👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦!
🔥 使用 Stable Diffusion 绘制穿戴甲,简直美翻了好嘛!
给不熟悉的伙伴们介绍下,穿戴甲就是美甲的甲片,可以定制不同的样式,然后使用果冻胶粘在指甲上,穿戴方便并可以保持一两周。
最近AI绘画的应用新风向吹到了「穿戴甲」,可以使用 Stable Diffusion 设计一套完整的甲片图案。工厂可以加快设计和生产速度,用户也可以指定图案进行定制。小红书上已经出现了不少相关分享。
博主 @海辛 也分享了基于 SDXL 训练AI美甲工具的心得,一是通过训练 LoRA 可以直接实现美甲上手的效果,二是通过最新的 ControlNet 模型 IP-Adapter 可以根据参考图直接提取图像设计出美甲款式。如上图所示,很有想象空间 ⋙ @海辛
🏆 PaddlePaddle Hackathon 飞桨黑客马拉松第五期
第五期 PaddlePaddle Hackathon 飞桨黑客马拉松正式上线。本次活动面向全球开发者,鼓励开发者了解并参与飞桨深度学习开源项目与文心大模型开发实践。本次飞桨黑客马拉松包含三大赛道,参加活动有机会获得现金奖励以及大咖经验分享。
开源贡献个人挑战赛
大模型应用与创意赛
飞桨护航计划集训营
9月13日,活动热身赛,发布框架 API 开发任务。9月25日,活动正式赛,发布全部贡献任务,详情可以前往 GitHub 查看 ⋙ 了解更多
🧩 为什么大模型产品的创新很少?因为古典创业者和场景创新的消亡
这是纯银近期的一篇分享,是他跟投资人的对谈,并且回答了「为什么大模型到现在,很少跑出来创新的新产品」这个问题。
日报摘取几个核心观点,可以阅读原文查看观点之间的推到逻辑细节。原文的观点很强烈,可以一看,算是兼听。
成功产品不是设计出来的,而是生长出来的;用户多姿多彩的使用行为就是生长的养料,时常长成最初意想不到的样子
在 2010-2018 年这八年的黄金时代,新技术与用户场景的黄金结合点,创造用户价值,也创新使用场景
2019年之后,整个市场情绪趋于恐惧 ,老板恐惧低增长,精英恐惧失业,这种恐惧情绪导致公司不愿意下注「有用户价值,有演变概率」的项目,而精英不愿意在没有强确定性的时候去创业,不再有一往无前的勇猛与乐观
不仅市场需求萎缩,做产品的路径也完全错了,动不动从意淫收益出发,而不是从满足需求出发,古典创业者的死亡,导致场景创新的死亡
到了 2023 年,即便大模型带来了新希望,但大模型创业团队的坏心态没有任何变化。恐惧和兴奋糅合在一起,偏执地追逐高回报的确定性,不具备古典创业者「我就想要把这件感兴趣的事情给做出来 」的质朴的好奇心 ⋙ 阅读原文
👀 我研究了800多个产品社区,学到了以下6条增长经验
Threado 是一款基于AI的社区运营支持工具,可以为公司的产品社区提供实时回复、分析洞察、自动化工作流等支持,并且可以集成 Slack 和 Discord 等平台。
Sharath 是 Threado 的社区负责人,当然也对社区的运营和增长有着非常犀利的见解。这篇文章是他对800多个社区的观察和优化经验,覆盖了不同行业和规模。独立开发和社区运营同学一定要看!可以帮助节省大量的调研时间:
第一印象:社区体验
建立导入漏斗:研究发现,各社区每月用户增长率约为41%,D2C社区用户增长最快,某SaaS社区更是达到了190%;一般来说,社区规模的增长方法包括推荐计划、激活更多社区代言人等
新用户引导机制非常重要:良好的新用户引导机制,可以将激活率提升至85%;社区每月成功激活新用户的比例约为30%;建议采用分阶段引导机制,逐步提供信息,30天引导时间最佳
留存是激活的副产品:6个月后约10%的用户被留存,大多数用户在加入一个月内就会认可社区的价值,建议频繁检查用户情况并采取个性化沟通措施
需要整个团队的努力:社区参与
只有少数成员推动社区参与:每周活跃用户约占社区总数的5%,每月活跃用户约占9%,前2%的活跃用户贡献超过92%的互动量;大多数社区在下午3-4点最活跃
建议发展核心用户,关注每周和每月活跃用户,提供有针对性的内容
社区支持将不再相同
社区支持需要升级:社区平均最快回复时间约为10分钟,只有45%的问题得到回答
AI机器人的使用是有空间和价值的,可以大大改善支持情况 ⋙ 阅读原文
🚀 A16Z行业研究:生成式AI Top50榜单,早期赢家已经出现
最近,美国VC机构 A16Z 发布了一篇关于生成式AI的最新研究文章,文章以网页流量和应用流量数据为基础,探讨了生成型AI产品的最新趋势和市场动态。
大多数领先产品都是从零开始围绕生成式AI构建的:大多数领先的产品都是围绕生成式人工智能从零开始构建的,80%网站在一年前并不存在,表明许多最吸引人的消费者体验完全是新颖的,而且列表中的48%的公司完全是自筹资金的
ChatGPT目前处于明显领先位置:ChatGPT目前占据了巨大的领先地位,其月流量占据整个前50名列表的60%,成为全球访问量第24的网站
LLM助手目前处于主导地位,但陪伴和创意工具正在崛起:像 ChatGPT 这样的大语言模型(LLM)助手占据主导地位,但陪伴型AI和创新工具正在崛起,仍然有大量的机会
👩💻 解锁 LLM 辅助编程:一边完成项目,一边学习技能
这篇文章的作者是 Jon Udell,在经过了 LLM 的知识学习和项目开发后,他分享了自己的心得。
整体来说,提升编程技能最好的方式,依然是沉浸式地完成一个项目,LLM 也是一样的;但不同的是,LLM 可以在编程过程中,隐形地传递编程知识和技巧,帮助程序员更快速地掌握代码库和工具。
作者 Jon Udell 认为,手头项目、具体目标是学习编码最好的方式,比起规范、文档和结构化课程更适合自己;当LLM在编码过程中提供指导时,可以实现隐性的知识传递
在用 React 做项目时,LLM展示了useState、useEffect和JSX等概念的用法,使得作者对 React 有了初步了解,加快了学习过程
项目中 LLM 传递了一些编程技巧,放在平时作者可能不会主动去学习,但在编码中被LLM用到后,作者通过询问而理解了这些技巧
LLM可以快速上手某个库的用法,给出具体场景下的代码示例,大大缩短了作者的学习曲线,还能根据作者的需求推荐更格式得库
与LLM的协作编码过程,对作者来说就像结对编程,可以更快地解决具体问题,同时又对一些技术有了更深入的理解 ⋙ 阅读原文
📋 AI 应用层的壁垒在哪里?更值得期待的未来是什么样的?
ChatGPT 爆火半年多之后,各方逐步进入「冷静期」,我们最常使用的应用也逐步收敛稳定,不再有饱满的热情做各类尝试。你也是这样么?
这篇文章的切入点是「距离AI真正进入各行各业还缺失哪些要素」,并结合互联网的崛起、上一轮AI技术的落地成功方向,给出了综合判断。推荐阅读!你可以在这篇文章里,锚定住未来自己的位置和方向:
2012年-2015年,上一代AI
上一代的 AI最终在互联网搜索广告推荐中展现出了最佳的效果,这种业务不仅具有盈利能力,还能通过数据形成正反馈的飞轮效应
ChatGPT现在如火如荼的 AI 应用们很少有核心的壁垒,大部分都是在使用 ChatGPT 针对某个细分领域,利用自己对行业的理解做产品,原则上来讲不是一个 AI 公司
现在做的比较好的应用,Perplexity AI、Midijourney、Runway 等都拥有自己的模型,并能够持续地利用新的数据迭代自己的模型
利用新获得的数据不断优化模型,为用户提供更好的服务,才能在竞争中脱颖而出,避免陷入内卷的局面
In-context Learning vs. Fine-tune
目前在 NLP 场景下,并不存在一个方法,能够以低成本 、利用大量中低质量的数据优化模型
未来的AI应用在各个细分领域中,壁垒也是在于数据,目前使用数据的技术主要是 in-context learning 和 finetune
高效利用数据迭代模型的能力,等同于 TCP/IP 对互联网的重要性
更远的未来
如果说高效利用数据迭代模型的能力是AI时代的 TCP/IP,Agent 就是互联网本身,是 AI 更值得期待的未来
AI 如果进入了 agent 时代,业务的复杂度会有数量级的提升,对工具的需求也会水涨船高,会对 infra 和 developer tools 提出全新的需求 ⋙ 阅读原文
📺 DeepLearning.AI X AWS:基于大语言模型 (LLM) 的生成式AI课程
这是 DeepLearning.ai 和 AWS (亚马逊云) 联合制作并开放的一门免费课程,主要讲解生成式AI的基础知识,特别是大语言模型 (LLM) 在生成式AI中的应用。课程中级难度,共约16个小时,需要 Python 编程经验。
通过学习这门课程,可以深入理解生成式AI和 LLM 的工作原理,掌握训练、调优、推理、工具使用和模型部署的最佳实践,建立实践经验和直觉并快速构建生成式AI的产品原型。
🔔 第1周
简介
生成式AI和大型语言模型
大型语言模型的应用场景和任务
Transformer之前的文本生成
Transformer架构
用Transformer生成文本
提示和提示工程
生成配置
生成AI项目生命周期
AWS实验室简介
实验1演练
预训练大型语言模型
训练大型语言模型的计算挑战
可选视频:高效的多GPU计算策略
缩放定律和计算优化模型
针对域自适应的预训练
🔔 第2周
简介
指令微调
单任务微调
多任务指令微调
模型评估
基准
参数高效微调 (PEFT)
PEFT技巧1:LoRA
PEFT技巧2:软提示
实验2演练
🔔 第3周
简介
调整模型与人类价值观一致
人类反馈强化学习 (RLHF)
RLHF:获取人类反馈
RLHF:奖励模型
RLHF:用强化学习微调
可选视频:近端策略优化
RLHF:奖励攻击
扩大人类反馈规模
实验3演练
模型部署优化
生成AI项目生命周期小抄
在应用中使用LLM
与外部应用交互
用连锁思维帮助LLM进行推理和计划
程序辅助语言模型(PAL)
ReAct:结合推理和行动
LLM应用架构
可选视频:AWS Sagemaker JumpStart
负责任的AI
课程总结
感谢贡献一手资讯、资料与使用体验的 ShowMeAI 社区同学们!
◉ 点击 👀日报&周刊合集,订阅话题 #ShowMeAI日报,一览AI领域发展前沿,抓住最新发展机会!
◉ 点击 🎡生产力工具与行业应用大全,一起在信息浪潮里扑腾起来吧!