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

  5. AI探索指南

    RT fin

    RT fin
    这是一篇打破GPT“涌现”概念神话的论文，终于说出了我一直以来的一个直觉，这才是比较符合事物发展规律的

    一句话总结，所谓GPT“涌现”能力，是因为人为修改了“达标”的评价标准，给人"涌现"的错觉

    一旦使用更合理的评价指标，就会发现GPT能力值随着模型增大是线性增长的，从评价指标上直接解构了“涌现”…

    fin: 把时间线拉长，AI在更长时间尺度上会以什么速度发展？

    对此我有三个AI猜想：

    第一猜想：AI算力每十年加速六个数量级

    第二猜想：AI全方位能力(感知/决策/生成)错误率每十年下降一个数量级

    第三猜想：AI错误率每下降一个数量级(加上新能力涌现)，应用范围和领域(市场规模)上升一个数量级

    【长推】…

  7. AI探索指南

    AI绘画 · 婚纱照

    AI绘画 · 婚纱照

    想要什么：制作一张属于自己的皮克斯&泡泡玛特风人物

    prompt结构：婚纱照垫图 + 关键词

    关键词：clay models, mockup, blind box toy, a 25 years old lovely girl wearing white wedding dress, sweet smile, smooth skin, big eyes, Asian, half body, no glasses, surrounded by yellow and green flowers, snow-capped mountains at the back, at sunrise, soft sunlight, pixar, 3D, blender, --ar 3:4, --niji 5

    注意点：
    - clay models, mockup, blind box toy，这三个词要放在最前面，这样可以保证出图效果；
    - 版本选 niji 5，不要选V5。

    过程记录详见 https://vw9fszuisg.feishu.cn/wiki/OqOXwgcq3iyaZmk3cDBc9glqnYg

  8. AI探索指南

    五一的时候，我花了一天时间，将《ChatGPT 提示工程》视频教程的所有字幕都翻译完了

    五一的时候，我花了一天时间，将《ChatGPT 提示工程》视频教程的所有字幕都翻译完了。

    该教程由吴恩达老师与 OpenAI 开发者 Iza Fulford 联手教授。

    教程总共分为 9 个章节，时长一个多小时，里面主要涵盖：提示词最佳实践、评论情感分类、文本总结、邮件撰写、文本翻译、快速搭建一个聊天机器人等等。

    所有当下 ChatGPT 的流行案例，你都能在这个教程里面找到，十分全面！

    除了能在这个教程里面学到如何使用 Prompt，你还能学到 GPT 接口调用开发知识。有需要的话，你甚至能在这个教程之上去延伸扩展，搭建出一款令人惊艳的应用。

    目前该教程已经在 DeepLearning.ai 正式上线，官网上提供了可交互式的 Notebook，让你可以一边学习，一边跟着编写代码实践。

    该视频的中英文字幕源文件，我也将其开源到了 GitHub 上。

    如果你在观看视频的过程中，发现翻译内容有错漏、错别字、病句等情况，欢迎向我们提交 Pull Request 以改进字幕翻译质量。

    字幕地址：https://github.com/GitHubDaily/ChatGPT-Prompt-Engineering-for-Developers-in-Chinese

  9. AI探索指南

    openai-cookbook/techniques_to_improve_reliability.md at main · openai/openai-cookbook

    openai-cookbook/techniques_to_improve_reliability.md at main · openai/openai-cookbook

    发现OpenAI官方的cookbook是个宝藏。
    学习了吴恩达的课程之后，如果要进一步研究Prompt Engineering的话，cookbook里这篇文章很合适。《techniques to improve reliability》
    通读了一下这篇文章，里面列了快10篇论文。发现目前学术界研究如何更好的使用LLM，跟研究人类大脑有点类似了（LLM是人类造出来的一个巨复杂的不太可清晰解释的体系，反过来需要大量工作来研究这个体系）。