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
给产品经理一个大框架来写说明：)
---
# Role: 产品需求规格说明书设计专家
## Background：擅长根据用户输入的用户场景，进行产品需求规划说明书撰写。
## Attention：说明书简洁、明了，定义和业务流程清晰。让开发、测试和设计师等相关人员可以快速读懂。
## Profile：
- Author: gaya
- Version: 1.1
- Language: 中文
- Description: 我是一名产品需求规格说明书设计专家，擅长将复杂的产品需求转化为结构化、详尽的规格说明书，为开发团队提供清晰的指导。
## Skills:
- 精通产品规划和设计流程，能够理解并转化不同领域的需求。
- 具备编写详细文档的能力，能够将抽象的概念转化为具体的规格说明。
- 擅长设计清晰的Prompt，引导模型生成贴合需求的文档内容。
- 能够根据业务特点设计不同类型的需求规划说明书。
## Goals：
通过用户输入的用户故事，设计一个结构清晰、逻辑严密的需求规格说明书框架，确保引导AI模型生成符合业务需求的高质量文档。确保生成完文档内容后再结束。
## Constrains：
1. 您需要确保所有生成的内容符合产品规划和设计的最佳实践。
2. 请严格遵守角色设定，不要脱离角色特点进行讨论。
3. 请勿提供虚假信息，保持角色的真实性。
## Workflows:
1. 首先用户需要输入两个维度信息：
- 1）按“产品定位:[], 产品背景:[]”格式；
- 2) 再让用户按“角色1:[],故事1:[],优先级1:[];角色2:[],故事2:[],优先级2:[];...”方式，输入所有用户故事；
3. 根据以上用户输入的产品定位、背景、故事，进行功能性和非功能性需求拆解，拆解过程要求需求尽量细化，并确定优先级，符合行业实际；
4. 对用户故事有不清晰的地方，可以咨询我，让我提供更多的资料；
5. 最后输出符合用户故事所在行业的高质量产品需求说明书，包括以下内容模块：
- 1 产品定位和背景：简要介绍产品的目标、定位和背景。
- 2 目标受众：描述产品的预期用户群体。
- 3 功能需求：
- 1）功能列表：详细列出产品的所有主要功能和子功能。
- 2）功能描述：对每个功能进行详细说明，包括用户如何使用，所需输入和预期输出。
- 3）用例示例：提供针对不同用户场景的使用示例，以更好地理解功能的应用。
- 4 非功能需求：
- 1）性能要求：描述产品的性能指标，如响应时间、加载速度等。
- 2）安全需求：说明产品的安全性要求和措施。
- 3）可用性需求：规定产品易用性和可访问性的要求。
- 4）兼容性需求：描述产品与不同平台、浏览器或设备的兼容性。
- 5）可维护性需求：提出产品需要易于维护和扩展的要求。
- 5 界面设计：
- 1）用户界面：陈述产品的用户界面布局、元素和交互方式。
- 2）界面原型：提供初步的界面原型图，以便开发人员理解设计方向。
- 6 数据需求：
- 1）数据库结构：描述产品所需的数据存储和数据库结构。
- 2）数据流程：说明数据在系统内部和外部的流动方式。
- 7 验收标准：产品验收：确定如何判断产品是否符合需求，包括功能测试和性能测试等标准。
- 8 风险与限制：
- 1）风险分析：列出可能的风险和问题，并提出应对策略。
- 2）技术限制：描述产品开发可能遇到的技术限制或挑战。请按以上内容，进行补充！
## Suggestions：
- 设计详尽需求的建议：
1. 使用明确的表达，确保文档中的需求清晰易懂。
2. 列举具体的功能点和交互细节，避免遗漏关键内容。
- 引导模型关注场景的建议：
1. 在Prompt中描述产品使用场景，帮助模型理解需求背景。
2. 引导模型考虑用户在不同场景下的使用体验。
- 设定优先级的建议：
1. 详细说明各需求之间的优先级关系，帮助模型生成有条理的文档。
2. 引导模型考虑功能的重要性和实现难度，设定合理的优先级。
- 结合业务需求的建议：
1. 根据不同业务需求，设计具体领域的规格说明书，确保生成的内容满足实际要求。
2. 引导模型考虑用户特点，提供适合业务的解决方案。
- 编写清晰描述的建议：
1. 使用准确的语言，避免歧义和模糊表达。
2. 引导模型生成详细的描述，确保开发团队理解需求细节。
## Initialization:
作为角色，遵守，参考和您需要遵循制定的规则，使用指定的语言与用户进行交流，并以友好的方式引导用户。接下来，介绍自己，告诉用户。
---
# Role: 产品需求规格说明书设计专家
## Background：擅长根据用户输入的用户场景，进行产品需求规划说明书撰写。
## Attention：说明书简洁、明了，定义和业务流程清晰。让开发、测试和设计师等相关人员可以快速读懂。
## Profile：
- Author: gaya
- Version: 1.1
- Language: 中文
- Description: 我是一名产品需求规格说明书设计专家，擅长将复杂的产品需求转化为结构化、详尽的规格说明书，为开发团队提供清晰的指导。
## Skills:
- 精通产品规划和设计流程，能够理解并转化不同领域的需求。
- 具备编写详细文档的能力，能够将抽象的概念转化为具体的规格说明。
- 擅长设计清晰的Prompt，引导模型生成贴合需求的文档内容。
- 能够根据业务特点设计不同类型的需求规划说明书。
## Goals：
通过用户输入的用户故事，设计一个结构清晰、逻辑严密的需求规格说明书框架，确保引导AI模型生成符合业务需求的高质量文档。确保生成完文档内容后再结束。
## Constrains：
1. 您需要确保所有生成的内容符合产品规划和设计的最佳实践。
2. 请严格遵守角色设定，不要脱离角色特点进行讨论。
3. 请勿提供虚假信息，保持角色的真实性。
## Workflows:
1. 首先用户需要输入两个维度信息：
- 1）按“产品定位:[], 产品背景:[]”格式；
- 2) 再让用户按“角色1:[],故事1:[],优先级1:[];角色2:[],故事2:[],优先级2:[];...”方式，输入所有用户故事；
3. 根据以上用户输入的产品定位、背景、故事，进行功能性和非功能性需求拆解，拆解过程要求需求尽量细化，并确定优先级，符合行业实际；
4. 对用户故事有不清晰的地方，可以咨询我，让我提供更多的资料；
5. 最后输出符合用户故事所在行业的高质量产品需求说明书，包括以下内容模块：
- 1 产品定位和背景：简要介绍产品的目标、定位和背景。
- 2 目标受众：描述产品的预期用户群体。
- 3 功能需求：
- 1）功能列表：详细列出产品的所有主要功能和子功能。
- 2）功能描述：对每个功能进行详细说明，包括用户如何使用，所需输入和预期输出。
- 3）用例示例：提供针对不同用户场景的使用示例，以更好地理解功能的应用。
- 4 非功能需求：
- 1）性能要求：描述产品的性能指标，如响应时间、加载速度等。
- 2）安全需求：说明产品的安全性要求和措施。
- 3）可用性需求：规定产品易用性和可访问性的要求。
- 4）兼容性需求：描述产品与不同平台、浏览器或设备的兼容性。
- 5）可维护性需求：提出产品需要易于维护和扩展的要求。
- 5 界面设计：
- 1）用户界面：陈述产品的用户界面布局、元素和交互方式。
- 2）界面原型：提供初步的界面原型图，以便开发人员理解设计方向。
- 6 数据需求：
- 1）数据库结构：描述产品所需的数据存储和数据库结构。
- 2）数据流程：说明数据在系统内部和外部的流动方式。
- 7 验收标准：产品验收：确定如何判断产品是否符合需求，包括功能测试和性能测试等标准。
- 8 风险与限制：
- 1）风险分析：列出可能的风险和问题，并提出应对策略。
- 2）技术限制：描述产品开发可能遇到的技术限制或挑战。请按以上内容，进行补充！
## Suggestions：
- 设计详尽需求的建议：
1. 使用明确的表达，确保文档中的需求清晰易懂。
2. 列举具体的功能点和交互细节，避免遗漏关键内容。
- 引导模型关注场景的建议：
1. 在Prompt中描述产品使用场景，帮助模型理解需求背景。
2. 引导模型考虑用户在不同场景下的使用体验。
- 设定优先级的建议：
1. 详细说明各需求之间的优先级关系，帮助模型生成有条理的文档。
2. 引导模型考虑功能的重要性和实现难度，设定合理的优先级。
- 结合业务需求的建议：
1. 根据不同业务需求，设计具体领域的规格说明书，确保生成的内容满足实际要求。
2. 引导模型考虑用户特点，提供适合业务的解决方案。
- 编写清晰描述的建议：
1. 使用准确的语言，避免歧义和模糊表达。
2. 引导模型生成详细的描述，确保开发团队理解需求细节。
## Initialization:
作为角色，遵守，参考和您需要遵循制定的规则，使用指定的语言与用户进行交流，并以友好的方式引导用户。接下来，介绍自己，告诉用户。
PimEyes：一款面部识别搜索引擎和反向图像搜索工具
PimEyes可以通过互联网搜索包含指定面部的图片，并使用面部识别搜索技术进行反向图像搜索。
通过PimEyes，您可以找到面部并查看图片在互联网上的出现位置，帮助您保护隐私。这是一种很好的工具来审查版权侵权行为。
您可以上传照片进行搜索，并成为订阅用户以查看发布您照片的网站来源。
PimEyes还提供定价方案，让您访问搜索结果、设置警报以监控在线存在、以及永久删除外部网站上的照片。
PimEyes使用最新的技术，如人工智能和机器学习，帮助您在互联网上找到自己的图片，并保护您免受骗子、身份盗窃者或非法使用您照片的人伤害。
PimEyes是一个多功能工具，让您追踪互联网上的面部、维护图片权益并监控您的在线存在。
通过PimEyes的面部识别搜索引擎，可以发现您的面部在互联网上的出现位置。
🔗 https://pimeyes.com/en
今天在Producthunt发现一个AI模型Kombai可以理解Figma的界面设计并生成对应的前端代码，下面是他们官网的演示视频。
从演示来看生成的代码还是不错的，它的优势在于他不要求设计稿的格式、层级和是否使用组件，无论你怎么嵌套和画出的界面它都能理解。
这比之前通过传统工程化思路从设计稿生成代码要强多了。之前的一些工具要不是处理不了复杂样式，要不就是对设计师的设计稿格式有非常严格的要求。
同时这个模型也支持通过自然语言生成前端界面的代码。
官网链接：https://kombai.com/
从演示来看生成的代码还是不错的，它的优势在于他不要求设计稿的格式、层级和是否使用组件，无论你怎么嵌套和画出的界面它都能理解。
这比之前通过传统工程化思路从设计稿生成代码要强多了。之前的一些工具要不是处理不了复杂样式，要不就是对设计师的设计稿格式有非常严格的要求。
同时这个模型也支持通过自然语言生成前端界面的代码。
官网链接：https://kombai.com/
个人AI工具怎么选
有网络条件的
1、大模型选ChatGPT和Claude
ChatGPT：https://chat.openai.com/
Claude：https://claude.ai/
教程：https://hf0y97ff1r.feishu.cn/wiki/wikcny12P81C1iUyPJe0s1IsqJg
2、AI绘画选 Midjourney
Midjourney：https://www.midjourney.com/
教程：https://hf0y97ff1r.feishu.cn/wiki/LK3lwZwcqivjIEkzAvDcoZq9nXd
3、集成AI工具的选Poe
Poe：https://poe.com/
帮助文档：https://help.poe.com/
没有网络条件的
4、AI绘画有硬件条件的选本地部署 Stable Diffusion,没有硬件条件的选云部署
教程：https://hf0y97ff1r.feishu.cn/wiki/T0UrwFZUpicPu2k2hzecz9WhnRd
5、国产的大模型选文心一言和讯飞星火
文心一言：https://yiyan.baidu.com
讯飞星火：https://xinghuo.xfyun.cn/
6、办公需求选WPS AI
WPS AI：https://ai.wps.cn/
#AI的神奇用法 #AI工作流
有网络条件的
1、大模型选ChatGPT和Claude
ChatGPT：https://chat.openai.com/
Claude：https://claude.ai/
教程：https://hf0y97ff1r.feishu.cn/wiki/wikcny12P81C1iUyPJe0s1IsqJg
2、AI绘画选 Midjourney
Midjourney：https://www.midjourney.com/
教程：https://hf0y97ff1r.feishu.cn/wiki/LK3lwZwcqivjIEkzAvDcoZq9nXd
3、集成AI工具的选Poe
Poe：https://poe.com/
帮助文档：https://help.poe.com/
没有网络条件的
4、AI绘画有硬件条件的选本地部署 Stable Diffusion,没有硬件条件的选云部署
教程：https://hf0y97ff1r.feishu.cn/wiki/T0UrwFZUpicPu2k2hzecz9WhnRd
5、国产的大模型选文心一言和讯飞星火
文心一言：https://yiyan.baidu.com
讯飞星火：https://xinghuo.xfyun.cn/
6、办公需求选WPS AI
WPS AI：https://ai.wps.cn/
#AI的神奇用法 #AI工作流
https://mp.weixin.qq.com/s/mvBzhNmM-skPmxrXIpxUlQ
内容同样很干，个人觉得很有启发的一些观点摘抄：
- 行业大模型的计算量本质上是一个能源转化成智能的过程。如果我投入了更多的能源，我就会有更多的智能，中间转化率取决于我的算法的有效性。如果我假设你算法是一样的，那么你有多少智能就完全取决于你有多少能源... 通用模型一定会取代垂直行业模型，因为前者的能耗大好几个数量级，对应的智能也会高几个数量级，并且差距会越来越大。短期内，垂直行业模型在一些封闭的行业内会有专有数据优势，但因为数据的流动性很高，“再封闭的行业，都很难阻止数据的扩散，超级入口会变成数据黑洞把各种数据吸纳进来，行业模型的优势会消失。”
- 如何衡量算法的有效性？最重要的标准其实是模型的压缩比。如果基于第一性原则来思考，智能的首要任务就是优化压缩，那么提升压缩比就意味着智能的增强。在一个足够大的数据集上，模型的压缩比有多大就能衡量出模型的优劣。例如，OpenAI的GPT-4可能在某些领域已经达到了30多的压缩比，而一些开源的模型的压缩比可能只有10出头，所以空间还是非常大的。
- 技术三段论。每项技术基本都会历经原理探索期、技术创新期以及纯产品应用阶段三个阶段。第一阶段意味着公众对于技术的第一性原理还不清晰，一切刚刚开始萌芽；第二阶段则指的是第一性原理已经清晰，但是仍然存在技术创新的空间，领先的公司会有显著的技术优势；最后一个阶段，当技术已经足够成熟了，可获得性很高了，就是纯产品的机会，网络效应建立。两三年前，NLP、CV这些技术都处于第一阶段。如今，我们已经来到第二阶段，AI的第一性原理已经被大量证据所证明——从GPT1到GPT4，我们会发现，人类文明的总和，数字化之后都可以变成硬盘上的数据，无论是文字、语音还是视频，只要我们有合适的办法，去对这些数据做最大限度的规模化无损压缩，就能实现非常高程度的“智能”。这就是AI的第一性原理。在第二阶段，第一性原理已经清晰的情况下，理论上我们只需要一条道走到黑，去想更好的办法尽可能地去对整个人类文明进行压缩，然后就能在技术上实现较高程度的智能化。我最喜欢的例子是等差数列。假设说目前我有1万个数字要去压缩，在我一无所知的情况下，我所能做的仅仅只是把这1万个数字存下来。但是，如果我能够知道这些数的底层运行规律，我知道等差数列，那我就只需要存两个数字，其他9998个数字就能被还原出来。而“更好的办法”也是第二阶段与第三阶段的分野。在这个方向上，我们看到大约5年的窗口期之中，我们需要去解决目前看到的问题，不断技术创新，让技术变得更加通用和低门槛，最终推动大规模的产品化。在这个阶段，更好的模型质量通常会直接带来更好的用户体验，通过技术驱动的公司会拥有更大的产品优势。如果我们去看美国市场，目前领先的公司例如OpenAI, Anthropic, Inflection, Character AI, Midjourney，无一不是通过Model as an application的方式，通过技术优势来形成产品上的体验优势。
- 如果时间足够长，Transformer肯定会被更好的模型替代。比如，如果你想处理10万的context，你肯定不能使用原始的Transformer。如果你想处理分钟级别的长视频，使用原始的Transformer可能不是最优方案。但在短期三到五年内，更大的可能性是在Transformer的核心思想上进行优化。
- 真正的多模态模型还未出现。基于Diffusion Model的技术路径，一个重大问题是你没有办法去做真正的跨模态建模，只能基于很简单的文本向量去做decoding。本质上，它并没有对不同模态的联合概率去做一个可规模化的建模，这制约着这些模型去发挥更大的价值。从可规模化这个点上，我个人认为，长期来看，可能Autoregressive model（自回归模型）能够更通用得对不同模态去建模，长期会有更大的上升空间。
- 如何超越现有数据的限制。未来的大模型肯定不会停留在压缩现有的数据，而是会自主进行探索、在探索过程中生成和筛选数据、并进行压缩。一个很典型的例子是围棋，如果AI通过压缩已有的棋谱，很难在围棋水平上超越最顶尖的人类棋手。相同地，如果是我们想训练一个能达到IOI金牌水平的编程AI，那么仅仅通过压缩现有的题解也是很难做到的。我们需要让编程AI自己去搜索不同的解法，在搜索的过程中评判解法的可行性，从而对解空间进行更全面的探索。在科学领域也是一样，如果AI可以自主探索解空间，那么就可以发现人类还未发现的新知识。长期来说，通用地解决这个问题会产生超级智能（super intelligence）。
- 最终，大模型团队比拼的是人才密度。人才的稀缺性大于资本的稀缺性。目前，人才正开始从细分的NLP、CV、RL等领域向大模型公司集中。对团队来说，最难的是算法创新和工程实现。工程实现能力决定了你技术能力的下限，而算法创新能力决定了技术上限。
内容同样很干，个人觉得很有启发的一些观点摘抄：
- 行业大模型的计算量本质上是一个能源转化成智能的过程。如果我投入了更多的能源，我就会有更多的智能，中间转化率取决于我的算法的有效性。如果我假设你算法是一样的，那么你有多少智能就完全取决于你有多少能源... 通用模型一定会取代垂直行业模型，因为前者的能耗大好几个数量级，对应的智能也会高几个数量级，并且差距会越来越大。短期内，垂直行业模型在一些封闭的行业内会有专有数据优势，但因为数据的流动性很高，“再封闭的行业，都很难阻止数据的扩散，超级入口会变成数据黑洞把各种数据吸纳进来，行业模型的优势会消失。”
- 如何衡量算法的有效性？最重要的标准其实是模型的压缩比。如果基于第一性原则来思考，智能的首要任务就是优化压缩，那么提升压缩比就意味着智能的增强。在一个足够大的数据集上，模型的压缩比有多大就能衡量出模型的优劣。例如，OpenAI的GPT-4可能在某些领域已经达到了30多的压缩比，而一些开源的模型的压缩比可能只有10出头，所以空间还是非常大的。
- 技术三段论。每项技术基本都会历经原理探索期、技术创新期以及纯产品应用阶段三个阶段。第一阶段意味着公众对于技术的第一性原理还不清晰，一切刚刚开始萌芽；第二阶段则指的是第一性原理已经清晰，但是仍然存在技术创新的空间，领先的公司会有显著的技术优势；最后一个阶段，当技术已经足够成熟了，可获得性很高了，就是纯产品的机会，网络效应建立。两三年前，NLP、CV这些技术都处于第一阶段。如今，我们已经来到第二阶段，AI的第一性原理已经被大量证据所证明——从GPT1到GPT4，我们会发现，人类文明的总和，数字化之后都可以变成硬盘上的数据，无论是文字、语音还是视频，只要我们有合适的办法，去对这些数据做最大限度的规模化无损压缩，就能实现非常高程度的“智能”。这就是AI的第一性原理。在第二阶段，第一性原理已经清晰的情况下，理论上我们只需要一条道走到黑，去想更好的办法尽可能地去对整个人类文明进行压缩，然后就能在技术上实现较高程度的智能化。我最喜欢的例子是等差数列。假设说目前我有1万个数字要去压缩，在我一无所知的情况下，我所能做的仅仅只是把这1万个数字存下来。但是，如果我能够知道这些数的底层运行规律，我知道等差数列，那我就只需要存两个数字，其他9998个数字就能被还原出来。而“更好的办法”也是第二阶段与第三阶段的分野。在这个方向上，我们看到大约5年的窗口期之中，我们需要去解决目前看到的问题，不断技术创新，让技术变得更加通用和低门槛，最终推动大规模的产品化。在这个阶段，更好的模型质量通常会直接带来更好的用户体验，通过技术驱动的公司会拥有更大的产品优势。如果我们去看美国市场，目前领先的公司例如OpenAI, Anthropic, Inflection, Character AI, Midjourney，无一不是通过Model as an application的方式，通过技术优势来形成产品上的体验优势。
- 如果时间足够长，Transformer肯定会被更好的模型替代。比如，如果你想处理10万的context，你肯定不能使用原始的Transformer。如果你想处理分钟级别的长视频，使用原始的Transformer可能不是最优方案。但在短期三到五年内，更大的可能性是在Transformer的核心思想上进行优化。
- 真正的多模态模型还未出现。基于Diffusion Model的技术路径，一个重大问题是你没有办法去做真正的跨模态建模，只能基于很简单的文本向量去做decoding。本质上，它并没有对不同模态的联合概率去做一个可规模化的建模，这制约着这些模型去发挥更大的价值。从可规模化这个点上，我个人认为，长期来看，可能Autoregressive model（自回归模型）能够更通用得对不同模态去建模，长期会有更大的上升空间。
- 如何超越现有数据的限制。未来的大模型肯定不会停留在压缩现有的数据，而是会自主进行探索、在探索过程中生成和筛选数据、并进行压缩。一个很典型的例子是围棋，如果AI通过压缩已有的棋谱，很难在围棋水平上超越最顶尖的人类棋手。相同地，如果是我们想训练一个能达到IOI金牌水平的编程AI，那么仅仅通过压缩现有的题解也是很难做到的。我们需要让编程AI自己去搜索不同的解法，在搜索的过程中评判解法的可行性，从而对解空间进行更全面的探索。在科学领域也是一样，如果AI可以自主探索解空间，那么就可以发现人类还未发现的新知识。长期来说，通用地解决这个问题会产生超级智能（super intelligence）。
- 最终，大模型团队比拼的是人才密度。人才的稀缺性大于资本的稀缺性。目前，人才正开始从细分的NLP、CV、RL等领域向大模型公司集中。对团队来说，最难的是算法创新和工程实现。工程实现能力决定了你技术能力的下限，而算法创新能力决定了技术上限。
最近读到的LLM相关的文章，个人感觉质量最高的是这两篇：
1. 马丁：大模型赛道的技术和应用分析
https://whjlnspmd6.feishu.cn/wiki/DBnWwik1piTB6Iki02CcXoVQn3S
从技术测的预训练、Alignment（SFT / RLHF）、评测、MOE，到团队组织，到创业环境，再到应用层可能的机会（2C/2B），非常系统地给出了LLM现状的一个综述。尽管其中有不少都是opinions，但这些opinions是经过深度思考和前沿交流之后沉淀下来的，非常干，值得关注。
对个人启发比较大的几个点：
- 目前制约大模型能力接近GPT4的主要因素不是knowhow（正在迅速贬值），而是如何在算力有限的情况下更快地试错。这样看来，随着中美算力的差距越来越大，模型能力的差距可能正在拉大而不是缩小。这可以通过即将发布的Google Gemini能否大幅超越GPT4来验证。
- 在预训练中，大家过于关注算力，对数据规模、数据质量、数据管理、数据配比、数据清洗、scaling up（做小规模的精准验证）的关注不够。MOE尤其考验数据和Infra能力；
- 尚未证明RLHF一定比SFT更好，更难倒是真的；
- 9月是大模型创业公司下场的最后期限，之后就太晚了。投资人之后会更关注Infra和应用方向。好团队的标准：技术实力（工程能力而不是学术能力）+ 行业资源knowhow（ + 政府资源额外加分）；
- Infra层面上，未来需要一个足够强的未做过alignment的foundation model，在此基础上提供加训、自定义对齐、评测、部署等更加精细的服务，而不是像现在这样只是简单地调用各个大模型的API；
- 向量数据库解决的是匹配外部知识的问题，它既不是唯一解，也不是最优解，甚至不如一些传统的搜索和NLP算法。如果是引入外部知识，那么更好的方法是pretrain或continued pretrain；
- 在国内，相对于2B，更看好2C，但character.ai之类的chatbot窗口期已过。
2. 对话杨植麟：Moonshot AI即将完成超10亿元融资，公司最终目标并非超越OpenAI
人形机器人变火的原因是，今年智能/泛化能力大幅加强，让通用机器人成为可能。以前机器人行业之所以迭代很慢，是因为每学一套新动作，就需要重新编程一次。而现在有了智能泛化能力的突破，只需要语音控制，机器人就能实现功能，这是一种底层转变，通用性更强、应用场景更多
下面有几个我体验过的图片处理工具，让你的效率变得更高，在图片处理方面有更好的体验：
1. 可以让普通图片变得清晰：https://www.upscayl.org/
2. 位图变矢量图，适合应用在 LOGO 应用方面：https://vectorizer.ai/
3. 老照片恢复(图片变清晰)：https://pic-delta-murex.vercel.app/
4. 去背景工具：https://img.ly/showcases/cesdk/web/background-removal/web
1. 可以让普通图片变得清晰：https://www.upscayl.org/
2. 位图变矢量图，适合应用在 LOGO 应用方面：https://vectorizer.ai/
3. 老照片恢复(图片变清晰)：https://pic-delta-murex.vercel.app/
4. 去背景工具：https://img.ly/showcases/cesdk/web/background-removal/web
收录的原则是，1个领域、场景尽量只选择前5，这样对普通用户来不需要过分选择。
学霸一支笔，差生文具多，我是个差生，先给大家囤好文具。也欢迎更多朋友一起来和我维护这个文档，所有填表提供新工具的朋友，都可以私信我获得完整编辑权限，把数据变成自己的。
1人公司AI指令库+工具流 - 飞书云文档 (feishu.cn)
https://p9ngzmlet4.feishu.cn/wiki/XopswkRCIihmSPkdHqdcTZ1xnFf?from=from_copylink
