- 用 AI 提升办公效率的五个工作流 与其零散地试用 AI 工具,不如把它们串成固定流程。本文介绍会议纪要、文档写作、PPT 制作、表格分析和日常自动化五个可直接上手的 AI 办公工作流,以及各环节的注意事项。
- 吴恩达:把机器学习带给数百万学习者的教育者与创业者 吴恩达是谷歌大脑项目的联合创始人、Coursera 联合创始人,曾任百度首席科学家。他的机器学习课程影响了大量从业者,他还创办了 DeepLearning.AI、Landing AI 和 AI Fund。
- 注意力机制(Attention) 注意力机制让神经网络在处理每个元素时,按相关程度有选择地汇总其他元素的信息,是 Transformer 和大语言模型的核心计算方式。
- 如何挑选适合自己的 AI 编程工具 AI 编程工具已经分化成补全插件、AI 编辑器、终端智能体和一句话建站四类。本文按使用场景拆解差异,给出一套按需求、代码库规模和团队约束来挑选工具的思路。
- AI 视频生成工具怎么选:从文本生成到数字人 AI 视频工具大致分为文生视频、图生视频、视频编辑和数字人四个方向。本文按用途梳理各类工具的特点与局限,并给出挑选时值得关注的画面一致性、可控性和版权问题。
- 上下文窗口(Context Window) 上下文窗口是大模型一次能处理的最大 Token 数量,决定了它能同时“看到”多少对话、文档和指令。本词条介绍其含义、限制因素与使用建议。
- 戴密斯·哈萨比斯:从国际象棋神童到诺贝尔奖得主 戴密斯·哈萨比斯联合创办 DeepMind,带领团队研发 AlphaGo 和 AlphaFold,用 AI 攻克蛋白质结构预测难题,获 2024 年诺贝尔化学奖,现任谷歌 DeepMind 首席执行官。
- 扩散模型(Diffusion Model) 扩散模型通过学习如何一步步去除噪声来生成数据,是当前主流文生图、文生视频工具背后的核心技术。本词条介绍它的原理、应用和相关概念。
- Embedding(嵌入) Embedding 是把文字、图片等内容转换成一组数字向量的技术,让计算机能用距离衡量语义相似度,是语义搜索、RAG 和推荐系统的基础。
- 企业接入大模型 API 的成本与选型思路 企业接入大模型 API,账单只是成本的一部分。本文从计费结构、隐性成本、模型选型、部署方式和供应商风险几个维度,梳理一套不依赖具体价格、可长期沿用的评估框架。
- 李飞飞:用 ImageNet 点燃视觉革命的科学家 李飞飞主导创建的 ImageNet 数据集为深度学习在计算机视觉领域的突破提供了土壤。她是斯坦福以人为本人工智能研究院的联合创始人,近年创办 World Labs 探索空间智能。
- 微调(Fine-tuning) 微调是在预训练模型的基础上,用特定任务或领域的数据继续训练,让模型更擅长某类工作。本词条介绍全量微调、参数高效微调、应用场景与相关概念。
- 杰弗里·辛顿:坚守神经网络半个世纪的深度学习先驱 杰弗里·辛顿长期坚持研究人工神经网络,推动了反向传播、玻尔兹曼机和深度信念网络的发展,与学生合作的 AlexNet 开启了深度学习时代,先后获得图灵奖和诺贝尔物理学奖。
- 幻觉(Hallucination) AI 幻觉指大模型生成看似合理、语气笃定,但与事实不符或无中生有的内容。本词条介绍幻觉的定义、成因、应对方法和相关概念。
- 伊利亚·苏茨克维:从 AlexNet 到 GPT,再到安全超级智能 伊利亚·苏茨克维是 AlexNet 和序列到序列学习的核心作者之一,曾任 OpenAI 联合创始人兼首席科学家,参与 GPT 系列的研发,2024 年创办专注于安全超级智能的 SSI。
- 大语言模型(LLM) 大语言模型是在海量文本上训练、能够理解和生成自然语言的神经网络模型。本词条介绍它的定义、训练过程、典型应用以及相关概念。
- 混合专家模型(MoE) 混合专家模型(MoE)把网络的一部分拆成多个“专家”,每次只激活其中少数几个,从而在扩大参数规模的同时控制计算成本。本词条介绍其原理与取舍。
- 多模态(Multimodal) 多模态 AI 指能够同时理解或生成文本、图像、音频、视频等多种类型信息的模型。本词条介绍它的定义、实现原理、典型应用和相关概念。
- 提示词工程怎么入门:把需求说清楚,让大模型稳定输出好结果 提示词工程是通过设计输入来引导大模型产出理想结果的方法。本文从核心原则讲到常用技巧、迭代方法和常见误区,适合刚开始使用大模型的读者。
- RLHF(人类反馈强化学习) RLHF 是利用人类对模型回答的偏好判断来训练奖励模型,再用强化学习优化大模型的方法,让输出更有帮助、更安全。本词条介绍其流程与替代方案。
繼續探索 AI 的更多可能瀏覽全部工具