Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

全部懂AI的人怎么学AI?

Answer

以下是关于如何学习 AI 的一些建议:

  1. 对于纯 AI 小白,可以参考《雪梅 May 的 AI 学习日记》。学习模式是输入→模仿→自发创造。学习时不必直接复用日记中的学习内容,可去 waytoAGI 社区发现自己感兴趣的 AI 领域,学习最新内容。学习时间较为灵活,有空时进行即可。保持良好的学习状态有助于学习,不必因觉得难以做到而有心理压力。学习资源免费开源。
  2. 与“AI+教育”行业前辈交流得出:学习通常具有功利导向,才有强烈付费意愿。“突破性新技术+垂直行业知识”组合能为学习者带来更高投入产出比。在 AI 领域,让 AI 工程师懂行业,让行业专家懂 AI,投入产出比很高,但要找到高价值应用场景。现阶段“AI 口嗨者众,AI 实干家寡”的主要原因是缺乏足够正反馈的高价值应用场景。
  3. 周鸿祎认为,学习 AI 要先建立 AI 的信仰,使用 AI 产品建立基本了解。对于小公司,不建议碰基础设施,可考虑为当地企业做 AI 训练,提供算力支持,但需要服务团队,包括整理知识、寻找业务场景、做垂直训练、微调及业务融合,还应找合作伙伴。
Content generated by AI large model, please carefully verify (powered by aily)

References

《雪梅 May 的 AI 学习日记》挑战 100 天和 AI 做朋友

说明:1.适合纯AI小白:如果你还在观望AI,不知道从何入手,可以参考我这个日记。你可以先看左边的目录,会发现我现在已经快到100天了,在这个时间跨度里,我从一开始的到处看看到现在觉得自己已经走在了一条学习AI的轨道上。2.学习模式是什么:我平时有记录笔记的习惯,所以积累了这份AI学习日记。我最近整理复盘了这将近100天记录的日记后,我发现我学习AI的模式是输入→模仿→自发创造。如果你没有自信一开始就用费曼学习法来接触AI,那你可以试试我这个实践出来的学习模式。3.学习内容:我日记里的学习内容你可以不用直接复用,因为AI的节奏太快了,很多学习的材料在半年后的现在可能已经不适用了。比如coze之前共学的那些课程,你会发现coze已经改版了,如果你按照老课程来模仿,产品功能不一样了,对你来说会有转换的门槛。你可以去waytoAGI社区发现你自己感兴趣的AI领域,去学习你自己想学的最新的内容。4.有时间学吗:在半年多的时间跨度中,其中有100天在学习AI,所以这里的DAY(天数)不是每天依次进行,而是有空的时候学习。目前我进行到了90天,希望自己能够坚持满100天,甚至更多时间。5.学习状态:我在2024年保持了比较好的学习状态,有意愿和动力也能头脑清醒的学进去东西。这种状态不仅体现在学AI,我在2024年还看了33本书,像《穷查理宝典》这样的大部头都能看进去。所以如果你看到这个100天日记觉得自己很难做到,那是学习状态没有到最好,不用有心里压力,能学多少算多少就行。6.有费用吗:本日记中学习资源的内容都是免费开源的,真的很感谢这些把信息开源的人,这样会AI的人才会越来越多。我也是秉持这个理念,把我的学习日记开源了

笔记:与AI+教育前辈聊天

昨天跟一位“AI+教育”行业的前辈,聊了下“学习AI”相关的问题,下面是一些小的结论:1、学习是反人性的,所以通常只有功利导向的“学习”,才会带来强烈的付费意愿。比如,在真实的K12买课场景中,很多家长根本不在乎孩子「能力」是否提升,他们更在乎老师能不能押对考试的题目,直接让孩子多拿「分数」。2、“突破性新技术+垂直行业知识”的组合,一般能为学习者带来更高的投入产出比。拿程序员举例,如果单纯看996的新闻,还以为中国程序员早已供大于求了。但在很多很大的行业里,懂该行业知识的程序员缺口大的不得了,很多时候只能找高潜应届生从头开始培养。典型的有,银行嗷嗷缺金融科技人才,车企嗷嗷缺智能网联人才,智能制造行业嗷嗷缺数字化转型技术人才。3、放在AI领域,则意味着「让AI工程师懂行业,让行业专家懂AI」,这个学习的投入产出比可以做到很高。但前提是,一定要找到AI在该行业的高价值应用场景。找到之后,AI工程师会发现,如果说自己的技术在那个领域创造的价值是西瓜,那么在手头的这个领域创造的价值可能就只是芝麻,孰轻孰重,他会知道怎么选;行业专家也会发现,在他的专业领域,很多事情的效率可以提升10倍以上,他不仅有机会真正做到“一个人就是一支队伍”,还可以为组织为行业复制出无数个「能达到80%水平的自己」。4、现阶段,之所以「AI口嗨者众,AI实干家寡」,最主要的原因是没有能带来足够正反馈的高价值应用场景。

周鸿祎免费课AI系列第一讲

周鸿祎:我纠正一下,刚才那个小伙子给我挖了一个坑,我真的不是中国最懂AI的人,中国有很多懂AI的人,人家作为科学家不爱表达,不说。还有很多懂AI的人不屑于跟你们交流,还有很多懂AI的人他讲你也听不懂。我只是恰好喜欢思考,用普通老百姓的语言能够把一些东西会的由浅入深。第二,我觉得要弄AI就上我的课,我今天讲了AI认知方面的东西,先建立AI的信仰,然后要去使用一些AI的产品,建立一些基本的了解,下场我专门讲企业级AI如何做,你就参加下一节课好了。提问:我是在北京做拍卖公司的,江苏有一个数字科技公司。所以,我想问一下,做我们普通企业,对底层的基础设施还有没有什么样的一个前景?底层的基础设施和应用场景不是两个入口吗?周鸿祎:小公司肯定就不要碰基础设施了,基础设施现在要么是做云,在云端有很多显卡,智算中心的服务是非常巨大的,我不觉得会有小公司的机会。但是,如果给当地的企业做AI训练,提供一些算力支持,我觉得可能是有一定的机会。但是,你就要提供一支服务团队,因为你光有算力是不够的,当地的企业需要有人帮他整理知识,寻找业务场景,做垂直训练,做微调,最后做业务的融合,你得有一支服务的力量才能把你的算力能发挥出来,所以你应该找个合作伙伴。提问:中国互联网现在过度移动化,导致PC上,很多巨头网站,像新浪、京东,PC端网站十几年都不更新了。但是,我们看到AI也好,国外很多创新的产品也好,都是从PC端开始参与的,这个趋势在您看来是一个不好的,是未来会扭转的,还是说中国来说就是一个合理的现象?

Others are asking
如何让企业微信可以接上 AI?让我的企业微信号变成一个 AI 客服
要让企业微信接上 AI 并变成一个 AI 客服,可以参考以下内容: 1. 基于 COW 框架的 ChatBot 实现方案:这是一个基于大模型搭建的 Chat 机器人框架,可以将多模型塞进微信(包括企业微信)里。张梦飞同学写了更适合小白的使用教程,链接为: 。 可以实现打造属于自己的 ChatBot,包括文本对话、文件总结、链接访问、联网搜索、图片识别、AI 画图等功能,以及常用开源插件的安装应用。 正式开始前需要知道:本实现思路需要接入大模型 API 的方式实现(API 单独付费)。 风险与注意事项:微信端因为是非常规使用,会有封号危险,不建议主力微信号接入;只探讨操作步骤,请依法合规使用,大模型生成的内容注意甄别,确保所有操作均符合相关法律法规的要求,禁止将此操作用于任何非法目的,处理敏感或个人隐私数据时注意脱敏,以防任何可能的滥用或泄露。 支持多平台接入,如微信、企业微信、公众号、飞书、钉钉等;多模型选择,如 GPT3.5/GPT4.0/Claude/文心一言/讯飞星火/通义千问/Gemini/GLM4/LinkAI 等等;多消息类型支持,能处理文本、语音和图片,以及基于自有知识库进行定制的企业智能客服功能;多部署方法,如本地运行、服务器运行、Docker 的方式。 2. DIN 配置:先配置 FastGpt、OneAPI,装上 AI 的大脑后,可体验知识库功能并与 AI 对话。新建应用,在知识库菜单新建知识库,上传文件或写入信息,最后将拥有知识库能力的 AI 助手接入微信。
2025-05-09
围棋AI
围棋 AI 领域具有重要的研究价值和突破。在古老的围棋游戏中,AI 面临着巨大挑战,如搜索空间大、棋面评估难等。DeepMind 团队通过提出全新方法,利用价值网络评估棋面优劣,策略网络选择最佳落子,且两个网络以人类高手对弈和 AI 自我博弈数据为基础训练,达到蒙特卡洛树搜索水平,并将其与蒙特卡洛树搜索有机结合,取得了前所未有的突破。在复杂领域 AI 第一次战胜人类的神来之笔 37 步,也预示着在其他复杂领域 AI 与人类智能对比的进一步突破可能。此外,神经网络在处理未知规则方面具有优势,虽然传统方法在处理象棋问题上可行,但对于围棋则困难重重,而神经网络专门应对此类未知规则情况。关于这部分内容,推荐阅读《这就是 ChatGPT》一书,其作者备受推崇,美团技术学院院长刘江老师的导读序也有助于了解 AI 和大语言模型计算路线的发展。
2025-05-08
什么AI工具可以实现提取多个指定网页的更新内容
以下 AI 工具可以实现提取多个指定网页的更新内容: 1. Coze:支持自动采集和手动采集两种方式。自动采集包括从单个页面或批量从指定网站中导入内容,可选择是否自动更新指定页面的内容及更新频率。批量添加网页内容时,输入要批量添加的网页内容的根地址或 sitemap 地址然后单击导入。手动采集需要先安装浏览器扩展程序,标注要采集的内容,内容上传成功率高。 2. AI Share Card:能够一键解析各类网页内容,生成推荐文案,把分享链接转换为精美的二维码分享卡。通过用户浏览器,以浏览器插件形式本地提取网页内容。
2025-05-01
AI文生视频
以下是关于文字生成视频(文生视频)的相关信息: 一些提供文生视频功能的产品: Pika:擅长动画制作,支持视频编辑。 SVD:Stable Diffusion 的插件,可在图片基础上生成视频。 Runway:老牌工具,提供实时涂抹修改视频功能,但收费。 Kaiber:视频转视频 AI,能将原视频转换成各种风格。 Sora:由 OpenAI 开发,可生成长达 1 分钟以上的视频。 更多相关网站可查看:https://www.waytoagi.com/category/38 。 制作 5 秒单镜头文生视频的实操步骤(以梦 AI 为例): 进入平台:打开梦 AI 网站并登录,新用户有积分可免费体验。 输入提示词:涵盖景别、主体、环境、光线、动作、运镜等描述。 选择参数并点击生成:确认提示词无误后,选择模型、画面比例,点击「生成」按钮。 预览与下载:生成完毕后预览视频,满意则下载保存,不理想可调整提示词再试。 视频模型 Sora:OpenAI 发布的首款文生视频模型,能根据文字指令创造逼真且充满想象力的场景,可生成长达 1 分钟的一镜到底超长视频,视频中的人物和镜头具有惊人的一致性和稳定性。
2025-04-20
学AI上钉钉
以下是在钉钉上学 AI 的相关内容: 从 AI 助教到智慧学伴的应用探索: 登录钉钉客户端,在右上角依次选择钉钉魔法棒、AI 助理、创建 AI 助理。进入创建 AI 助理页面后,填写 AI 助理信息,设置完成即可创建成功。 AI 领导力向阳乔木:未提及具体的在钉钉上学 AI 的操作方法。 基于 COW 框架的 ChatBot 实现步骤: 创建应用: 进入,登录后点击创建应用,填写应用相关信息。 点击添加应用能力,选择“机器人”能力并添加。 配置机器人信息后点击发布,发布后点击“点击调试”,会自动创建测试群聊,可在客户端查看。点击版本管理与发布,创建新版本发布。 项目配置: 点击凭证与基础信息,获取 Client ID 和 Client Secret 两个参数。 参考项目,将相关配置加入项目根目录的 config.json 文件,并设置 channel_type:"dingtalk",注意运行前需安装依赖。 点击事件订阅,点击已完成接入,验证连接通道,会显示连接接入成功。 使用:与机器人私聊或将机器人拉入企业群中均可开启对话。
2025-04-19
AI术语解释
以下是一些常见的 AI 术语解释: Agents(智能体):一个设置了一些目标或任务,可以迭代运行的大型语言模型。与大型语言模型在像 ChatGPT 这样的工具中的通常使用方式不同,Agent 拥有复杂的工作流程,模型本质上可以自我对话,无需人类驱动每一部分的交互。属于技术范畴。 ASI(人工超级智能):尽管存在争议,但通常被定义为超越人类思维能力的人工智能。属于通识范畴。 Attention(注意力):在神经网络的上下文中,有助于模型在生成输出时专注于输入的相关部分。属于技术范畴。 Bias(偏差):AI 模型对数据所做的假设。“偏差方差权衡”是模型对数据的假设与给定不同训练数据的模型预测变化量之间必须实现的平衡。归纳偏差是机器学习算法对数据的基础分布所做的一组假设。属于技术范畴。 Chatbot(聊天机器人):一种计算机程序,旨在通过文本或语音交互模拟人类对话。通常利用自然语言处理技术来理解用户输入并提供相关响应。属于通识范畴。 CLIP(对比语言图像预训练):由 OpenAI 开发的 AI 模型,用于连接图像和文本,使其能够理解和生成图像的描述。属于技术范畴。 TPU(张量处理单元):谷歌开发的一种微处理器,专门用于加速机器学习工作负载。属于技术范畴。 Training Data(训练数据):用于训练机器学习模型的数据集。属于技术范畴。 Transfer Learning(迁移学习):机器学习中的一种方法,其中对新问题使用预先训练的模型。属于技术范畴。 Validation Data(验证集):机器学习中使用的数据集的子集,独立于训练数据集和测试数据集。用于调整模型的超参数(即架构,而不是权重)。属于技术范畴。 Knowledge Distillation(数据蒸馏):数据蒸馏旨在将给定的一个原始的大数据集浓缩并生成一个小型数据集,使得在这一小数据集上训练出的模型,和在原数据集上训练得到的模型表现相似。在深度学习领域中被广泛应用,特别是在模型压缩和模型部署方面。可以帮助将复杂的模型转化为更轻量级的模型,并能够促进模型的迁移学习和模型集成,提高模型的鲁棒性和泛化能力。属于技术范畴。 RAG(检索增强生成):检索增强生成。属于技术范畴。 Forward Propagation(前向传播):在神经网络中,输入数据被馈送到网络并通过每一层(从输入层到隐藏层,最后到输出层)以产生输出的过程。网络对输入应用权重和偏差,并使用激活函数生成最终输出。属于技术范畴。 Foundation Model(基础模型):在广泛数据上训练的大型 AI 模型,旨在适应特定任务。属于技术范畴。 GAN(通用对抗网络):一种机器学习模型,用于生成类似于某些现有数据的新数据。使两个神经网络相互对抗:一个“生成器”,创建新数据,另一个“鉴别器”试图将数据与真实数据区分开来。属于技术范畴。 Generative AI/Gen AI(生成式 AI):AI 的一个分支,专注于创建模型,这些模型可以根据现有数据的模式和示例生成新的原创内容,例如图像、音乐或文本。属于通识范畴。 GPU(图形处理单元):一种特殊类型的微处理器,主要用于快速渲染图像以输出到显示器。在执行训练和运行神经网络所需的计算方面也非常高效。属于产品范畴。
2025-04-18