kimi探索版技术原理

要登录 Kimi，您可以参考以下步骤： 1. 推荐两个实用的浏览器插件：在（不方便下载的，文末附下载链接）。 2. 在浏览器中登录自己的 Kimi 账号，关联网页版。 安装相关插件的特点和注意事项： 1. Kimi Copilot网页总结助手： 特点：极简，点击一键总结，没有其它花里胡哨的功能；Kimi 无法访问的网页也可以进行总结，如推特等；英文文章直接用中文总结要点；支持 Dark Mode。 注意：本插件为第三方爱好者开发，不是 Kimi 或月之暗面官方产品；由于 Arc 等浏览器没有所需的 API，所以本插件在 Arc 等浏览器无法使用。 2. Kimi 阅读助手： 特点：用更简单的方式使用 Kimi。 注意：需要 Chrome 114 及以上版本才能正常使用扩展；暂不支持 Arc 游览器（Arc 缺少相关 API）。 在 Obsidian 中使用 Kimi 的步骤： 1. 用命令面板打开刚才创建的页面，默认快捷键 Ctrl+P 。 2. 在弹出的搜索框中输入插件名称：custom frames 。 3. 在下拉选项中选择 OpenKimi 。 4. 打开刚才设置好的 Kimi 窗口。 以上是关于登录 Kimi 以及相关插件和使用的信息。

以下是在 Kimi 创建个人知识库的相关信息： 使用 GPT 打造个人知识库： 由于 GPT3.5 一次交互支持的 Token 有限，OpenAI 提供了 embedding API 解决方案。 将文本拆分成小文本块（chunk），通过 embeddings API 转换成 embeddings 向量并保存。 当用户提问时，将问题也转换成向量，与向量储存库中的向量比对，提取关联度高的文本块与问题组合成新的 prompt 发送给 GPT API。 理解 embeddings： embeddings 是浮点数字的向量，两个向量之间的距离衡量关联性，小距离表示高关联度。 向量是用一串数字表示的量，在计算机科学中常用列表表示。 常见的向量距离计算方式是欧几里得距离。 使用 Coze 创建个人知识库： 来到个人空间，找到知识库导航栏，点击创建知识库。 知识库是共享资源，多个 Bot 可以引用同一个知识库。 选择知识库的格式（目前支持文档、表格、图片）并填写信息。 可选择本地文档或问答对表格，还能进行自定义的文档切割。 数据处理完成后，一个问答对会被切割成一个文档片。 关于使用知识库，可参考教程：

以下是为您构思的关于如何学习 AI 的 PPT 大纲： 幻灯片 1：封面 标题：如何学习 AI 幻灯片 2：目录 1. AI 辅助 PPT 的原理和作用 2. 几款 PPT 生成工具（网站） 3. 相关 APP 介绍 幻灯片 3：AI 辅助 PPT 的原理和作用 1. 减轻排版工作的压力 2. 生成打底的内容，减轻人写内容的工作 3. 文章生成 PPT，让 AI 帮忙摘要内容，生成大纲列表 4. 主题生成 PPT，让 AI 根据主题扩充成大纲列表，乃至具体内容 5. 在特定场景下不用改直接用，如学生快速为小组展示配 PPT 幻灯片 4：AI 辅助 PPT 的流程 1. 用户输入 2. AI 输出 3. 排版 网站把 AI 输出的文本丢给 LLM，让它根据内容，在已有的 UI 组件中选择更适合的组件。按时间线，每页 PPT 的文字，选出整个 PPT 中，每一页的 UI 组件。有的网站，如 tome、gamma，配图也是由 GenAI 根据页面内容生成的。呈现 AI 生成的 PPT 结果，用户不满意可以自行选择模版 幻灯片 5：几款 PPT 生成工具（网站） 1. 讯飞智文：https://zhiwen.xfyun.cn/ （免费引导好） 2. Mindshow.fun ：http://Mindshow.fun （Markdown 导入） 3. kimi.ai ：http://kimi.ai （选 PPT 助手暂时免费效果好） 4. Tome.app ：http://Tome.app （AI 配图效果好） 5. Chatppt.com ：http://Chatppt.com （自动化程度高） 6. 百度文库：https://wenku.baidu.com （付费质量好） 幻灯片 6：相关 APP 介绍 1. 豆包 2. AI 数字人 3. KIMI 4. 灵犀 5. 如影 6. 剪映（图文成片，只需提供文案，自动配图配音） 7. 即梦 希望以上内容对您有所帮助！

以下是关于国产 AI 产品在 2025 年 1 月的一些榜单情况： 在国内流量榜中，排名依次为：deepseek、豆包、Kimi、文心一言、deepseek 开放平台、百度 AI 助手、阿里通义、纳米 AI 搜索、秘塔 AI 搜索。 在国内月活榜中，排名依次为：deepseek、豆包、deepseek 开放平台、Kimi、百度 AI 助手、文心一言、知乎直答、纳米 AI 搜索、沉浸式翻译。 需要注意的是，不同 AI 产品在不同方面可能具有各自的优势，其能力的强弱也会因具体应用场景和用户需求而有所不同。

以下是结合 deepseek、kimi、豆包工具的实际操作案例： 在 2025 年 1 月的国内月活榜中： deepseek 作为聊天机器人，网址为 chat.deepseek.com，活跃用户达 7068 万人，环比变化为 24.3616%，所属公司为深度求索。 豆包作为聊天机器人，网址为 doubao.com，活跃用户为 779 万人，环比变化为 0.1911%，所属公司为字节跳动。 kimi 作为聊天机器人，网址为 kimi.moonshot.cn，活跃用户为 591 万人，环比变化为 0.1135%，所属公司为月之暗面。 在 2025 年 1 月的国内流量榜中： deepseek 作为聊天机器人，网址为 chat.deepseek.com，访问量达 22541 万，环比变化为 20.4093%，所属公司为深度求索。 豆包作为聊天机器人，网址为 doubao.com，访问量为 3457 万，环比变化为 0.1041%，所属公司为字节跳动。 kimi 作为聊天机器人，网址为 kimi.moonshot.cn，访问量为 3282 万，环比变化为 0.1283%，所属公司为月之暗面。 此外，在使用效果方面，DeepSeek 的思考与表达被认为碾压了包括豆包和 kimi 在内的其他模型，其思考过程细腻、自洽、深刻、全面，输出结果在语气、结构、逻辑上天衣无缝。

以下是 kimi、豆包、deepseek 的区别和优劣： 从月活榜来看： deepseek：在月活用户方面表现出色，排名第一，月活用户达 7068 万人，环比变化为 24.3616%。 豆包：月活用户为 779 万人，环比变化为 0.1911%。 kimi：月活用户为 591 万人，环比变化为 0.1135%。 从流量榜来看： deepseek：访问量排名第一，达 22541 万。 豆包：访问量为 3457 万。 kimi：访问量为 3282 万。 在输出效果方面，DeepSeek 的思考与表达被认为碾压了包括豆包和 kimi 在内的其他模型，其思考过程细腻、自洽、深刻、全面，输出结果在语气、结构、逻辑上表现出色。 需要注意的是，这些数据仅反映了一定时期内的情况，且不同模型在不同的应用场景和用户需求下可能具有不同的优势。

用 what、why、how、will、next 作为五个力量，以熵增熵减作为二进制，组成底层语言，并以其中的 next 作为自主学习探索动力的自进化 AI 具有一定的潜力，但也面临一些挑战。 从潜力方面来看，这种设计可能有助于 AI 系统更有针对性地进行自主学习和探索。例如，what 可以帮助明确要学习和理解的对象或概念；why 有助于挖掘背后的原因和逻辑，促进更深入的理解；how 能够指导实现目标的方法和步骤；will 可以对未来的发展进行预测和规划。而将 next 作为自主学习探索的动力，有可能推动 AI 不断开拓新的知识领域。 然而，也存在一些挑战。首先，熵增熵减作为二进制的基础，其在实际应用中的有效性和稳定性需要进一步验证和优化。其次，如何准确地定义和运用这五个力量，以及它们之间的协同关系，需要精细的设计和调试。再者，将这种复杂的底层语言转化为实际的算法和模型实现，具有较高的技术难度。 总之，这种自进化 AI 的概念具有创新性和潜力，但需要在理论和实践上进行深入的研究和探索，以充分发挥其优势并克服可能的问题。

可汗学院在 AGI 的探索主要体现在其推出的 AI 教育产品 Khanmigo 上。 Khanmigo 接入了 4.0 的 API，所有模块采取苏格拉底式教学法，从不直接给答案，而是引导学生不停思考，最终自己找到答案。例如在数学教学中，会从简单题目开始，难度递进，当学生遇到困难时，会通过降维到具体物品、拆解问题等方式给予脚手架辅助。它可以做到全科目随问随答，不仅是数学，在其他科目上也能为学生总结视频内容，以苏格拉底的方式启发学生完成题目。 可汗学院创始人萨尔·可汗认为人工智能是一种补充工具，而且是一种非常强大的工具。Khan Academy 于 2006 年成立于硅谷，是一个非营利性的学校和教育平台，收到了 Google、Bill Gates、Elon Musk 等公司和个人的资助，致力于为全球任何地方的任何学生提供免费、高质量的教育。去年推出的 Khanmigo AI 最大的特点是以无限的耐心引导学习者自己寻找答案，对于每一个问题和答案，都引导学生思考背后的概念，激发学生的好奇心，鼓励跨学科学习，让学生能自主地去探索。

以下是关于学习“AI 与新媒体设计”的相关资料推荐： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的定义、主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，能找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛（比如图像、音乐、视频等），可根据自己的兴趣选择特定的模块进行深入学习，建议掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出作品。在知识库提供了很多大家实践后的作品、文章分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式，通过对话获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。

很抱歉，目前没有相关的具体资源可以推荐给您。但您可以通过以下途径获取相关信息： 1. 学术数据库：如 Web of Science、Scopus 等，搜索相关的研究论文。 2. 在线教育平台：例如 Coursera、EdX 等，可能有相关的课程。 3. 专业论坛和社区：如知乎、V2EX 等，与同行交流获取资源推荐。 4. 相关的行业报告网站：如艾瑞咨询、易观智库等。

AI 在新媒体设计领域的影响广泛且深入，主要体现在以下方面： 在视频编辑方面： 能够自动进行剪辑和特效处理，提高制作效率和质量。 在社交媒体内容创作方面： 可以对大量信息进行自动编辑和汇总，生成有趣的图文摘要。 辅助创作吸引人的文案和图片。 在虚拟现实与增强现实设计方面： 有助于创建更逼真的虚拟场景和增强现实体验。 在图文创作赛道： 内容生成：自动编写文章并选择或生成相应图片。 图像标注：识别和理解图片内容并生成文字描述。 图文匹配：为图片找到合适文字描述或为文字找到匹配图片。 数据可视化：将复杂数据以直观简洁的图表、信息图等方式展示。 设计辅助：生成 LOGO、海报等。 自动化排版：根据文本内容与结构自动进行页面布局和美观排版。 图文识别：借助 OCR 技术抓取图文内容后理解处理。 在艺术创作方面： 辅助绘画、音乐、文学等领域的创作，探索新的结合模式。 在智能产品设计方面： 如智能家居设备、可穿戴设备等。 在游戏行业： 是最有价值的应用场景之一，其应用可追溯至上世纪 80 年代。 从最初生成简单内容和随机元素，到辅助设计、生成动态世界和复杂内容，如动态场景、智能 NPC 行为等。 具有诸多优势，如游戏开发者亲近并乐于使用 AI 技术，游戏数据降低了筛选和清洗成本，游戏成为 AI 模型能力的最佳试验场。 革新游戏创作，简化工作流，在美术与风格、音效与音乐、剧情与任务、玩法与平衡、测试与优化等方面产生积极影响。

在汉语言文学师范领域，利用 AI 技术进行市场调研和分析是有可能发现具有商业价值的问题和创业方向的。 首先，通过对教育市场的大数据分析，AI 可以帮助了解汉语言文学师范专业的就业趋势和需求变化，例如特定地区对该专业教师的需求增长情况，或者新兴教育模式对该专业人才培养的新要求。 其次，利用自然语言处理技术，分析学生和家长对汉语言文学师范教育的反馈和期望，从而发现潜在的教育服务需求，比如个性化的辅导课程、线上教学平台的优化等。 再者，借助 AI 预测模型，可以评估汉语言文学师范相关教材和教育资源的市场需求，为开发创新的教育产品提供依据。 总之，结合 AI 技术，在汉语言文学师范领域进行深入的市场调研和分析，有机会挖掘出具有商业潜力的问题和创业方向。

学习 AI 在工作中使用以提高工作效率，不一定需要从技术原理开始学习。以下是一些相关的案例和建议： 案例一：GPT4VAct 是一个多模态 AI 助手，能够模拟人类通过鼠标和键盘进行网页浏览。其应用场景在于以后互联网项目产品的原型设计自动化生成，能使生成效果更符合用户使用习惯，同时优化广告位的出现位置、时机和频率。它基于 AI 学习模型，通过视觉理解技术识别网页元素，能执行点击和输入字符操作等，但目前存在一些功能尚未支持，如处理视觉信息程度有限、不支持输入特殊键码等。 案例二：对于教师来说，有专门的 AI 减负指南。例如“AI 基础工作坊用 AI 刷新你的工作流”，从理解以 GPT 为代表的 AI 工作原理开始，了解其优势短板，学习写好提示词以获得高质量内容，并基于一线教师工作场景分享优秀提示词与 AI 工具，帮助解决日常工作中的常见问题，提高工作效率。 建议：您可以根据自身工作的具体需求和特点，有针对性地选择学习方向。如果您只是想快速应用 AI 提高工作效率，可以先从了解常见的 AI 工具和应用场景入手，掌握基本的操作和提示词编写技巧。但如果您希望更深入地理解和优化 AI 在工作中的应用，了解技术原理会有一定帮助。

以下是为您从最基本的原理开始讲解的相关内容： 强化学习： 从最开始的 K 臂抽奖机器入手讲解了强化学习的基本原理，然后切入到 Qlearning 中学习如何使用 Q 表来进行强化学习，最后再借助神经网络将 Q 表替换成用函数来拟合计算 Q 值。 参考文章： https://lilianweng.github.io/posts/20180123multiarmedbandit/ https://yaoyaowd.medium.com/%E4%BB%8Ethompsonsampling%E5%88%B0%E5%A2%9E%E5%BC%BA%E5%AD%A6%E4%B9%A0%E5%86%8D%E8%B0%88%E5%A4%9A%E8%87%82%E8%80%81%E8%99%8E%E6%9C%BA%E9%97%AE%E9%A2%9823a48953bd30 https://zh.wikipedia.org/wiki/%E8%92%99%E5%9C%B0%E5%8D%A1%E7%BE%85%E6%96%B9%E6%B3%95 https://rl.qiwihui.com/zh_CN/latest/partI/index.html https://github.com/ty4z2008/Qix/blob/master/dl.md https://hrl.boyuai.com/ http://zh.d2l.ai/ 苏格拉底辩证法及其第一性原理： 这里所说的“辩证法”，是一种通过提问和回答，深入挖掘、质疑和明确观念的艺术，是始于苏格拉底的、源头上的“辩证法”。这门艺术可通过一系列问题，不断挑战人们对世界的既定认知，揭示其中的矛盾和不足，从而引领人们学会自我反思并走向真理。把 AI 作为方法，就是要用辩证法以对话方式引导出 AI 被预训练的世界级的知识和推理能力，然后使其变成我们可以重复调用的“专家级团队”。既然先进的大语言模型是预训练的、以自然语言对话为交互的，又因为人们创造“概念”是为了对事物达成共识，并能更好地交流，所以我们就选择从对话开始，追本溯源，探索如何对话、如何训练对话能力及如何操纵概念——直达认知事物的第一性原理，然后再回到应用上来。 Stable Diffusion： 从艺术和美学的角度来看，扩散模型可以被理解为一种创作和表达过程，其中的元素通过互动和影响，形成一种动态的、有机的整体结构。 前向扩散过程是一个不断加噪声的过程。例如，在猫的图片中多次增加高斯噪声直至图片变成随机噪音矩阵。对于初始数据，设置 K 步的扩散步数，每一步增加一定的噪声，如果设置的 K 足够大，就能够将初始数据转化成随机噪音矩阵。扩散过程是固定的，由 Schedule 算法进行统筹控制。同时扩散过程也有一个重要的性质：可以基于初始数据 X0 和任意的扩散步数 Ki，采样得到对应的数据 Xi 。 反向扩散过程和前向扩散过程正好相反，是一个不断去噪的过程。将随机高斯噪声矩阵通过扩散模型的 Inference 过程，预测噪声并逐步去噪，最后生成一个小别墅的有效图片。其中每一步预测并去除的噪声分布，都需要扩散模型在训练中学习。

人工智能的工作原理可以通过以下动画来描述： 在一个动画场景中，首先有一个传统工作流的部分，就像精心搭建的积木城堡，每一块积木的位置和形状都被精确设计和控制，这代表着传统工作流的可控性和高成本、慢速度。 然后是 AI 工作流的部分。想象一下，有一团混乱的色彩在飞舞，这团色彩代表着随机和不可控。但在这混乱中，有一种力量在尝试引导和塑造，就像在狂风中努力抓住风筝线一样，这就是在随机性中寻找可控性。 比如在一个生成音频与视频同步的例子中，动画展示了一个系统。首先，系统将视频输入编码成压缩的表示形式，就像把一大包东西压缩成一个小包裹。然后，扩散模型从随机噪声中不断改进音频，就像在混沌中逐渐塑造出清晰的声音。这个过程受到视觉输入和自然语言提示的引导，最终生成与提示紧密配合的同步逼真音频。最后，音频输出被解码，变成音频波形，并与视频数据完美结合。 总的来说，传统工作流在可控中寻找创新的随机，而 AI 工作流更多是在随机中寻找可控，两者各有优劣，结合起来能创造出更出色的成果。

以下是 AI 模型和机器学习的分类： 1. AI（人工智能）：是一个广泛的概念，旨在使计算机系统能够模拟人类智能。 2. 机器学习：是人工智能的一个子领域，让计算机通过数据学习来提高性能。包括以下几种类型： 监督学习：使用有标签的训练数据，算法学习输入和输出之间的映射关系，包括分类和回归任务。 无监督学习：学习的数据没有标签，算法自主发现规律，经典任务如聚类。 强化学习：从反馈中学习，以最大化奖励或最小化损失，类似训练小狗。 3. 深度学习：是机器学习的一个子领域，模拟人脑创建人工神经网络处理数据，包含多个处理层，在图像识别、语音识别和自然语言处理等任务中表现出色。 4. 大语言模型：是深度学习在自然语言处理领域的应用，目标是理解和生成人类语言，如 ChatGPT、文心一言等。同时具有生成式 AI 的特点，能够生成文本、图像、音频和视频等内容。 2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它基于自注意力机制处理序列数据，不依赖循环神经网络或卷积神经网络。生成式 AI 生成的内容称为 AIGC。

生成式人工智能的原理主要包括以下几个方面： 1. 基于深度学习技术和机器学习算法：通过大规模的数据集训练深度神经网络模型，学习各种数据的规律和特征，从而实现对输入数据的分析、理解和生成。 2. 监督学习：例如在生成文本时使用大语言模型，通过监督学习不断预测下一个词语，经过大量的数据训练，从而生成新的文本内容。这通常需要千亿甚至万亿级别的单词数据库。 3. 从大量现有内容中学习：包括文本、音频和视频等多模式的内容，这个学习过程称为训练，其结果是创造“基础模型”，如为聊天机器人提供支持的大型语言模型（LLM）。基础模型可用于生成内容并解决一般问题，也可以使用特定领域的新数据集进一步训练以解决特定问题。

LLM（大语言模型）的工作原理如下： 以“我今天吃了狮子头和蔬菜”这句话为例，在 Transformer 中，会由 Attention 层对其加入更多信息补充，如“狮子头是一道菜”“今天是星期六”等，这些补充信息作为输入给到下一个 Attention 层，层与层之间，哪些信息补充、保留、传递，由模型自主学习，最终模型把海量数据以关系网形式“消化”并保留重要相关性。 形象地说，就像人阅读文章时的连贯性注意力过程，在阅读理解时，脑子里会消化吸收记忆，记忆的不是点状知识，而是网状经验。 大模型以词向量和 Transformer 模型学习海量知识，把知识作为向量空间中的关系网存储，接受输入时通过向量空间中的匹配进行输出。 观察大模型回复，是一个字一个字流式输出的，因为大模型确实在一个字一个字地推理生成内容。比如输入法输入联想，根据输入的单个字推测下一个字，加入上下文能帮助模型理解下一个字。但存在两个问题：一是全量数据计算算力吃不消，二是仅算字的概率易被不相干信息干扰，此时词向量机制和 Transformer 模型中的 Attention 自注意力机制解决了难题。 另外，RAG 对大语言模型的作用就像开卷考试对学生，事实性知识与 LLM 的推理能力相分离，被存储在容易访问和及时更新的外部知识源中，分为参数化知识（模型训练中学习得到，隐式储存在神经网络权重中）和非参数化知识（存储在外部知识源，如向量数据库中）。

以下是关于能画技术路线图的 prompt 相关内容： Midjourney Bot 的 Prompt 类型： 基本 Prompts：可以只是一个单词、短语或表情符号。 高级 Prompts：包括一个或多个图片 URL、多个文本短语以及一个或多个参数。其中，图片 URL 始终位于 prompt 的最前面，以影响完成结果的风格和内容。提示文字是对希望生成的图像的文本描述，精心编写的提示有助于生成惊艳的图像。参数可以改变生成图片的方式，需放在提示语的末尾。 ComfyUI Flux 与 runway 制作绘画视频： 生成图片：提示词告诉 flux 生成一张技术草图，如 CAD。 绘制的视频：在 runway 里面，使用提示词从空白页面开始逐行创建，并把生成的图片作为尾帧。 草图上色：使用 flux 的 controlNet，depth 固定，目前 Union 版本不建议权重调太高，结束时间也需注意。 Prompt engineering（提示工程）： 开发测试用例：定义任务和成功标准后，创建多样化的测试用例，包括典型示例和边界情况，以确保提示具有鲁棒性。 设计初步提示：制定初步提示，概述任务定义、良好响应的特征及必要上下文，添加规范输入和输出的示例供参考。 根据测试用例测试提示：使用初步提示将测试用例输入，评估模型响应与预期输出和成功标准的一致性，使用一致的评分标准进行系统性的性能评估。

在金融业中，AI 有以下应用场景和技术： 1. 风控和反欺诈：用于识别和阻止欺诈行为，降低金融机构的风险。 2. 信用评估：评估借款人的信用风险，帮助金融机构做出更好的贷款决策。 3. 投资分析：分析市场数据，辅助投资者做出更明智的投资决策。 4. 客户服务：提供 24/7 的客户服务，回答客户常见问题。 例如，Hebbia 获得近 1 亿美元 B 轮融资，其 AI 技术能够一次处理多达数百万份文档，在短时间内浏览数十亿份包括 PDF、PowerPoint、电子表格和转录内容等，并返回具体答案，主要面向金融服务公司，如对冲基金和投资银行，同时也适用于律师事务所等其他专业领域。

Stable Diffusion 的底层技术主要来源于 AI 视频剪辑技术创业公司 Runway 的 Patrick Esser 以及慕尼黑大学机器视觉学习组的 Robin Romabach 之前在计算机视觉大会 CVPR22 上合作发表的潜扩散模型（Latent Diffusion Model）研究。 Stable Diffusion 是一种基于潜在扩散模型的文本到图像生成模型，其原理包括以下几个步骤： 1. 使用新颖的文本编码器（OpenCLIP），由 LAION 开发并得到 Stability AI 的支持，将文本输入转换为向量表示，以捕捉文本语义信息并与图像空间对齐。 2. 采用扩散模型，将随机噪声图像逐渐变换为目标图像。扩散模型是一种生成模型，能从训练数据中学习概率分布并采样新数据。 3. 在扩散过程中，利用文本向量和噪声图像作为条件输入，给出每一步变换的概率分布，根据文本指导噪声图像向目标图像收敛，并保持图像的清晰度和连贯性。 4. 使用超分辨率放大器（Upscaler Diffusion Model），将生成的低分辨率图像放大到更高分辨率，从低分辨率图像中恢复细节信息并增强图像质量。 此外，ComfyUI 的底层依赖 Stable Diffusion，去噪过程由 UNet 网络完成。UNet 是一种编码器解码器结构，能处理多尺度特征表示。在 ComfyUI 中，去噪的每个步骤通过模型推理模块实现，调用训练好的 UNet 模型逐步将噪声图像还原成有意义的图像。交叉注意力机制在 Stable Diffusion 中很重要，允许模型在生成过程中融入文本提示、图像、语义信息等条件，在 ComfyUI 中通过“文本提示”和“条件输入”节点实现。跳跃连接是 UNet 的核心部分，能在不同尺度之间共享特征，在 ComfyUI 的节点网络中表现为中间过程数据的流转。切换器代表在去噪过程中的不同阶段对特征流的控制，在 ComfyUI 中可通过修改模型参数节点或自定义网络结构节点对不同阶段的噪声去除策略进行微调。 Stable Diffusion 还具有以下优点： 1. 可以处理任意领域和主题的文本输入，并生成与之相符合的多样化和富有创意的图像。 2. 可以生成高达 2048x2048 或更高分辨率的图像，且保持良好的视觉效果和真实感。 它还可以进行深度引导和结构保留的图像转换和合成，例如根据输入图片推断出深度信息，并利用深度信息和文本条件生成新图片。

以下是一些 AI 相关的前沿技术网站： 1. OpenAI：提供了诸如 GPT 等先进的语言模型和相关技术。 2. Google AI：涵盖了多种 AI 领域的研究成果和应用。 3. Microsoft Research：在 AI 方面有众多创新研究和技术展示。 此外，WaytoAGI 也是一个致力于人工智能学习的中文知识库和社区平台，汇集了上千个人工智能网站和工具，提供最新的 AI 工具、应用、智能体和行业资讯。在没有任何推广的情况下，WaytoAGI 两年时间已有超过 300 万用户和超千万次的访问量，其目标是让每个人的学习过程少走弯路，让更多的人因 AI 而强大。目前合作过的公司/产品包括阿里云、通义千问、淘宝、智谱、支付宝等。

当前 AI 数字人的发展呈现出以下新态势，并取得了一系列新技术和成果： 数字人简介： 数字人是运用数字技术创造的，虽现阶段未达科幻作品中的高度智能，但已在生活多场景中出现且应用爆发。业界对其尚无准确定义，一般可按技术栈分为真人驱动和算法驱动两类。真人驱动的数字人重在通过动捕设备或视觉算法还原真人动作表情，主要用于影视和直播带货，其表现质量与建模精细度及动捕设备精密程度相关，不过视觉算法进步使在无昂贵动捕设备时也能通过摄像头捕捉关键点信息实现不错效果。 B 端变现与创业方向： B 端变现细分包括高频率和大规模的内容生产细分，如文字、视频、3D 模型、AI 智能体等，底层是需求和数据收集及训练模型，算力和能源是关键。自媒体创业需具备内容创新和差异化，内容成本低且更新迭代快。游戏创业可做轻量化游戏，结合 AI 技术满足放松和社交需求，专注垂类赛道避免与大厂竞争。影视创业在 25 年将是拐点，更多内容会采用 AI 技术。广告营销创业重点是 AI 虚拟人，数字插画可走治愈类型，要明确平台用户画像和产品定位，做好次留存和引入私域。 AI 虚拟人的发展与创业机遇： AI 虚拟人从早期以首位为核心的宅文化虚拟偶像，发展到以 CG 技术和动捕语音合成技术为核心的角色，再到如今以动捕和人工智能技术为核心的服务型虚拟人。虚拟人产业链包括基础层的硬件和软件研发，平台层如商汤、百度等提供工具和系统，应用层涉及影视、传媒、游戏、金融、文旅等内容变现。未来 3 10 年，AI 虚拟人是 Web 3.0 的风口，提前布局有潜力的赛道可迎接机遇，但创业对创业者综合能力要求极高。 未来展望： 数字人未来有很多应用场景，如家庭中的数字人管家、学校中的数字人老师、商场里的数字人导购等。未来还会有很多技术突破，如将五感数据和躯壳控制参数作为输入，次世代算法可自我迭代升级和自行演化躯壳控制方式。通过 Dify 搭建数字人的开源项目可展现低门槛高度定制数字人的基本思路，数字人的核心在于 Agent 即灵魂，如何在 Dify 上编排专属数字人灵魂值得体验。期望随着数字人的多模态能力接入、智能化水平升级、模型互动控制更精确，AI 既能提供高质量信息，也能关注用户情绪。