以下是一些市面上能够购买的 AI 产品： 制作 PPT 的 AI 产品： Gamma：在线 PPT 制作网站，通过输入文本和想法提示快速生成幻灯片，支持嵌入多媒体格式。网站：https://gamma.app/ 美图 AI PPT：可通过输入简单文本描述生成专业 PPT 设计，有丰富模板库和设计元素。网站：https://www.xdesign.com/ppt/ Mindshow：AI 驱动的 PPT 辅助工具，提供智能设计功能，如自动布局、图像选择和文本优化等。网站：https://www.mindshow.fun/ 讯飞智文：科大讯飞推出的 AI 辅助文档编辑工具，利用语音识别和自然语言处理技术，提供智能文本生成、语音输入、文档格式化等功能。网站：https://zhiwen.xfyun.cn/ 其他 AI 应用： 联想设备管理平台：AI 办公设备管理系统，利用数据分析、物联网技术，管理办公设备，提高设备利用率。 新氧 APP：AI 美容护肤机构推荐平台，通过数据分析、自然语言处理技术，为用户推荐优质的美容护肤机构。 大众点评亲子频道：AI 儿童教育机构推荐平台，借助数据分析、自然语言处理技术，为家长推荐优质的儿童教育机构。 汽车之家车商城：AI 汽车销售平台，运用数据分析、自然语言处理技术，为消费者提供汽车购买渠道。 彩云天气 APP：AI 天气预报预警系统，利用数据分析、机器学习技术，提供准确的天气预报预警。 腾讯觅影：AI 医疗影像分析平台，基于数据分析、机器学习技术，分析医疗影像，辅助医生诊断。 钉钉会议管理功能：AI 会议管理系统，采用自然语言处理、数据分析技术，管理会议流程，提高会议效率。 微拍堂书法作品拍卖频道：AI 书法作品销售平台，借助图像识别、数据分析技术，为书法爱好者提供作品销售渠道。

Transformer 的工作流程可以通过一个简单的例子来解释，比如将英文句子“I am a student”翻译成中文： 1. 输入嵌入（Input Embeddings）：将每个单词映射为一个向量，如将“I”映射为一个 512 维的向量。 2. 位置编码（Positional Encodings）：由于 Transformer 没有递归或卷积等捕获序列顺序的结构，所以需要给每个词位置加上位置编码，让模型知道词语的相对位置。 3. 编码器（Encoder）：输入序列的嵌入向量和位置编码相加后被送入编码器层。编码器由多个相同的层组成，每层有两个核心部分，一是多头注意力机制（MultiHead Attention）用于捕捉单词间的依赖关系，二是前馈神经网络（FeedForward NN）对 attention 的结果进行进一步编码。 4. 解码器（Decoder）：编码器的输出被送入解码器层。解码器也是由多个相同层组成，每层除了编码器组件外，还有一个额外的注意力模块，对编码器的输出序列建模依赖关系。 5. 输出嵌入（Output Embeddings）：解码器最后一层的输出被映射为输出单词概率分布，例如生成单词“我”“是”等的概率。 6. 生成（Generation）：基于概率分布，以贪婪或 beam search 等解码策略生成完整的输出序列。 此外，aaronxic 从自己实际入坑的经验出发，总结梳理了新手友好的 transformer 入坑指南，计划从以下五个方面进行介绍： 1. 算法 1：NLP 中的 transformer 网络结构。 2. 算法 2：CV 中的 transformer 网络结构。 3. 算法 3：多模态下的 transformer 网络结构。 4. 训练：transformer 的分布式训练。 5. 部署：transformer 的 tvm 量化与推理。 同时，aaronxic 还针对 perplexity 指标进行了介绍，会先从大家熟悉的 entropy 指标开始，逐步介绍针对自然语言的改进版 Ngram Entropy 指标，最后介绍基于此改进的 perplexity 指标。

以下是一些笔记整理的 AI 工具： 1. 会议总结类： 2. 思维导图相关： GitMind：免费跨平台，支持多种模式，可通过 AI 自动生成思维导图。 ProcessOn：国内思维导图+AIGC 工具，可利用 AI 生成思维导图。 AmyMind：轻量级在线，无需注册登录，支持自动生成节点。 Xmind Copilot：Xmind 推出，基于 GPT，可一键拓展思路生成文章大纲。 TreeMind：“AI 人工智能”思维导图工具，输入需求由 AI 自动完成生成。 EdrawMind：提供一系列 AI 工具，包括 AI 驱动的头脑风暴功能。 此外，谷歌推出的 NotebookLM 也值得关注，有人称它为笔记工具、AI 学习工具或播客生成器。体验地址：https://notebooklm.google/ 。只要上传文档、音频或网页链接，它就能生成专业播客。

以下是关于如何学习 AI 提示词的建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（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，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，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，可根据自己的兴趣选择特定的模块进行深入学习，建议掌握提示词的技巧，因其上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品（如 ChatGPT、Kimi Chat、智谱、文心一言等）进行互动，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。 6. 关于提示词运用的具体建议： 理解提示词的作用：提示词向模型提供上下文和指示，其质量直接影响模型输出的质量。 学习提示词的构建技巧：明确任务目标，用简洁准确的语言描述；给予足够的背景信息和示例，帮助模型理解语境；使用清晰的指令，如“解释”“总结”“创作”等；对特殊要求应给予明确指示，如输出格式、字数限制等。 参考优秀案例：研究和学习已有的优秀提示词案例，了解行之有效的模式和技巧，可在领域社区、Github 等资源中找到大量案例。 实践、迭代、优化：多与语言模型互动，根据输出提高提示词质量。尝试各种变体，比较分析输出差异，持续优化提示词构建。 活用提示工程工具：目前已有一些提示工程工具可供使用，如 Anthropic 的 Constitutional AI。 跟上前沿研究：提示工程是当前最前沿的研究领域之一，持续关注最新的研究成果和方法论。 精心设计的提示词能最大限度发挥语言模型的潜力，是高效使用大模型的关键技能。多实践、多学习、多总结，终可掌握窍门。需要注意的是，内容由 AI 大模型生成，请仔细甄别。

以下是为您推荐的一些好用的文本处理 AI 工具： 内容仿写 AI 工具： 秘塔写作猫：https://xiezuocat.com/ 写作猫是 AI 写作伴侣，能推敲用语、斟酌文法、改写文风，还能实时同步翻译，支持全文改写、一键修改、实时纠错并给出修改建议，智能分析文章属性并打分。 笔灵 AI 写作：https://ibiling.cn/ 是得力的智能写作助手，支持多种文体写作，能一键改写/续写/扩写，智能锤炼打磨文字。 腾讯 Effidit 写作：https://effidit.qq.com/ 智能创作助手，探索提升写作者效率和创作体验。 更多 AI 写作类工具：https://www.waytoagi.com/sites/category/2 （内容由 AI 大模型生成，请仔细甄别） 在线 TTS 工具： Eleven Labs：https://elevenlabs.io/ 功能强大且多功能的 AI 语音软件，能高保真呈现人类语调和语调变化，并能根据上下文调整表达方式。 Speechify：https://speechify.com/ 人工智能驱动的文本转语音工具，可在多种平台使用，用于收听网页、文档等。 Azure AI Speech Studio：https://speech.microsoft.com/portal 提供多种语言和方言的语音转文本和文本转语音功能，还提供自定义语音模型。 Voicemaker：https://voicemaker.in/ 可将文本转换为各种区域语言的语音，并允许创建自定义语音模型。 数据分析工具集： Text2SQL：https://toolske.com/text2sql/?ref=theresanaiforthat 将英文转换为 SQL 查询。 ai2sql：https://www.ai2sql.io/ 高效且无错误的 SQL 构建器。 EverSQL：https://www.eversql.com/sqltotext/ 从 SQL 查询翻译英文文本。 SupaSQL：https://supasql.com/ 从 NLP 生成 SQL 查询。 SQLgenius：https://sqlgenius.app/ 使用自然语言的 SQL 查询生成器。 SQL Chat：https://www.sqlchat.ai/ 与数据库进行自然语言聊天的 SQL 客户端。 SQL Ease：https://sqlease.buildnship.in/ 从自然语言输入生成 SQL 查询。 Talktotables：https://talktotables.com/ 翻译和查询数据库。 建议查看以下几个知名的 text2sql 项目： SQLNet：一个使用深度学习方法解决 text2sql 任务的项目。 Seq2SQL：一个将自然语言转换为 SQL 查询的序列到序列模型。 Spider：一个大规模的 text2sql 数据集及其相关的挑战。 （内容由 AI 大模型生成，请仔细甄别）

以下是一些 AIGC 图生视频相关的网站和信息： 摊位信息中提到的一些与 AIGC 相关的摊位，如“B2B AI 营销与 AI 落地项目快速?落地”，涵盖了文生图生视频等内容。 Krea 用开放的 API 做了自己的 AI 视频功能，支持对任何视频输入提示词进行延长，可能是用视频最后一帧做的图生视频。 Runway 发布 ActOne 功能，支持将现实视频的人物表情和动作迁移到生成的视频上，效果非常好，目前已全量开放。 Ideogram 发布 Ideogram Canvas，可以在无限画布上对生成的图片进行编辑，包括扩图、局部重绘以及基本的生成功能。 Luma AI 发布了 Dream Machine 视频生成模型，图生视频的表现相当惊艳，分辨率、运动幅度、美学表现都很出色，同时向所有人开放了免费试用。 希望以上信息对您有所帮助。

以下是关于数据、算法、算力的相关知识： 数据：数据的质量对于生成理想的大模型至关重要，早期大模型存在使用不太合规数据等导致乱说的情况。 算法：算法有技术架构的迭代，如英伟达的显卡辅助模型训练。 算力：算力的字面意思是计算能力，可以直接转化成 GPU 就是算力，电脑里的显卡就是 GPU。一张显卡除了 GPU 外，还有一个很重要的参数是显存。GPU 是一种专门在个人电脑、工作站、游戏机和一些移动设备上做图像和图形相关运算工作的微处理器，其诞生源自对 CPU 的减负，使显卡减少了对 CPU 的依赖，并进行部分原本 CPU 的工作。显存的作用是用来存储显卡芯片处理过或者即将提取的渲染数据。GPU 的生产商主要有 NVIDIA 和 ATI。

以下是生成数字假人的两种常见方法： 方法一（使用剪映）： 1. 在剪映右侧窗口顶部，打开“数字人”选项，选取一位免费且适合的数字人形象，如“婉婉青春”。 2. 选择数字人形象时，软件会播放其声音，可判断是否需要，然后点击右下角“添加数字人”，将其添加到当前视频中。剪映会根据提供的内容生成对应音视频并添加到轨道中。 3. 左下角会提示渲染完成时间，完成后可点击预览按钮查看效果。 4. 可增加背景图片，先删除先前导入的文本内容，点击左上角“媒体”菜单并点击“导入”按钮，选择本地图片上传。 5. 将图片添加到视频轨道上（会覆盖数字人），点击轨道最右侧竖线向右拖拽，直到与视频对齐。 6. 选中背景图片所在轨道，在显示区域拖动图片角将其放大到适合尺寸，并将数字人拖动到合适位置。 7. 点击文本智能字幕识别字幕，点击开始识别，软件会自动将文字智能分段并形成字幕。完成后点击右上角“导出”按钮导出视频备用。 方法二（使用特定网站）： 1. 打开网站（要科学），如：https://studio.did.com/editor 。 2. 在右侧文字框输入从 ChatGPT 产生的内容，还可以更换想要的头像。 3. 选择不同的国家和声音。 4. 内容和人像都选择好之后，点击右上角的 Create Video ，等待一段时间生成。 5. 数字人视频生成好后，结合产品做讲解即可发布去做视频带货。 如果希望数字人换成自己希望的面孔，可能需要用另一个工具来进行换脸。

以下是关于 2024 年度中文大模型基准测评报告的相关信息： 2024 年 7 月 10 日： 《SuperCLUE：中文大模型基准测评 2024 年上半年报告》指出，2024 年上半年中文大模型技术取得显著进展，国内外模型差距缩小至 5%以内。国内开源模型如 Qwen272B 表现优异，超越众多闭源模型。端侧小模型发展迅速，落地可行性大幅提升。该报告通过多维度、多层次测评体系，全面评估了大模型的通用能力和专项能力，为行业发展提供了客观数据支持。同时也指出，尽管大模型在多领域展现潜力，但仍面临技术挑战和应用落地问题。 2024 年 11 月 8 日： SuperCLUE 团队发布的新一期《SuperCLUE：中文大模型基准测评 2024 年 10 月报告》中有四点核心发现：1）OpenAI 发布 o1 后，全球大模型竞争加剧；2）国内大模型第一梯队竞争激烈，持续迭代表现不俗；3）国内外大模型在不同任务上表现各有优势；4）端侧小模型表现惊艳。 此外，Sora：大型视觉模型的背景、技术、局限性和机遇综述【官方论文】的参考文献包括： T.Shen,R.Jin,Y.Huang,C.Liu,W.Dong,Z.Guo,X.Wu,Y.Liu,和 D.Xiong,“大型语言模型对齐：一项调查”，arXiv 预印本 arXiv:2309.15025，2023 年。 X.Liu,X.Lei,S.Wang,Y.Huang,Z.Feng,B.Wen,J.Cheng,P.Ke,Y.Xu,W.L.Tam,X.Zhang,L.Sun,H.Wang,J.Zhang,M.Huang,Y.Dong,和 J.Tang,“Alignbench：大型语言模型中文对齐的基准测试”，2023 年。 P.Christiano,J.Leike,T.B.Brown,M.Martic,S.Legg,和 D.Amodei,“基于人类偏好的深度强化学习”，2023 年。 T.Yu,Y.Yao,H.Zhang,T.He,Y.Han,G.Cui,J.Hu,Z.Liu,H.T.Zheng,M.Sun,和 T.S.Chua,“RLHFV：通过细粒度校正人类反馈实现可信赖的 MLLMs 行为对齐”，2023 年。 M.S.Jahan 和 M.Oussalah,“使用自然语言处理进行仇恨言论自动检测的系统综述。”，《神经计算》，第 126232 页，2023 年。 OpenAI,“Sora 安全。”https://openai.com/sorasafety，2024 年。

Transformer 是自然语言处理领域中的一种重要模型架构。以下是一些与 Transformer 相关的内容： 在“皇子：LLM 经典论文速读版，看完感觉自己通透了”中，Transformer 是众多被讨论的模型之一，与 GPT1、BERT 等一同被提及。 在“Sora：大型视觉模型的背景、技术、局限性和机遇综述【官方论文】”中，从核心本质上看，Sora 是一个具有灵活采样维度的扩散变压器。 在“机器之心的进化/理解 AI 驱动的软件 2.0 智能革命”中，有众多与 Transformer 相关的参考资料，如“Attention Is All You Need”论文等。