与知识库对话

普通小白学习 AI 人工智能可以参考以下步骤： 1. 了解 AI 基本概念：建议阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅：在「」中，能找到为初学者设计的课程，特别推荐李宏毅老师的课程。通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，还有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，可根据自己的兴趣选择特定模块深入学习。掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试：理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。知识库中有很多大家实践后的作品、文章分享，欢迎实践后分享。 5. 体验 AI 产品：与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。此外，以下是一些关于 AI 技术原理的通俗易懂的内容： 1. 概念：生成式 AI 生成的内容叫做 AIGC。 2. 概念与关系： AI 即人工智能。机器学习是电脑找规律学习，包括监督学习、无监督学习、强化学习。监督学习是基于有标签的训练数据，算法目标是学习输入和输出之间的映射关系，包括分类和回归。无监督学习是基于无标签数据，算法自主发现规律，经典任务如聚类。强化学习是从反馈里学习，最大化奖励或最小化损失，类似训小狗。深度学习是一种参照人脑的方法，有神经网络和神经元，因层数多称为深度，神经网络可用于监督学习、无监督学习、强化学习。生成式 AI 可以生成文本、图片、音频、视频等内容形式。 LLM 是大语言模型，对于生成式 AI，生成图像的扩散模型不是大语言模型；对于大语言模型，生成只是其中一个处理任务，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》，首次提出 Transformer 模型，它完全基于自注意力机制处理序列数据，不需要依赖循环神经网络或卷积神经网络，Transformer 比 RNN 更适合处理文本的长距离依赖性。