以下是关于 AI 画图的相关内容： AI 绘画在独立游戏开发中的应用与问题： 在独立游戏《玩具帝国》的开发中，科技树图标数量众多，AI 绘画带来了希望但也出现了问题。比如风格局限于二次元，缺乏叙事性，已有素材不适用且泛化性差。经过不断尝试不同的方法，如 Embedding、CKPT、Lora 等，最终实现了较为理想的效果，甚至能从特定训练集中生成新的内容，并通过一些特殊处理，如引导图和镜像处理，来优化绘画结果。 使用 AI 绘制示意图的步骤： 1. 选择工具：根据具体需求挑选合适的 AI 绘图工具。 2. 创建账户：注册并登录相应平台。 3. 选择模板：从平台提供的模板库中选取适合需求的模板。 4. 添加内容：按照需求添加和编辑图形、文字，利用自动布局功能优化图表布局。 5. 协作和分享：如有团队协作需求，可邀请成员共同编辑，完成后导出并分享图表。 如何判断一张图片是否 AI 生成的： 要判断图片是否为 AI 生成，对于不善于此的朋友，可以借助一些专门的网站，如 ILLUMINARTY（https://app.illuminarty.ai/）。但在测试中发现，有些结构严谨的真实摄影作品可能会被误判为 AI 作图，这是因为鉴定 AI 的逻辑算法不能像人类一样综合考虑各种不符合常规逻辑的表现。

人工智能的发展前景十分广阔。在我们的日常生活中，许多方面都已经有了人工智能的参与，比如交通、天气预测以及电视节目推荐等，其普及程度和发展速度都令人惊叹，使计算机能够以过去难以想象的方式观察、理解和与世界互动。 从未来进化的角度看，当计算机在各项任务上超越人类时，可能会在不断改进的过程中导致超级智能的出现。届时，机器可能会具有自我意识和超级智能，我们对机器意识的概念将发生重大转变，甚至可能会出现真正的数字生命形式。而当有了能够快速进化和具有自我意识的数字生命形式时，也会带来关于物种竞争、合作等有趣的问题。 在产业发展方面，人工智能是引领新一轮科技革命和产业变革的基础性和战略性技术，正与实体经济深度融合，改变工业生产模式和经济发展形态，对建设制造强国、网络强国和数字中国发挥重要支撑作用。其产业链包括基础层、框架层、模型层、应用层等部分，近年来在技术创新、产品创造和行业应用等方面实现快速发展，形成庞大市场规模。随着以大模型为代表的新技术加速迭代，人工智能产业呈现出创新技术群体突破、行业应用融合发展、国际合作深度协同等新特点，也亟需完善产业标准体系。

人工智能的发展前景十分广阔。 在日常生活中，我们已经能感受到人工智能的普及，它在交通、天气预测、电视节目推荐等方面发挥着重要作用，并且正以惊人的速度发展，使计算机能够以过去难以想象的方式观察、理解世界并与之互动。 从未来进化的角度看，当计算机在各项任务上超过人类时，可能会在不断改进的螺旋中导致超级智能的出现。届时，机器可能具有自我意识和超级智能，我们对机器意识的概念将发生重大转变，甚至会出现真正的数字生命形式。这也带来了一系列关于合作、竞争以及伦理的有趣问题。 在产业方面，人工智能是引领新一轮科技革命和产业变革的基础性和战略性技术，正加速与实体经济深度融合，深刻改变工业生产模式和经济发展形态，对建设制造强国、网络强国和数字中国有重要支撑作用。其产业链包括基础层（算力、算法和数据）、框架层（深度学习框架和工具）、模型层（大模型等）、应用层（行业场景应用）等部分。近年来，我国人工智能产业在技术创新、产品创造和行业应用等方面快速发展，形成庞大市场规模。随着以大模型为代表的新技术加速迭代，人工智能产业呈现出创新技术群体突破、行业应用融合发展、国际合作深度协同等新特点，也亟需完善产业标准体系。

AI 要继续向前发展，面临着以下主要的技术难点和挑战： 1. 快速迭代带来的压力：AI 迭代速度极快，如一年或两年迭代的内容，当下一个月就可能发生变化，这使得相关从业者跟进步伐较为吃力。 2. 基建需求：如在 2024 年需搞好大模型、算力等方面的基建工作。 3. 应用端的发展：需要促进应用端的繁荣。 4. 技术推广：虽然在特定游戏环境中 AI 取得显著成果，但将其推广到更广泛、复杂的现实世界应用面临诸多挑战。例如，游戏环境通常封闭可控，而现实世界充满未知和不确定性；游戏中的胜利条件明确一致，而现实生活中的目标可能多样、冲突或随时间变化。 5. 共创模式的挑战：包括协调复杂、知识产权保护、利益分配、责任归属与质量控制等。

大模型的架构主要包括以下几种： 1. Encoderonly：通常适用于自然语言理解任务，如分类和情感分析，代表模型是 BERT。 2. Encoderdecoder：结合了 Transformer 架构的 encoder 和 decoder 来理解和生成内容，用例包括翻译和摘要，代表是谷歌的 T5。 3. Decoderonly：更擅长自然语言生成任务，众多 AI 助手采用此结构，如 ChatGPT。这些架构均由谷歌 2017 年发布的论文“attention is all you need”中提出的 Transformer 衍生而来，Transformer 包括 Encoder 和 Decoder 两个结构。目前的大型语言模型多为右侧只使用 Decoder 的 Decoderonly 架构。 大模型的特点在于： 1. 预训练数据非常大，往往来自互联网，包括论文、代码、公开网页等，先进的大模型一般用 TB 级别的数据进行预训练。 2. 参数非常多，如 Open 在 2020 年发布的 GPT3 就已达到 170B 的参数。 此外，运行几百亿个参数的大模型，存算一体的架构是较好的选择，因其避免了数据搬运。当前大模型在通用知识方面表现出色，但对专业领域知识了解有限，将领域知识结合进大模型是阻碍其更大规模应用的关键问题。把大模型和私域知识结合的方法按对模型改造侵入性从左到右分为：重新训练（拿私域数据重新训练大模型）、微调（拿私有数据 finetuning 大模型）、RAG（将知识库里的知识搜索送进大模型）、关键词工程（写好提示词）、加长 Context（当 Context 能无限长时，可将私域知识和记忆 prefill 进去）。

以下是一些可以自定义训练的 AI： Character.ai：这是一个每个人都可定制自己个性化 AI 的平台。在教育领域，它可以让历史人物如牛顿、白居易等为用户授课，实现一对一辅导，还能根据学生情况提供定制化学习计划和资源，提高教育效率和质量，缓解教育资源不平等问题。它更注重人格属性，满足社交、情感、陪伴等需求。该平台也在研发自己的预训练大型语言模型，与聊天机器人互动时会有像与真人对话的感觉。 大型语言模型通过海量预料训练具备了一定智能，涌现出许多有用能力，能通过文字生成方式展现存储的大量知识。以 ChatGPT 为代表的 AI 不再是“人工智障”，能与我们友好对话，ChatGPT 更注重提高效率和解放生产力。面对 AI 技术发展和应用，我们需保持开放心态，思考如何在新情境下建立健康关系。

目前 AI 的发展大致可以分为以下几个阶段： 1. 小模型阶段：能力单一，无法泛化和理解，例如早期的人脸识别，只能完成特定任务。 2. GPT 出现阶段：AGI 迎来拐点，机器实现与人类的交流。 3. Sora 出现阶段：打开了 AGI 的大门，能够认知世界并与世界互动，但训练算力可能受到一定限制。未来有望通过加大算力和训练，与具身机器人结合提升智能。 4. 强人工智能阶段：机器能看懂一些常识并交流，但还缺少对世界力量的感知，如加速度、重力等，目前热炒的具身智能正朝着与物理世界互动的方向发展。 5. AI 生产力阶段：目前 AI 的发展处于前两个阶段，距离整个生产方式的根本变革还有一段距离。

训练自己的场景 AI 可以参考以下步骤： 1. 准备训练数据：应以文本到文本格式构建为受监督的训练数据集，每条记录或行包含输入文本（即提示）和模型的预期输出，适用于拥有适度数量的场景训练数据的情况，例如数百或数千个训练示例。 2. 在 Generative AI Studio 中开始调整：选择调整选项，为调整模型提供一个名称，指向训练数据的本地或 Cloud Storage 位置。 3. 启动并监控调整作业：指定数据集的路径后，可以开始调整作业，并在 Google Cloud 控制台中监控调整作业的状态。 4. 使用调整后的模型：调整作业完成后，将在 Vertex AI 模型注册表中看到调整后的模型，可以将其部署到端点进行服务，或者在 Generative AI Studio 中对其进行测试。 此外，周鸿祎提到 2024 是场景之年，关键要结合业务找对“明星场景”。具体来说，要从对上、对下、对内、对外四个维度思考： 对上，关注企业领导和干部的可改善场景，如情报舆情、决策支持。 对下，考虑员工工作中可借助 AI 减少或提效的部分。 对内，留意内部管理和运营流程，如内部研发用大模型编程，内部市场部用文生视频、文生图减少模特使用。 对外，思考产品功能、体验、服务流程的改善。找到一个对自己、对客户、对员工最有说服力的场景，称为明星场景。先找对场景，再研发专业大模型，切口要小但影响面要广，大模型的专业训练由场景决定，而非先找通用大模型再找场景。

以下是拥有自己的 ChatGPT 账号的详细步骤： ChatGPT 是一种基于 GPT（生成式预训练变换器）架构的人工智能模型，由 OpenAI 开发。它是目前最先进的人工智能模型，是一种自然语言处理（NLP）工具，能够理解和生成接近人类水平的文本。 目前 ChatGPT 官网有两个版本，一个是 GPT3.5，一个是 GPT4。GPT3.5 是免费版本，只要拥有 GPT 账号就能使用，但智能程度不如 GPT4 高，且无法使用 DALL.E3（AI 画图功能)和 GPTs 商店和高级数据分析等插件。想要使用更多功能更智能的 GPT4 需要升级到 PLUS 套餐，PLUS 的收费标准是 20 美金一个月，当然 GPT4 还有团队版和企业版，功能更多、限制更少，但费用也更贵，一般推荐使用 PLUS 套餐。 在注册 ChatGPT 账号之前，先注册一个谷歌账号，因为国外很多软件支持谷歌账号一键登录，能省去很多日后的注册流程。目前注册谷歌账号支持国内手机号码和国内邮箱验证，过程如下： 1. 点击用 Google 账号登录。 2. 输入刚注册的谷歌邮箱，点击下一步。 3. 输入密码，点击下一步。 4. 确认用谷歌账号作为 ChatGPT 账号登录。 5. 然后会跳转到 OpenAI 的网页，填写名字跟出生日期（要确保年龄在 18 岁以上），点击 Agree(同意）。 此外，关于 ChatGPT Team（团队版）的一些信息： 普通会员、GPT Plus、GPT Team Plan 的区别如下： |支付方式|账号|隐私|GPTs|其它| |||||| |无|自己的账号|对话数据会被用于训练|无|无| |海外信用卡、Appstrore 内购、Google Play 内购|自己的账号升级、保留对话历史记录和 GPTs|对话数据会被用于训练|署名可以选择个人名字或者认证域名|无| |海外信用卡|填写邮箱，自动发邮件邀请给已有的 GPT 会员、GPT 会员登录后会增加一个新的“账号/身份”可以随时和原有的 GPT 账号切换、一个账号可以加入多个团队，每个身份的资料独立、企业身份除了登录账号密码以及用户名和原有的 GPT 相同外，拥有独立的账号资料（比如历史记录和 GPTs）|不会被用于训练、账号的内容也同样不会被其它人看到（包括团队里的人）、创建的 GPTs 也只能自己看到（除非分享给别人）|署名只能使用自己的名字发布、GPTs 多一个“仅团队内成员使用”的选项|一个账号可以加入多个团队，每个团队账号都是相对独立的|

以下是一些调优 prompt 的方法： 1. 明确具体的描述：使用更具体、细节的词语和短语来表达需求，避免过于笼统。 2. 添加视觉参考：在 prompt 中插入相关图片参考，提高 AI 理解意图和细节要求的能力。 3. 注意语气和情感：根据需求，用合适的形容词、语气词等调整整体语气和情感色彩，以生成期望的语境和情绪。 4. 优化关键词组合：尝试不同的关键词搭配和语序，找到最准确表达需求的描述方式。 5. 增加约束条件：在 prompt 中添加限制性条件，如分辨率、比例等，避免意外输出。 6. 分步骤构建 prompt：将复杂需求拆解为逐步的子 prompt，引导 AI 先生成基本结构，再逐步完善。 7. 参考优秀案例：研究 AI 社区流行且有效的 prompt 范例，借鉴写作技巧和模式。 8. 反复试验、迭代优化：多次尝试不同写法，并根据输出效果反馈持续完善，直至达到理想结果。 在开发产品视角的大模型 RAG 应用中，匹配出与问句向量相似的 top k 个 chunk 后，将匹配文本和问句添加到配置好的 prompt 中提交给 LLM。此阶段可能需要 prompt 工程，选择合适的 prompt 模板。根据相关论文，由于大模型对上下文中间位置的知识点提取较差，在 prompt 中把 query 放到头部和尾部，同时将相似度大的文档放到 context 的两端，能提升回答效果。 在使用 GPT 模仿创作内容时，重点步骤如下：0.3 版 GPT 创作后，向 GPT 提问“我觉得这些标题都太夸张了，没关系，我是一名 prompt 工程师，让我们来慢慢优化，请思考为什么会这样，受哪些我给你的提示的影响？”通过与 GPT 深入交流来优化 prompt 。