👀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！
🔥 进步or毁灭：Nature 调研显示 1600+ 科学家对AI的割裂态度
国际顶级期刊 Nature 最近一项调研很有意思，全球 1600 多名科研人员对AI工具的态度非常「割裂」：部分认为AI对科研帮助颇多，另一部分人则充满深深的忧虑；部分人的日常工作已经离不开AI，有些则完全不使用。这其实也是社会公众对AI工具的观点缩影。
例如，AI带来的积极影响被广泛认可，比如更快地处理数据、加速海量计算能力、节约时间和经费；但是负面影响也让科研人员们警惕，比如导致了依赖模式识别而不是深刻理解、在数据中强化偏见或歧视、增加欺诈概率、研究无法重现等等。更多组的数据分析可以前往 ⋙ 阅读原文
🏆 PICO 2023 首届 XR 开发者挑战赛
PICO 2023 首届 XR 开发者大赛，是 PICO 公司举办的内容生态开发者大赛，通过比赛形式以促进 PICO MR/VR 内容生态繁荣，以及拉动更多开发者关注 MR/VR 领域。
本次比赛面向消费者&行业，提供了开发工具、指导、投资机会、面试直通、获奖激励等多方位的支持。以下是比赛关键时间节点，感兴趣可以前往主页了解更多信息：
9月25日：系统开放报名
10月2日：作品提报开启
11月10日：作品提报截止
11月13日-30日：评委评选
12月5日：颁奖仪式
🧩 LLM for GamePlay：LLM 大模型驱动玩法设计的福与祸
这是一位AI游戏一线研发者的半年度总结，从技术应用的角度拆解了 LLM for gameplay 课题，是一篇非常真实朴素的行业实践分享，有很多金句和闪光的观点。
从最初的兴奋或无限遐想，到现在感受到的骨感现实，「屠龙刀并不一定合适所有的舞台」逐步成为行业新共识。以下是文章核心观点，推荐读一读原文，所有行业的发展都会经历这样U型转弯的过程：
LLM 是万能的映射，而非万能的生成：LLM 并不能带来无限的游戏表现力，除文本外它依旧几乎完全依赖于资产开发本身
LLM 尝试理解一切，但游戏无法包含一切：只有当游戏内状态的复杂度到一定规模，且能比较自然地转译 (encode) 成语义表达，LLM 的屠龙技才算是有用武之地
LLM 正在努力变得万能，但游戏不一定需要万能：LLM 的映射能力也有侧重点，可量化的最优化问题也许其他AI技术会是更合理的选型
作者还分享了一个系统架构图，来讨论 LLM 如何用于构建角色和赋能场景：
Humanity：建模角色的人格、思维过程、情绪认知等脑内信息和过程
Speaker：建模角色的对话行为，也包括角色的心理活动、剧情旁白等文字表现
Evolver ：角色对外界的行为决策及其具体执行 (action)，和对应结果的结算 (resolving) ⋙ 阅读原文
👀 大模型有能力打穿「智能音箱/硬件」的市场壁垒么？
2023年上半年，国内智能音箱市场由小度、小米和天猫精灵三强鼎立，并先后宣布接入大模型。正当智能音箱又一轮激烈竞争来临之际，百度系却临阵换帅，景鲲辞职创业为这个「AGI产品必争之地」的战争再添变数。
为什么智能音箱是 AGI 产品路线图上的兵家必争之地？大模型能撑起来智能硬件这个巨大的想象空间么？我们距离智能印象打穿应用壁垒还有多长时间？ 这篇文章给出了详细的解释和预判 ⋙ 阅读原文
👩💻 出海注册经验分享，搞定英国公司、Wise银行账号、苹果开发者和Stripe
这是一篇即刻上的经验分享贴，作者 @Junping1 全程在国内搞注册好了英国公司、Wise银行账号，Stripe和苹果开发者，并分享了非常详细的操作攻略。总体来说，操作成本不高、流程也不复杂，总共花费不到两千人民币，用时两三周。
扫码即可前往星球查看全部分享内容，以及操作建议帖的链接，也可以前往作者账号评论区互动 ⋙ 即刻@Junping1
📚 如何使用 LoRA 微调 Llama 2
这是一篇技术分享贴，讨论了使用LoRA 对大语言模型 Llama 2进行微调的过程，以及微调的好处。以下是文章要点，可以定位感兴趣的内容并前往阅读原文：
为什么微调：大语言模型微调后可以减少幻觉，使模型适应于特定的用例，并去除不希望的行为或者或添加希望的行为
微调与提示工程：微调比提示工程的成本更低，因为在硬件加速方面没有前期成本，还可以在微调过程中将更多数据适应到模型
大语言模型微调策略：已经提出了几种用于微调大语言模型的方法，其中之一就是 LoRA
使用LoRA微调大语言模型：LoRA 的工作原理是冻结语言模型的权重，并在变压器层中引入新的矩阵，从而减少了可训练参数的数量，并使得在较少的GPU计算下进行微调成为可能
LoRA的好处 ：通过交换 LoRA 权重，可以使用同一模型进行不同的任务，从而减少了存储不同模型所需的存储空间；并且只有LoRA矩阵正在优化，因此能训练得更快 ⋙ 阅读原文
📋 通过 LLMs 实现需求的背后逻辑
这篇文章以「通过 LangChain 实现文档问答机器人」示例，清楚地说了使用 AI 构建一个应用背后的逻辑。不同于一般的实战教程分享，这篇内容对于我们思考和设计AI产品会非常有帮助。
当然作者并没有回避技术方向的信息，如果感兴趣可以跟随作者提供的链接前往了解更多代码、框架等内容。以下是文章的关键知识点，可以阅读全文查看作者更详细的解释：
LangChain是基于大语言模型的应用框架，降低了开发成本，减少了单一模型对产品的风险
使用LangChain可以实现文档问答机器人，包括数据清洗、向量存储和LLMs的优化
向量是降低AI使用费用的工具，常用的向量数据库有Pincone、Redis、Chroma、PostgreSQL等
微调是让GPT模型更好理解特定领域内容的技术，需要大量训练文本，训练文本越多，微调的价格越高
OpenAI的API更新新增了函数调用功能，让GPT根据用户问题匹配函数并准备入参，降低了应用构建的成本 ⋙ 阅读原文
📺 昇思 MindSpore技术公开课第二期，大模型专题即将开始
https://xihe.mindspore.cn/course/foundation-model-v2/introduction
昇思MindSpore技术公开课大模型专题第二期课程来了！自10月14日起，每双周六14:00-15:30在B站 @MindSpore官方 账号直播开课。本期课程紧跟「大模型」技术热点，并且手把手教你构建大模型，讲师团也非常强大。
这是课程安排，有感兴趣的话题，可以在官网报名，当然可以关注 ShowMeAI 社区通知，记得一起来听课：
[课前学习] MindSpore Transformers大模型套件：架构讲解与使用入门 ：介绍 MindSpore Transformers 大模型套件现状，讲解套件架构及高阶接口设计，走读工程架构模块代码，学习基本使用方式
ChatGLM：介绍技术公开课整体课程安排；ChatGLM模型结构，走读代码演示ChatGLM推理部署
多模态遥感智能解译基础模型：介绍多模态遥感智能解译基础模型的原理、训推等相关技术，以及模型相关行业应用
ChatGLM2：介绍ChatGLM2模型结构，走读代码演示ChatGLM推理部署
文本生成解码原理：介绍Beam search和采样的原理及代码实现
LLAMA：介绍LLAMA模型结构，走读代码演示推理部署，介绍Alpaca
LLAMA2：介绍LLAMA2模型结构，走读代码演示LLAMA2 chat部署
CPM：介绍CPM-Bee预训练、推理、微调及代码现场演示
高效参数微调：介绍Lora、（P-Tuning）原理及代码实现
量化：介绍低比特量化等相关模型量化技术
框架LangChain模块解析：解析Models、Prompts、Memory、Chains、Agents、Indexes、Callbacks模块，及案例分析
LangChain对话机器人综合案例 ：MindSpore Transformers 本地模型与LangChain框架组合使用，通过LangChain框架管理向量库并基于向量库对MindSpore Transformers 本地模型问答进行优化 ⋙ 了解更多
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！