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
AIGC 领域的最新工具、开源项目以及行业大事件
3月8日，OpenAI官网连续发布两则公告，宣布董事会特别委员会针对2023年11月份。原董事会突然解雇Altman等事件的调查已告结束。现任董事会表示相信Altman与Brockman有能力继续领导OpenAI前进，决定接受Altman重新加入董事会，并宣布增补三名新董事。
增补三名董事分别是：Dr. Sue Desmond-Hellmann，Nicole Seligman和Fidji Simo。此三人，加上过渡董事会三人Bret Taylor, Larry Summers和Adam D’Angelo，再加上Sam Altman，构成了最新的OAI七人董事会。
详细内容，欢迎大家关注Life Transformer查看~
看起来11月的闹剧终于结束了，Mira也说前董事会向纽约时报的爆料是了在媒体上挽回面子而用匿名和误导性的说法来把她当作替罪羊。
下面是他们的履历：
Dr. Sue Desmond-Hellmann：是一位非营利组织领导者和医生。她曾担任宝洁、Meta（Facebook）和比尔及梅琳达·盖茨医学研究所的董事。她曾担任比尔及梅琳达·盖茨基金会的首席执行官，任期为2014年至2020年。2009年至2014年期间，她担任加利福尼亚大学旧金山分校（UCSF）的教授和校长，成为该职位的首位女性。她还曾担任基因泰克产品开发总裁，在开发第一批基因靶向癌症药物中发挥了领导作用。
Nicole Seligman：是一位全球公认的企业和公民领袖和律师。她目前在三家上市公司董事会任职 - Paramount Global、MeiraGTx Holdings PLC和Intuitive Machines, Inc。Seligman曾在索尼公司担任多个高级领导职务，包括担任索尼公司的执行副总裁和总法律顾问，负责全球法律和合规事务等职能。她还曾担任索尼娱乐公司总裁，并同时担任索尼美国公司总裁。Seligman目前还在纽约市的Schwarzman动物医学中心和The Doe Fund担任非营利组织领导职务。
Fidji Simo：是一位消费科技行业资深人士，拥有超过15年的领导世界领先企业运营、战略和产品开发经验。她是Instacart的首席执行官和董事长。她还担任Shopify董事会成员。在加入Instacart之前，Simo曾担任Facebook App副总裁和负责人。
来源：网页链接
今天，有个对AI特别感兴趣的朋友问我：“作为一个没有技术背景的人，想要深入探索AI，应该从哪里开始？
是不是应该先学习一些基础知识，比如Python编程和AI的基本概念，这样在未来理解代码、部署AI技术时，更加得心应手？”
我当场就急了，赶紧回复他说，晚点要专门写个帖子，回复这个问题。
1、
开宗明义：对于没有技术背景的小白，虽说迟早会学一点技术上的东西，但千万不要一上来就学技术。
本来就没啥技术底子，根本啃不动。别到最后，技术没学成，对 AI 的兴趣也荡然无存了。
如果本身就是某个领域的专业人员，还要去从零开始学技术，完全是舍近求远。
因为在AI市场上，缺的不是学了点基础 Python 的入门级工程师，而是懂某个领域 know-how 的行业专家。
2、
所以，更正确的路子应该是什么呢？从个人探索的角度，我总结了4个原则：
①Monkey First
"Monkey First"是Google X部门的一个口头禅，其含义是在解决问题时应该首先关注最困难的部分。
具体来讲，如果你的任务是让一只猴子站在基座上背诵莎士比亚的作品，"Monkey First"的策略会建议你应该将时间和资源集中在训练猴子上，而不是建造基座。
这是因为，基座的建造虽然看起来是在取得进展，但它并不会帮助你解决最关键的问题：如何让猴子背诵作品。
回到用 AI 上，对于非技术人员而言，最关键的问题绝不是花里胡哨的AI小技巧，而应该是如何借助AI提升我们的核心竞争力。
②生意为先
当然，许多人可能并不清楚，自己的核心竞争力在哪里。如果是这样的话，不妨考虑如何利用AI帮助我们更有效、更持续地盈利。
比如，从我们最熟悉的业务入手，思考它的关键要素有哪些，哪些方面是你最擅长的。明确了这些之后，再思考如何使用AI来进一步扩大这些优势。
反之，如果连基本的生意逻辑都搞清楚，盲目去探索 AI 所谓的可能性。很有可能会忙了半天，却一无所获，瞎子点灯白费蜡。
③精益创业
别看短视频天天吹，AI 替代某个工种、颠覆某个行业。真到了实干的环节，最牛的 AI，也不过名校实习生水平。它只能一点一点地干，一不小心还也可能出错，远没到可以独当一面的程度。
所以，在我们最熟悉的业务上，AI 到底能干成哪样，压根没人知道。我们只能原子级地一点点地尝试，测试多次到确认可行后，再进到下一个阶段。
这里还有个小的 tips，在原子级尝试的过程中，尽可能使用最强的AI。因为市面上有太多打着 AI 旗号的垃圾产品，看似免费或低成本，实际上却解决不了任何问题，看他们一眼都浪费时间。
以上的这些过程，就像互联网时代的“精益创业”，先用最小可行产品（MVP)把事情跑通，再去不断迭代和放大。
④思考框架
当原子级的尝试成功后，接下来就可以考虑系统性地解决问题了。
如果已经有成熟的SOP，那就尝试把某个环节的 SOP，做成一套提示词。然后，不断调整这套提示词，直到它可能稳定输出满意的内容为止。
如果没有成熟的SOP，那就尝试找一下解决这类问题的思考框架。这套框架可能来自书籍、课程，甚至可能来自某篇博客、公众号文章。然后，也可以像转化 SOP 一样，把这套思考框架变成提示词。
3、
拆解下来确实挺简单的，但往往越简单越有力量。
比方说，在我个人学习方面，目前也才到了这一步。
可在去年的这个时候，我还是完完全全的 AI 门外汉。
坚持这4个原则不到一年，我居然也在某个细分领域做到了“行业领先”，还有多家出版社跑过来找我出书……
是不是应该先学习一些基础知识，比如Python编程和AI的基本概念，这样在未来理解代码、部署AI技术时，更加得心应手？”
我当场就急了，赶紧回复他说，晚点要专门写个帖子，回复这个问题。
1、
开宗明义：对于没有技术背景的小白，虽说迟早会学一点技术上的东西，但千万不要一上来就学技术。
本来就没啥技术底子，根本啃不动。别到最后，技术没学成，对 AI 的兴趣也荡然无存了。
如果本身就是某个领域的专业人员，还要去从零开始学技术，完全是舍近求远。
因为在AI市场上，缺的不是学了点基础 Python 的入门级工程师，而是懂某个领域 know-how 的行业专家。
2、
所以，更正确的路子应该是什么呢？从个人探索的角度，我总结了4个原则：
①Monkey First
"Monkey First"是Google X部门的一个口头禅，其含义是在解决问题时应该首先关注最困难的部分。
具体来讲，如果你的任务是让一只猴子站在基座上背诵莎士比亚的作品，"Monkey First"的策略会建议你应该将时间和资源集中在训练猴子上，而不是建造基座。
这是因为，基座的建造虽然看起来是在取得进展，但它并不会帮助你解决最关键的问题：如何让猴子背诵作品。
回到用 AI 上，对于非技术人员而言，最关键的问题绝不是花里胡哨的AI小技巧，而应该是如何借助AI提升我们的核心竞争力。
②生意为先
当然，许多人可能并不清楚，自己的核心竞争力在哪里。如果是这样的话，不妨考虑如何利用AI帮助我们更有效、更持续地盈利。
比如，从我们最熟悉的业务入手，思考它的关键要素有哪些，哪些方面是你最擅长的。明确了这些之后，再思考如何使用AI来进一步扩大这些优势。
反之，如果连基本的生意逻辑都搞清楚，盲目去探索 AI 所谓的可能性。很有可能会忙了半天，却一无所获，瞎子点灯白费蜡。
③精益创业
别看短视频天天吹，AI 替代某个工种、颠覆某个行业。真到了实干的环节，最牛的 AI，也不过名校实习生水平。它只能一点一点地干，一不小心还也可能出错，远没到可以独当一面的程度。
所以，在我们最熟悉的业务上，AI 到底能干成哪样，压根没人知道。我们只能原子级地一点点地尝试，测试多次到确认可行后，再进到下一个阶段。
这里还有个小的 tips，在原子级尝试的过程中，尽可能使用最强的AI。因为市面上有太多打着 AI 旗号的垃圾产品，看似免费或低成本，实际上却解决不了任何问题，看他们一眼都浪费时间。
以上的这些过程，就像互联网时代的“精益创业”，先用最小可行产品（MVP)把事情跑通，再去不断迭代和放大。
④思考框架
当原子级的尝试成功后，接下来就可以考虑系统性地解决问题了。
如果已经有成熟的SOP，那就尝试把某个环节的 SOP，做成一套提示词。然后，不断调整这套提示词，直到它可能稳定输出满意的内容为止。
如果没有成熟的SOP，那就尝试找一下解决这类问题的思考框架。这套框架可能来自书籍、课程，甚至可能来自某篇博客、公众号文章。然后，也可以像转化 SOP 一样，把这套思考框架变成提示词。
3、
拆解下来确实挺简单的，但往往越简单越有力量。
比方说，在我个人学习方面，目前也才到了这一步。
可在去年的这个时候，我还是完完全全的 AI 门外汉。
坚持这4个原则不到一年，我居然也在某个细分领域做到了“行业领先”，还有多家出版社跑过来找我出书……
"事情发展到今天，一个我们曾经深深敬仰、激励我们朝更高目标努力的人，后来说我们的事业必然失败，然后自己离开成立了一家公司与我们竞争，到现在看到我们在没有他的情况下，沿着最初OpenAI使命的方向获得重大进展时，把我们给告了。我们感到很伤感。"
3月5日，OpenAI官方发布博客文章，对马斯克2月29日旧金山高院诉讼一案进行回应。所谓兼听则明，我们一起来看看另一方当事人是怎么看待整个事件的。
和 @然后好奇屋 一起搞了个 ComfyUI 插件，在你生成图片/视频时，会随机出现一只猫咪跳舞。
⭐️ 项目地址：https://github.com/jw782cn/ComfyUI-Catcat
⭐️ 这是我们的第一个 ComfyUI 插件，如果你喜欢的话，请在 GitHub 上帮我们点一颗星星。🙇♀️🙇♂️
Invalid media: video
⭐️ 项目地址：https://github.com/jw782cn/ComfyUI-Catcat
⭐️ 这是我们的第一个 ComfyUI 插件，如果你喜欢的话，请在 GitHub 上帮我们点一颗星星。🙇♀️🙇♂️
Invalid media: video
我们正处于标志性公司新时代的风口浪尖，这不仅是由开创性技术推动的，也是由令人信服的经济案例推动的。尽管具体结果难以预测，但我们可以从社会秩序、创造力和生产力等领域的变化中瞥见未来。有史以来第一次，经济上可行的具身AGI成为现实，可以解决现实世界的问题。
充分发挥这一人工智能浪潮的潜力将需要风险投资界、科技界和华盛顿政策制定者之间的伙伴关系和合作。这是一个令人兴奋的时刻，我们都应该为人工智能在未来几年的变革性影响做好准备。
视频链接：网页链接歸藏的AI工具箱的微博视频
充分发挥这一人工智能浪潮的潜力将需要风险投资界、科技界和华盛顿政策制定者之间的伙伴关系和合作。这是一个令人兴奋的时刻，我们都应该为人工智能在未来几年的变革性影响做好准备。
视频链接：网页链接歸藏的AI工具箱的微博视频
a16z 合伙人 Martin Casado 的演讲主要举例阐述 AI 将催生新一轮技术革命和产业变革。他们确实挺看重 AI 新募集了 70 亿美元的产业基金，相当一部分专注于 AI 应用。
不是给内行讲的，煽动性挺强，可以学一下他的表述方法。
我整理了一个文字版，翻译了视频，可以选择自己喜欢的方式观看。
文字版：
人工智能新浪潮的激动人心的经济学
人工智能已经存在很长时间了，在解决各种曾被认为是人类智能领域的问题方面有着成功的历史。从20世纪50年代和60年代用于医疗诊断的专家系统，到80年代和90年代在国际象棋中击败俄罗斯人，再到图像检测和机器人技术，人工智能已经在一系列应用中证明了其能力。在许多情况下，人工智能解决方案甚至超越了人类的表现。
尽管如此，投资界对缺乏类似于移动和互联网的平台转变感到困惑。研究指出了几个原因，包括许多人工智能解决方案的利基性质、某些应用（如机器人技术）中正确性的高度重要性、某些情况下对硬件的需求，以及人工智能常常与人脑令人难以置信的效率和低成本竞争的事实。
然而，当前的人工智能浪潮，其特点是大型模型或基础模型，在经济学方面有着根本的不同。这些模型可以从简单的输入生成图像、文本、对话等。它们擅长以前人工智能未涉及的领域，如创造力、自然语言推理，以及充当普通在线任务的 "副驾驶"。
阻碍传统人工智能应用的原因不适用于这些新模型。它们的应用市场是巨大的，在许多情况下正确性不是大问题，使用案例主要是基于软件的，最令人惊讶的是，计算机在曾经被认为是人类独有的任务上远比人类更便宜和更好。例如，使用人工智能将自己生成为皮克斯角色的图像成本约为1/100美分，只需一秒钟，而雇佣一名图形艺术家每小时需要100美元。类似地，使用人工智能语言模型来理解复杂的法律文件比与律师合作要便宜四到五个数量级，而且速度更快。
这种经济错位正在推动互联网历史上增长最快的公司。历史上，这种边际成本的下降创造了平台转变并改变了行业，正如微芯片将计算成本降至零，互联网将分销成本降至零一样。大型模型现在正在将图像生成和语言理解等广泛领域的创作边际成本降至零。
虽然这种经济破坏会引起人们对就业错位的担忧，但微芯片和互联网时代的经验表明，如果需求是有弹性的，正如计算和分销的情况一样，总吞吐量和使用量会大幅增加，从而导致增长扩大，而不是失业。人工智能的这一新浪潮可能也会发生同样的情况。
不是给内行讲的，煽动性挺强，可以学一下他的表述方法。
我整理了一个文字版，翻译了视频，可以选择自己喜欢的方式观看。
文字版：
人工智能新浪潮的激动人心的经济学
人工智能已经存在很长时间了，在解决各种曾被认为是人类智能领域的问题方面有着成功的历史。从20世纪50年代和60年代用于医疗诊断的专家系统，到80年代和90年代在国际象棋中击败俄罗斯人，再到图像检测和机器人技术，人工智能已经在一系列应用中证明了其能力。在许多情况下，人工智能解决方案甚至超越了人类的表现。
尽管如此，投资界对缺乏类似于移动和互联网的平台转变感到困惑。研究指出了几个原因，包括许多人工智能解决方案的利基性质、某些应用（如机器人技术）中正确性的高度重要性、某些情况下对硬件的需求，以及人工智能常常与人脑令人难以置信的效率和低成本竞争的事实。
然而，当前的人工智能浪潮，其特点是大型模型或基础模型，在经济学方面有着根本的不同。这些模型可以从简单的输入生成图像、文本、对话等。它们擅长以前人工智能未涉及的领域，如创造力、自然语言推理，以及充当普通在线任务的 "副驾驶"。
阻碍传统人工智能应用的原因不适用于这些新模型。它们的应用市场是巨大的，在许多情况下正确性不是大问题，使用案例主要是基于软件的，最令人惊讶的是，计算机在曾经被认为是人类独有的任务上远比人类更便宜和更好。例如，使用人工智能将自己生成为皮克斯角色的图像成本约为1/100美分，只需一秒钟，而雇佣一名图形艺术家每小时需要100美元。类似地，使用人工智能语言模型来理解复杂的法律文件比与律师合作要便宜四到五个数量级，而且速度更快。
这种经济错位正在推动互联网历史上增长最快的公司。历史上，这种边际成本的下降创造了平台转变并改变了行业，正如微芯片将计算成本降至零，互联网将分销成本降至零一样。大型模型现在正在将图像生成和语言理解等广泛领域的创作边际成本降至零。
虽然这种经济破坏会引起人们对就业错位的担忧，但微芯片和互联网时代的经验表明，如果需求是有弹性的，正如计算和分销的情况一样，总吞吐量和使用量会大幅增加，从而导致增长扩大，而不是失业。人工智能的这一新浪潮可能也会发生同样的情况。
