy 老师又写了一篇文章，提出了一个有意思的分类

    我们特别善于造词的 Karpathy 老师又写了一篇文章，提出了一个有意思的分类。

    他说此前的计算机技术（他称为Software 1.0）能完成的任务的特点是 specifiable，也就是说，你能用清晰的语言描述步骤。

    而有了强化学习之后的计算机技术（他称为Software 2.0）能完成的任务的特点是 verifiable，也就是说，如果一项任务做的好不好是可验证的，那么它就可以被强化学习进行优化。

    这一点当然也不是全新的洞见。Jason Wei 今年夏天写过一篇文章（他称为 verifier's law），讨论验证不对称性在 AI 领域的关键作用。生活里大量的任务都处在这个「解决起来不容易但验证是否解决很容易」的不对称空间里（不妨把这理解为 P/NP 不对称性的一个推广），比如证明一个定理比阅读并检查一个证明是否正确困难，画一幅有特定形状的杯子的画比检查一副画里是否有这样一个杯子困难。强化学习意味着训练人工智能解决某个任务的难易程度与该任务的可验证性成正比。可验证性越高，就越容易在新范式下实现自动化。如果任务不可验证，则只能寄希望于神经网络的泛化能力，或者通过模仿等较弱的手段来实现。

    在我看来，这个思考框架简单且诱人，问题是它在实践中常常有些模糊。比如写（日常意义上的）文章算不算 verifiable task？理论上说，它不像编程，是一种更不客观更软性的创造性工作。但实际上，因为对除了纯文学创作以外的大多数文章类别，训练人工智能分辨文章好坏都没那么困难，所以实际上AI 在写日常文章这件事也算是基本取代人类了。

    一件事情 verifiable 通常是因为它可以沙盒化，也就是在一个可控可还原的环境里反复试验。如果你想在这一波 AI 浪潮里找到价值，这是个很好的出发点：去寻找那些可以沙盒化但还没有沙盒化的事情，这通常意味着它还处在被 AI 取代的早期，有巨大的套利空间。

    反过来，如果你想找到短期内不会被 AI 取代的工作，这也是个很好的出发点：去寻找那些不容易 verify 的事。它们通常有这样几个特点：

    - 只能在现实世界里操作，从而很难加速。比如商业/管理决策，是否成立总要执行了才知道，而执行是很慢的事情。
    - 因果链条很长很难归因。比如和人建立有互信的伙伴关系，或者在用户心中建立品牌形象，这类任务需要下水磨工夫，要做对很多环节，且做完了也不太确定到底哪一步是真的管用。
    - 验证过程对现实本身有不可逆的影响，比如说服某个特定的人，治疗某个特定的复杂病患。就像杀死薛定谔的猫，是死是活一锤子买卖。

    当前范式的 AI 对这类工作几乎无能为力。（不幸的是，这类工作对大多数人也都更困难，毕竟很难训练 AI 通常就意味着也很难培训人类自己。）

    但上面所有这些讨论有个根本的前提：这一轮人工智能始终把强化学习作为基础范式，而这一点本身是存疑的。不少领域里有迹象表明强化学习只是一个过渡性的技术。如果人们找到了绕过强化学习的窍门，那可验证性长远来看就没那么重要。

    （当然那样也就意味着人类的栖身之所又变得更小了。

  5. AI探索指南

    来了朋友们，这是我目前比较受益的AI流程：

    来了朋友们，这是我目前比较受益的AI流程：
    任何人3分钟都能利用AI在Reddit完成需求调研

    不用写代码，不需要N8N，用不到任何复杂的工具
    非常适合大众去实践，你只要有心，参考这个方法绝对可以独立完成需求调研

    如果有启发，期望大家多多转发点赞推荐一下👇🏻
    https://mp.weixin.qq.com/s/0P-zwazPIJ0yjCzbusTlDQ

  8. AI探索指南

    Manus 虽然黑子很多，问题也很多，并且持续要面对大厂已经在抄你了你怎么办的命题

    Manus 虽然黑子很多，问题也很多，并且持续要面对大厂已经在抄你了你怎么办的命题
    但在技术上还是神奇地保持着领先
    在完成人类真实的自动化任务方面，完成了 2.5%，比几个头部模型厂商做的都要好一点点
    听张涛在在葡萄牙里斯本 web summit 的分享
    重点讲到：工具的网络效应、主动性的Agent、长时任务基建
    这些都是 Agent 发展的前沿领域
    在未来几年，随着 Agent 基建的进步，2.5% 的完成率会逐渐提高
    那到时候 AI 会取代人类吗？
    Manus 的答案是 Extend Human Reach，Agent 是人类的延伸。

    演讲视频：https://mp.weixin.qq.com/s/PFCBTRutJbEXZRkoCWPZjQ?scene=1