tell me about Gen AI companies worth joining

Gen3 Alpha 是 Runway 在为大规模多模式训练构建的新基础设施上训练的一系列模型中的第一个。与 Gen2 相比，在保真度、一致性和运动方面有重大改进，也是朝着构建通用世界模型迈出的一步。 官方介绍地址：https://runwayml.com/blog/introducinggen3alpha/ 创始人相关内容： 此外，在视频生成领域，一些小型参与者也有显著贡献，如 Runway 的 Gen3 Alpha 等模型。其他主要科技公司如 Meta、Google 等也在视频生成方面有重要进展。

以下是关于 AI Generated art 的相关信息： AI 漫画 Anifusion 特点： 对特定艺术细节的控制有限。 生成的艺术作品可能缺乏独特性。 需要订阅才能使用高级功能。 可能无法完全替代专业级工作的熟练人类艺术家。 定价： 提供免费和高级订阅选项。 免费层级：提供 50 个免费信用点和一个工作空间，适合初学者体验。 高级层级：每月 20 欧元，包含 10,000 个信用点、无限工作空间、无限漫画生成、多种 LoRA 模型支持，以及新功能的早期访问权限。 如何使用： 注册账户：访问 anifusion.ai 并创建一个免费账户以开始使用。 选择布局：从预设计的漫画预设中选择，或使用 Anifusion 的直观布局工具创建您自己的独特布局。 描述页面内容：使用简单的文本提示来描述您漫画中每个页面或面板的内容。 生成 AI 艺术：让 AI 根据您的文本描述生成动漫风格的艺术作品。 优化结果：使用 Anifusion 强大的画布编辑器根据需要优化和调整 AI 生成的艺术作品。 添加文本和效果：添加对话气泡、字幕和视觉效果以完成您的漫画页面。 导出和分享：导出您完成的漫画并与世界分享。您对您的创作拥有完全的商业权利。 主要功能： AI 文本生成漫画：用户输入描述性提示，AI 会根据文本生成相应的漫画页面或面板。 直观的布局工具：提供预设模板，用户也可自定义漫画布局，设计独特的面板结构。 强大的画布编辑器：在浏览器中直接优化和完善 AI 生成的艺术作品，调整角色姿势、面部细节等。 多种 AI 模型支持：高级用户可访问多种 LoRA 模型，实现不同的艺术风格和效果。 商业使用权：用户对在平台上创作的所有作品拥有完整的商业使用权，可自由用于商业目的。 使用案例： 独立漫画创作：有抱负的漫画艺术家无需高级绘画技能即可将他们的故事变为现实。 快速原型设计：专业艺术家可以在详细插图之前快速可视化故事概念和布局。 教育内容：教师和教育工作者可以为课程和演示创建引人入胜的视觉内容。 营销材料：企业可以制作动漫风格的促销漫画或用于活动的分镜脚本。 粉丝艺术和同人志：粉丝可以基于他们最喜欢的动漫和漫画系列创作衍生作品。 优点：非艺术家也可轻松进行漫画创作；基于浏览器的全方位解决方案，无需安装额外软件；快速迭代和原型设计能力；创作的全部商业权利。 生成式人工智能艺术形态 生成式人工智能是一种全新的信息获取方式，以 Midjourney 等工具为代表，在图形领域通过背后的人工智能模型，根据用户提供的文本描述生成高度相关和创造性的图像。这种通过文本命令获得图像的方式叫做 Prompting，是一种全新形态的人机交互。例如输入“想象:安塞尔亚当斯的风光摄影，平遥，全景图，云隙光，丁达尔光，史诗的，明暗对照法”就能获得相关图像。 其达成这样能力的原因可以拆解为三个简单的词汇：数据、映射和扩散。首先是数据，包括从公共数据库中获取世界上万事万物的图像存档、历史文献图片，或者创建特定的数据集以覆盖特定的风格或元素，最终目的是获得足够基础用以特征化每一个世界上的物体、风格或概念。其次是映射，在数据处理阶段，AI 使用如卷积神经网络的算法，来识别和提取图片中的关键视觉特征，如颜色、形状、纹理等，这个过程涉及到从原始数据中学习到的特征的映射，这些映射后的特征将用于生成新的艺术作品，其核心本质是将信息进行蒸馏，抛弃干扰的部分将特征得以呈现。最后是扩散（Diffusion），利用学习到的数据和视觉特征，AI 能够通过创造性扩散的过程，不仅仅是复制或模仿已知的艺术风格，而是在现有数据的基础上，通过 AI 的内部处理机制，探索和创造新的视觉表达形式。归根结底，这样的核心机制，授予了创作者一只自己会动的笔。本雅明把摄影时代称作为机械复制时代，那也许我们这个时代就是人工智能执笔时代，不需要笔也能画画、拍电影，只需站在“画架”之前思考我们的观念、题材、实现路径。

以下是为您生成的分析长文本工作论文的提示： 摘要： 本文主要讲述了作者在利用 GPT4 生成文章时的经历和探索。包括最初对 Claude 2 分析章节结构的尝试效果不佳，后来在生成章节内容时采用循环结构并让 GPT4 判断是否调用插件搜索信息。过程中遇到诸多困难，如插件效果不稳定、搜索等待时间长等，最终通过在需要搜索网络信息的章节处打上标签解决问题。同时还提到大型语言模型在总结文本方面的应用，如在 Chat GPT 中总结文章，以及针对产品评论进行摘要的任务。此外，还介绍了让 Claude 2 以特定格式回答带有引用来源问题的方法。 提示： 1. 对于文章内容的分析，先梳理整体框架，明确各部分的主题和重点。 2. 关注作者在实践过程中的关键步骤、遇到的问题及解决方案。 3. 注意不同模型和插件在应用中的特点和差异。 4. 总结文本应用方面，关注不同场景下的具体需求和实现方式。 5. 对于引用相关的内容，理解其格式要求和回答规范。

Generative AI（生成式 AI）不是 AGI（通用人工智能）。 生成式 AI 是一种基于深度学习技术，利用机器学习算法从已有数据中学习并生成新的数据或内容的 AI 应用。其工作原理是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，实现对输入数据的分析、理解和生成。典型的生成式 AI 包括 OpenAI 推出的语言模型 ChatGPT、GPT4、图像模型 DALLE 以及百度推出的文心一言、阿里云推出的通义千问等。生成式 AI 能够应用于游戏、娱乐和产品设计等诸多领域，但在数据处理过程中存在多重潜在合规风险，如未经授权收集信息、提供虚假信息、侵害个人隐私等。 而 AGI 是指具有广泛智能能力，能够像人类一样理解、学习和解决各种复杂问题的人工智能。 虽然生成式 AI 是一种强大的技术，但它只是在特定的生成任务上表现出色，还远未达到 AGI 的水平。在生成式 AI 的发展过程中，仍面临许多挑战和问题，如推理和计算能力的提升、获取真实世界的数据、构建特定领域的认知架构等。

以下是吴恩达《面向所有人的生成式 AI 入门课程 Generative AI for Everyone》的相关资源： B 站： 学习笔记： 飞书： 下的相关课程

以下是一些国内 Gen AI 赋能电商平台的案例： 电商：带货本地生活，AI 数字人上岗，带货本地生活电商，一个月多赚 3 万。 电商：婴儿的四维彩超 AI 预测，通过 AI 工具，提前把宝宝的四维彩超还原出现实中模样进行变现。 电商：小红书 AI 绘画变现，分享小红书最火的三种 AI 绘画类的商品。 此外，在国外，像 Flair、Booth 和 Bloom 这样的工具帮助品牌创建引人注目的产品照片。AdCreative 和 Pencil 可以制作用于电子邮件或社交媒体的营销材料，Frase 或 Writesonic 可以编写经过 SEO 优化的产品描述。未来，用户有望仅通过描述期望的审美并点击按钮，就能创建一个完整的电商商店以及用于市场营销的材料。

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。

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。

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。

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。

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。

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。