AIGC技术发展历程

以下是一些降低论文中 AIGC 使用率的具体操作办法： 1. 使用 AIGC 论文检测工具： Turnitin：广泛使用的学术剽窃检测工具，增加了检测 AI 生成内容的功能。使用方法是上传论文，系统会自动分析文本并提供详细报告，标示出可能由 AI 生成的部分。 Copyscape：主要用于检测网络上的剽窃行为，虽不是专门的 AIGC 检测工具，但能发现可能被 AI 生成的重复内容。输入文本或上传文档，系统会扫描网络查找相似或重复内容。 Grammarly：提供语法检查和剽窃检测功能，其剽窃检测部分可帮助识别可能由 AI 生成的非原创内容。将文本粘贴到编辑器中，选择剽窃检测功能，系统会提供分析报告。 Unicheck：基于云的剽窃检测工具，适用于教育机构和学术研究，能检测 AI 生成内容的迹象。上传文档或输入文本，系统会分析并生成报告，显示潜在的剽窃和 AI 生成内容。 ：专门设计用于检测 AI 生成内容的工具，使用先进算法分析文本，识别是否由 GPT3 或其他 AI 模型生成。上传文档或输入文本，系统会提供详细报告。 ：提供免费的 AI 内容检测工具，可识别文本是否由 AI 生成。将文本粘贴到在线工具中，点击检测按钮，系统会提供分析结果。 GPTZero：专门设计用于检测由 GPT3 生成内容的工具，适用于教育和出版行业。上传文档或输入文本，系统会分析并提供报告。 Content at Scale：提供 AI 内容检测功能，帮助用户识别文本是否由 AI 生成。将文本粘贴到在线检测工具中，系统会分析并提供结果。 此外，为了从根本上降低 AIGC 使用率，您还需要注重自身的思考和研究，确保论文内容是基于您的独立见解和深入分析。

以下是一些 AIGC 相关的行业大 V 推荐： ：归臧整理的 AIGC 周刊，关注 AI 的朋友每周必读。 ：连续创业者，Prompt 版块共建者。 。 ：“互联网的那点事”，微博互联网观察家。 ZHO：建筑师｜ComfyUI 设计师。 ：AIGC 社区野神殿创始人。 。 赛博禅心：最新最快的 AI 资讯，作者大聪明。 张蔚：华兴资本经理，架构和投资版块共建者。 ：热爱分享，永远好奇，AI 高质量社群组织者。 汗青：产品经理｜AI 设计师。 此外，还有北京分队中的一些相关人士： Lucky：在信息技术领域公司任职 7 年+，目前担任江西 5 家公司企业级 information security 管理，3 个地区千万级企业级 confidentiality Project 管理，5 个地区上海、合肥、苏州、南京、深圳 information security 体系建设管理顾问，目前一只 20 人+AI 项目团队，终身学习践行者。能提供 AI 相关技术的所有项目，包括 AI 图片视频、2D 动画视频、AI prompt、AI 提示词企业培训、AI 大模型、AI agent、数字人等产品。坐标南昌。 粉仔：目前抖音上的 AIGC 相关博主，粉丝画像特别受到中老年妇女们的喜爱，俨然成了她们的偶像。熟悉目前主流的 AIGC 工具。坐标北京。 sam：做技术行业，热爱互联网和 AI 技术。 海地老师：AI 影视共创社北京分社的负责人。逍遥游的制片人和编剧。 Sunkim：自由体验设计师，前保利威设计负责人，先后在新浪、百度、脉脉做体验设计工作。对 AIGC 感兴趣，目前在做 AI 口语教育类产品（上线了），和 web3 相关设计，以及跟大伙学习 AI 视频制作。 胡凯翔：国企工作 10 余年，后沉迷 AI 提示词研究编写，小七姐第一期课程毕业生，微软、讯飞认证提示词工程师，曾担任破局俱乐部企业培训和 AI+教育行动营教练，共创有约 10 万字 AI+教育手册，使用 AI 辅助阅读和开智，标书、论文的写作，玄学取名和头像设计，目前沉迷个人知识体系的搭建和离谱村系列视频的共创。 陈皓/Robin：目前在家科技公司从事产品工作，主要和 Ai，3D 视觉内容+数字人相关；有过知识付费和海外教育的创业经历。

以下是关于降低 AIGC 查重率的提示语相关内容： 结构化提示词对于控制 AIGC 输出效果有重要作用，但原有的结构化提示词在 DeepSeek 上可能不好使，主要原因包括：详细规定思考步骤限制模型自主思考能力、包含大量低信息价值内容降低信息密度、严格的输出格式要求限制模型表达方式。 针对此问题，可设计新的提示词结构，基础结构如下： 1. 符合角色扮演的，基于 html 标签语法编写格式，好处是不用再学 Markdown 语法，降低学习门槛，有更完善逻辑结构且逻辑可嵌套，但坏处是比 Markdown 语法逻辑负担重，初学者易忘记写闭合标签。 2. 您也可以继续使用 MarkDown，只要抽象出来的元素不瞎换位置就行，因为目前这个次序是实际组合排列测试中效果最好的。 同时，还有关于 AIGC 其他方面的内容，如： 1. AI 将使任何人都能够创建游戏，包括人工智能+人类共同创作工具、提示共享和搜索等方面。 2. AIGC 存在刑事法律风险，如利用 AIGC 传递假新闻、诈骗等，服务提供者应遵循相关规定，采取标识、保存日志、设置反馈机制等措施以确保合规。

以下是一些降低论文中 AIGC 比例的方法和常用的 AIGC 论文检测网站： 降低 AIGC 比例的方法：需要您更多地进行自主思考、研究和创作，减少对 AI 生成内容的依赖。 AIGC 论文检测网站： Turnitin：是广泛使用的学术剽窃检测工具，增加了检测 AI 生成内容的功能。使用方法为上传论文，系统自动分析并提供详细报告，标示出可能由 AI 生成的部分。 Copyscape：主要用于检测网络剽窃行为，虽非专门的 AIGC 检测工具，但可发现可能被 AI 生成的重复内容。输入文本或上传文档，系统扫描网络查找相似或重复内容。 Grammarly：提供语法检查和剽窃检测功能，剽窃检测部分可帮助识别可能由 AI 生成的非原创内容。将文本粘贴到编辑器中，选择剽窃检测功能，系统提供分析报告。 Unicheck：基于云的剽窃检测工具，适用于教育机构和学术研究，可检测 AI 生成内容的迹象。上传文档或输入文本，系统分析生成报告，显示潜在的剽窃和 AI 生成内容。 ：专门设计用于检测 AI 生成内容的工具，使用先进算法分析文本，识别是否由 GPT3 或其他 AI 模型生成。上传文档或输入文本，系统提供详细报告。 ：提供免费的 AI 内容检测工具，可识别文本是否由 AI 生成。将文本粘贴到在线工具中，点击检测按钮，系统提供分析结果。 GPTZero：专门设计用于检测由 GPT3 生成内容的工具，适用于教育和出版行业。上传文档或输入文本，系统分析并提供报告。 Content at Scale：提供 AI 内容检测功能，帮助识别文本是否由 AI 生成。将文本粘贴到在线检测工具中，系统分析并提供结果。 这些工具和网站可以帮助教育机构、研究人员和编辑识别 AI 生成的内容，确保学术和出版的原创性和诚信。您可以根据具体需求选择适合的工具来进行检测。

以下是一些可能有助于降低写论文时 AIGC 查重的提示词相关内容： 1. 利用连锁密度法撰写摘要：来自相关文章，您向其索取一篇文章后，需通过重复特定步骤来撰写逐渐简洁、重点突出的摘要。步骤包括找出遗漏的关键要素并编写新的更精炼的摘要，要遵循一系列原则，如与主要内容紧密相关、具体简明、新颖、忠实原文等，最终以 JSON 格式回答，包含“Missing_Entities”和“Denser_Summary”两个键值。 2. 适配 DeepSeek 的结构化提示词：结构化提示词对整理逻辑内容有帮助，当前旧的结构化提示词在 DeepSeek 上不好使的主要原因包括限制模型自主思考能力、包含低信息价值内容、严格的输出格式要求限制表达方式等，应设计新的提示词结构，如基于 html 标签语法的编写格式，其有降低学习门槛、完善逻辑结构等好处，也有逻辑负担重等坏处。 3. RAG 提示工程（二）中的安全与防护实践：文章最初发表于 LangGPT 社区，融入了宝贵见解。提到之前提过的提示词安全问题，展示了某 toC 产品泄漏提示词及模型回复的情况，强调对于生产级应用，安全是第一位的，在讲解更进一步的提示词技术前要先关注提示词安全。

AIGC（人工智能生成内容）是一种利用人工智能技术生成各种类型内容的应用方式。它能够通过机器学习和深度学习算法，根据输入的数据和指令生成符合特定要求的内容，在内容创作、广告、媒体等领域有着广泛的应用。 具体来说： 1. 文字生成：使用大型语言模型（如 GPT 系列模型）生成文章、故事、对话等内容。 2. 图像生成：使用 Stable Diffusion、DALLE 等模型生成艺术作品、照片等。 3. 视频生成：使用 Runway、KLING 等模型生成动画、短视频等。 AIGC 又称为生成式 AI，例如 AI 文本续写，文字转图像的 AI 图、AI 主持人等，都属于 AIGC 的应用。类似的名词缩写还有 UGC（普通用户生产），PGC（专业用户生产）等。能进行 AIGC 的产品项目和媒介很多，包括但不限于： 语言文字类：OpenAI 的 GPT，Google 的 Bard，百度的文心一言等。 语音声音类：Google 的 WaveNet，微软的 Deep Nerual Network，百度的 DeepSpeech 等，还有合成 AI 孙燕姿大火的开源模型 Sovits。 图片美术类：早期有 GEN 等图片识别/生成技术，去年大热的扩散模型又带火了我们比较熟悉的、生成质量无敌的 Midjourney，先驱者谷歌的 Disco Diffusion，一直在排队测试的 OpenAI 的 Dalle·2，以及 stability ai 和 runaway 共同推出的 Stable Diffusion。 GenAI（即生成式 AI）是一种能够从已有数据中学习并生成新的数据或内容的 AI 应用，利用 GenAI 创建的内容即 AIGC。作为一种强大的技术，生成式 AI 能够赋能诸多领域，但也存在多重潜在的合规风险。目前，我国对 AIGC 的监管框架由《网络安全法》《数据安全法》及《个人信息保护法》构成，并与《互联网信息服务算法推荐管理规定》、《互联网信息服务深度合成管理规定》、《生成式人工智能服务管理暂行办法》、《科技伦理审查办法（试行）》等形成了共同监管的形势。AIGC 主要分为语言文本生成、图像生成和音视频生成。语言文本生成利用马尔科夫链、RNN、LSTMs 和 Transformer 等模型生成文本，如 GPT4 和 Gemini Ultra。图像生成依赖于 GANs、VAEs 和 Stable Diffusion 等技术，应用于数据增强和艺术创作，代表项目有 Stable Diffusion 和 StyleGAN 2。音视频生成利用扩散模型、GANs 和 Video Diffusion 等，广泛应用于娱乐和语音生成，代表项目有 Sora 和 WaveNet。此外，AIGC 还可应用于音乐生成、游戏开发和医疗保健等领域，展现出广泛的应用前景。AIGC 应用可能引发内生风险、数据隐私问题和知识产权风险。内生风险包括算法的不可解释性和不可问责性，以及代码开源可能带来的安全和伦理担忧。数据隐私方面，AIGC 工具可能导致数据泄露、匿名化不足、未经授权的数据共享等问题。应用风险涉及作品侵权、不当竞争等问题。相关法律和规定对 AIGC 的透明性、数据收集和处理、知识产权归属等提出了要求。然而，著作权归属、数据隐私等问题尚需更多法律明确规定。此外，AIGC 的滥用可能导致虚假信息传播、侵犯隐私等问题，因此需要进一步加强监管和伦理约束。

人工智能的发展历程如下： 二十世纪中叶，人工智能领域开启，符号推理流行，出现专家系统，但因方法局限性和成本问题，20 世纪 70 年代出现“人工智能寒冬”。 随着时间推移，计算资源更便宜，数据更多，神经网络方法在计算机视觉、语音理解等领域展现出色性能，过去十年中，“人工智能”常被视为“神经网络”的同义词。 1943 年，心理学家麦卡洛克和数学家皮特斯提出机器的神经元模型，为神经网络奠定基础。 1950 年，图灵最早提出图灵测试作为判别机器是否具备智能的标准。 1956 年，在美国达特茅斯学院，马文·明斯基和约翰·麦凯西等人共同发起召开达特茅斯会议，“人工智能”一词被正式提出，并确立为一门学科。此后近 70 年，AI 发展起起落落。 AI 技术发展历程包括：早期阶段（1950s 1960s）的专家系统、博弈论、机器学习初步理论；知识驱动时期（1970s 1980s）的专家系统、知识表示、自动推理；统计学习时期（1990s 2000s）的机器学习算法（决策树、支持向量机、贝叶斯方法等）；深度学习时期（2010s 至今）的深度神经网络、卷积神经网络、循环神经网络等。

人工智能算法的发展历程大致如下： 早期的国际象棋对弈程序以搜索为基础，发展出了阿尔法贝塔剪枝搜索算法。在对局开始时搜索空间巨大，随后通过学习人类棋手对局采用了基于案例的推理。现代能战胜人类棋手的对弈程序基于神经网络和强化学习，能从自身错误中学习，且学习速度快于人类。 创建“会说话的程序”的方法也在变化，早期如 Eliza 基于简单语法规则，现代助手如 Cortana、Siri 或谷歌助手是混合系统，使用神经网络转换语音并识别意图，未来有望出现完整基于神经网络的模型处理对话，如 GPT 和 TuringNLG 系列神经网络取得了巨大成功。 在机器学习方面，算法通过分析数据和推断模型建立参数，或与环境互动学习，人类可注释数据，环境可为模拟或真实世界。 深度学习是一种机器学习算法，由 Geoffrey Hinton 开创，1986 年发表开创性论文引入反向传播概念，2012 年 Hinton 和学生表明深度神经网络在图像识别方面击败先进系统。为使深度学习按预期工作，需要数据，如李飞飞创建的 ImageNet。 AI 技术发展历程包括早期阶段的专家系统、博弈论、机器学习初步理论；知识驱动时期的专家系统、知识表示、自动推理；统计学习时期的机器学习算法；深度学习时期的深度神经网络、卷积神经网络、循环神经网络等。 当前 AI 前沿技术点有大模型（如 GPT、PaLM 等）、多模态 AI、自监督学习、小样本学习、可解释 AI、机器人学、量子 AI、AI 芯片和硬件加速等。

AI 绘画的技术演进历程如下： 早期，AI 绘画成果较为简单和粗糙。但随着技术进步，尤其是深度学习算法如卷积神经网络等的应用，AI 绘画能够生成更加复杂、逼真和富有创意的图像。如今，它已涵盖各种风格和题材，从写实到抽象，从风景到人物，并在与人类艺术家的互动和融合中不断创新。 在艺术创作方面，AI 绘画利用机器学习和深度学习等技术，模拟人类创作过程，生成令人惊叹的作品，为艺术家提供新工具，为观众带来新体验。它打破了传统手工绘画技巧的局限，通过编程、算法和数据分析等开拓新创作领域，让缺乏绘画技巧的人也能参与艺术创作，使艺术更具民主化和包容性。 在应用场景上，AI 绘画在广告设计中可快速生成创意概念图，为策划提供灵感和初稿；在游戏开发中用于创建场景和角色形象，提高开发效率；在影视制作中辅助生成特效场景和概念设计；在建筑设计中帮助构想建筑外观和内部布局。 同时，AI 绘画对艺术界的影响是复杂且双面的。它既提供了新的创作工具和可能性，也引发了关于艺术本质、创造性、版权和伦理的重要讨论。艺术界的反馈使 AI 在绘画方面有显著进展，但其在表达情感和创造性意图方面仍存在局限性，也引发了艺术家对版权、原创性和伦理问题的担忧，带来了对文化创意领域从业者职业安全的焦虑以及“侵权”嫌疑的反对之声。尽管存在争议，AI 绘画仍为艺术创作提供了新的可能性，帮助艺术家探索新创意表达方式，提高制作效率，降低制作成本，促进艺术与观众的互动，提供个性化和互动的艺术体验。

通义千问是阿里云推出的大语言模型。于 2023 年 4 月 11 日在阿里云峰会上正式发布 1.0 版本。9 月 13 日，通义千问大模型首批通过备案。10 月 31 日，阿里云正式发布千亿级参数大模型通义千问 2.0，8 大行业模型同步上线。9 月，通义千问 2.5 系列全家桶开源。

AI 的发展历程可以大致分为以下几个阶段： 1. 起步阶段（20 世纪 50 年代 60 年代）：这一时期的研究重点是基于符号主义的推理和问题解决。 2. 低谷阶段（20 世纪 70 年代 80 年代）：由于计算能力和数据的限制，AI 的发展遭遇了挫折。 3. 复苏阶段（20 世纪 80 年代 90 年代）：专家系统等技术的出现推动了 AI 的发展。 4. 快速发展阶段（21 世纪初至今）：随着大数据、深度学习算法和强大计算能力的出现，AI 在图像识别、语音识别、自然语言处理等领域取得了显著成就。

DeepSeek 公式的发展历程如下： 2025 年 2 月 9 日，陈财猫分享提示词及小说创作心得，提到 DeepSeek 热度极高，微信指数达 10 亿多次，并准备先讲讲该模型的特点。 DeepSeek R1 不同于先前的普通模型，如 ChatGPT4、Claude 3.5 sonnet、豆包、通义等，它属于基于强化学习 RL 的推理模型，在回答用户问题前会先进行“自问自答”式的推理思考，以提升最终回答的质量。 早在 2024 年 5 月 DeepSeekV2 发布时，就以多头潜在注意力机制（MLA）架构的创新在硅谷引发了一场小范围的轰动。

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。

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。

以下是关于企业构建和购买生成式 AI 方式的 16 个变化的研究情况综述： 生成式人工智能在 2023 年迅速席卷消费市场，创下超过 10 亿美元的消费支出纪录。预计 2024 年企业领域的收入机会将数倍于消费市场。去年，企业对 genAI 的参与多局限于少数明显用例，且以“GPTwrapper（GPT 套壳）”产品作为新的 SKU 交付，一些人对其在企业中的扩展持怀疑态度。 然而，在过去几个月，a16Z 与数十家财富 500 强和顶级企业领导人交谈并对 70 多位进行调查后发现，过去 6 个月里，企业对生成式 AI 的资源配置和态度有显著变化。尽管仍有保留，但企业领导人几乎将预算增加两倍，更多应用部署在较小的开源模型上，并将更多业务从早期实验转移到生产环境中。 这对创始人是巨大机遇。a16Z 认为，为客户“以 AI 为中心的战略计划”构建解决方案，能预见痛点，从重服务模式转向构建可扩展产品的人工智能初创公司，将抓住新投资浪潮并占据重要市场份额。 任何时候，为企业构建和销售产品都需深入了解客户预算、关注点和路线图。a16Z 根据访谈结果总结了 16 个最为关键的考虑因素，涉及资源、模型和应用。

以下是为您生成的 10 个业务价值高、具备可行性的 AI 应用场景介绍： 1. 人才招聘与筛选 What：利用 AI 技术对求职者的简历进行自动筛选和分析，评估其与岗位的匹配度。 Why：节省 HR 大量的时间和精力，提高招聘效率和准确性。 How：通过自然语言处理和机器学习算法，训练模型识别关键信息和技能。 2. 员工培训与发展 What：根据员工的技能水平和职业发展目标，定制个性化的培训计划。 Why：提升员工的能力和绩效，增强员工对企业的忠诚度。 How：利用大数据分析员工的工作表现和学习需求，推荐相关课程和学习资源。 3. 薪酬福利管理 What：运用 AI 预测市场薪酬趋势，为企业制定合理的薪酬策略。 Why：保持企业薪酬的竞争力，吸引和留住优秀人才。 How：收集和分析行业薪酬数据，结合企业的财务状况和战略目标进行优化。 4. 员工绩效评估 What：借助 AI 实时监测员工的工作表现，提供客观的绩效评估。 Why：减少人为偏差，确保评估的公正性和准确性。 How：利用工作流程数据和行为分析模型进行评估。 5. 员工关系管理 What：通过 AI 分析员工的情绪和满意度，及时发现问题并解决。 Why：营造良好的工作氛围，提高员工的工作积极性和创造力。 How：使用情感分析技术处理员工的反馈和交流信息。 6. 组织架构优化 What：利用 AI 分析企业的业务流程和人员配置，提供组织架构调整建议。 Why：提高企业的运营效率和灵活性，适应市场变化。 How：基于数据分析和模拟优化算法进行评估和推荐。 7. 人力资源规划 What：根据企业的战略目标和业务发展预测人力资源需求。 Why：提前做好人才储备和招聘计划，保障企业的正常运营。 How：运用数据分析和预测模型进行规划。 8. 企业文化传播 What：使用 AI 生成个性化的企业文化宣传内容，提高传播效果。 Why：增强员工对企业文化的认同感和归属感。 How：利用自然语言生成技术和个性化推荐算法。 9. 智能客服 What：在 HR 服务中引入 AI 客服，解答员工常见问题。 Why：快速响应员工需求，提高服务质量。 How：训练智能客服模型，涵盖常见的 HR 问题和解决方案。 10. 人才库管理 What：利用 AI 对人才库进行分类和更新，提高人才库的利用效率。 Why：方便快速找到合适的人才，降低招聘成本。 How：运用数据挖掘和分类算法进行管理。

以下是为您提供的 3 个业务价值高、具备可行性的 AI 应用场景介绍： 场景一：AI 在企业招聘中的应用 What：利用 AI 技术进行简历筛选、人才匹配和面试评估。 Why：能够快速处理大量简历，提高招聘效率和准确性，节省人力和时间成本，同时更精准地找到符合岗位需求的人才。 How：通过引入相关的 AI 招聘软件，与企业现有的招聘系统集成，对简历进行关键词提取和分析，利用机器学习算法进行人才匹配，并通过视频面试中的语音和表情分析辅助评估候选人。 场景二：AI 助力个性化人力资源管理 What：根据员工的个人特点和工作表现，提供个性化的培训计划、职业发展建议和绩效评估。 Why：能够充分发挥员工的潜力，提高员工满意度和忠诚度，促进企业的长期发展。 How：收集员工的工作数据、学习记录和绩效表现等信息，运用 AI 算法进行分析和预测，为员工制定专属的发展方案，并通过移动应用或内部系统向员工推送相关建议和培训课程。 场景三：AI 打造无人值守的 HR 平台 What：实现 HR 业务的自动化处理，如员工请假审批、薪酬计算和福利发放等。 Why：减少人工操作的错误和繁琐流程，提高 HR 工作的效率和准确性，使 HR 人员能够专注于更有价值的战略工作。 How：整合企业内部的各种 HR 系统和数据，利用 RPA 和 AI 技术实现流程的自动化，同时建立监控和预警机制，确保平台的稳定运行。

以下是关于 AI Agent 的发展趋势、技术状态和商业模式的相关信息： 发展趋势： 2024 年内，办公场景“AI 助手”开始有良好使用体验，实时生成的内容开始在社交媒体内容、广告中出现。 2025 2027 年，接近 AGI 的技术出现，人与 AI 配合的工作方式成为常态，很多日常决策开始由 AI 来执行。 技术状态： 目标实现基于 ReAct、SFT、RAG、强化学习等实现自主规划能力的 AI Agent，构建具备认知、决策智能的 Agent 智能体框架。 专注文本/多模态大模型、AI Agent 技术创新与应用。 商业模式： 依据不同类型销售市场的特点，结合一站式 AI 搭建平台将销售部署的产品化和模版化，让企业更容易落地和应用 AI 能力。 销售智能体 Blurr.AI 占位交易环节，解决 2B 销售获客的痛点，且具有向前后端环节延展的势能。

目前 AI 的发展已不再局限于单一的技术和应用范畴，而是融合了众多学科知识，并深入渗透到生活的各个层面，引发了一场生产力的革命。 有观点认为，AI 引领的是第四次工业革命的浪潮：继蒸汽机引发的机械化变革、电力驱动的电气化革新，以及电脑普及带来的信息化浪潮之后，AI 正推动着智能化时代的到来。 2025 开年 3 个月，AI 已经狂飙！R1 席卷全球，然后是 O3、Grok 3、Claude 3.7、GPT4.5 等，短短 3 个月内，AI 更新密集发布。然而很多人仍未察觉 AI 正在指数级加速，甚至抱怨 GPT4.5 表现不佳，但事实上，AI 发展已经是直线拉升状态，每天都在进步。 此外，Grok 语音模式已全面开放，支持 11 种模式（包括 2 种 18 禁），自带语音字幕，是学习英语的好工具，但目前仅支持英文。