解释AI大模型和各种AI网站的关系

[heading2]总结AI技术的发展与应用流式训练方式提升训练速度和质量：将孔明灯换成泡泡，通过流式训练方式提高了整体训练的过程速度和质量，基于Transformer模型进行流匹配，这种方式优于扩大模型。多种AI生成工具：如输入简单提示词就能创作音乐的so no音频生成工具，能创建个人AI智能体的豆包，输入文本可生成播客的Notebook LN。端侧大模型的特点：端侧大模型能部署在手机端等设备，参数量小，可利用手机自带芯片或处理器运算，主要通过压缩来解决存储和性能问题，如减少模型参数量和计算复杂度，知识蒸馏模型有教师模型和学生模型。AI工程平台：AI工程平台对模型和应用有要求，像define是典型的工程平台，涉及数据清洗管道、数据存储和检索、编辑生成平台、构建prompt技巧、智能体概念、插件调用、运维平台、模型层和缓存机制等，还能接入多家大模型。AI工程平台coach的应用：coach平台新版本有很多模板，如名画照相馆，有众多插件工具，包括必应搜索、链接读取、代码执行器等，还有工作流，可创建应用APP。AI相关工具与平台的介绍及应用coach平台的使用：介绍了coach平台的新手教程和文档，可创建智能体，通过工作流节点调用和prompt构建提示词，还能调用插件、图像流、知识库等，商城中有各种智能体和插件模板，知识库可添加多种格式内容。模型社区介绍：提到魔搭社区等几个为大模型提供数据、企业模型和算力服务的平台，有按任务划分的模型库、数据集和在线应用供体验。AI建站预告：为后续AI建站做预告，需要在今明两天安装vs code等基础软件，以简单步骤帮助文科生和无基础人员完成建站，获得正反馈。

一、视频一主要回答了什么是AI大模型，原理是什么。1、概念：生成式AI生成的内容，叫做AIGC2、概念与关系：相关技术名词1）AI——人工智能2）机器学习——电脑找规律学习，包括监督学习、无监督学习、强化学习。3）监督学习——有标签的训练数据，算法的目标是学习输入和输出之间的映射关系。包括分类和回归。4）无监督学习——学习的数据没有标签，算法自主发现规律。经典任务包括聚类，比如拿一堆新闻文章，让模型根据主题或内容特征分成具有相似特征的组。5）强化学习——从反馈里学习，最大化奖励或最小化损失；类似训小狗。6）深度学习——一种方法，参照人脑有神经网络和神经元（因为有很多层所以叫深度）。神经网络可以用于监督学习、无监督学习、强化学习。7）生成式AI——可以生成文本、图片、音频、视频等内容形式8）LLM——大语言模型。对于生成式AI，其中生成图像的扩散模型就不是大语言模型；对于大语言模型，生成只是其中一个处理任务，比如谷歌的BERT模型，可用于语义理解（不擅长文本生成），如上下文理解、情感分析、文本分类；3、技术里程碑——2017年6月，谷歌团队发表论文《Attention is All You Need》。这篇论文首次提出了Transformer模型，它完全基于自注意力机制（Self-Attention）来处理序列数据，而不需要依赖于循环神经网络（RNN）或卷积神经网络（CNN）。GPT含义：Transformer是关键。Transformer比RNN更适合处理文本的长距离依赖性。

一、视频一主要回答了什么是AI大模型，原理是什么。1、概念：生成式AI生成的内容，叫做AIGC2、概念与关系：相关技术名词1）AI——人工智能2）机器学习——电脑找规律学习，包括监督学习、无监督学习、强化学习。3）监督学习——有标签的训练数据，算法的目标是学习输入和输出之间的映射关系。包括分类和回归。4）无监督学习——学习的数据没有标签，算法自主发现规律。经典任务包括聚类，比如拿一堆新闻文章，让模型根据主题或内容特征分成具有相似特征的组。5）强化学习——从反馈里学习，最大化奖励或最小化损失；类似训小狗。6）深度学习——一种方法，参照人脑有神经网络和神经元（因为有很多层所以叫深度）。神经网络可以用于监督学习、无监督学习、强化学习。7）生成式AI——可以生成文本、图片、音频、视频等内容形式8）LLM——大语言模型。对于生成式AI，其中生成图像的扩散模型就不是大语言模型；对于大语言模型，生成只是其中一个处理任务，比如谷歌的BERT模型，可用于语义理解（不擅长文本生成），如上下文理解、情感分析、文本分类；3、技术里程碑——2017年6月，谷歌团队发表论文《Attention is All You Need》。这篇论文首次提出了Transformer模型，它完全基于自注意力机制（Self-Attention）来处理序列数据，而不需要依赖于循环神经网络（RNN）或卷积神经网络（CNN）。GPT含义：Transformer是关键。Transformer比RNN更适合处理文本的长距离依赖性。