👀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！
🉑 贾扬清与他的Lepton AI：500行代码就能撸出 Perplexity？把AI开发门槛「打」下来
2023年3月，阿里巴巴集团副总裁 贾扬清 宣布离职，创立 Lepton AI；2023年10月，Lepton AI 发布了其公开测试版本 (public beta)。
Lepton AI 是一个云原生AI平台，提供了一系列工具和服务，来降低AI应用开发的门槛 ，帮助开发者更容易地完成创建、部署和扩展任务。也就是说，技术门槛不再是阻碍AI应用开发的主要因素，大家快速进入到创意比拼阶段。
www.xiaoyuzhoufm.com/episode/64c...
贾扬清非常厉害！我们所熟知并常用的深度学习框架 Caffe、TensorFlow、Caffe2Go、Caffe2、PyTorch 等，背后都有他的身影。
你可以在这期播客里，了解贾扬清对这轮大模型浪潮的诸多判断，以及指路时间轴 34:35 可以了解创始人视角的 Lepton.ai 创业方向，即提升系统效率与帮助客户做AI
12月初，贾扬清在其社交账号和朋友圈发帖，分享了他基于 Lepton Al 实现的AI搜索引擎 (类似 Perplexity)，而且只用了不到500行代码 😎 现在访问上方 👆 这个链接还可以体验~ 不过大佬贴心提醒，资源不多，轻用轻用
据说这 500 行代码会在 LeptonAI 开源，目前还没蹲到，继续一起蹲吧 (*￣3￣)╭
前几天，贾扬清分享了新的AI提示词应用 PromptCraft ，可以自动拓展提示词 ，并生成两张对比图。如上图所示，只需要随意输入简单的单词 ，PromptCraft 就可以将其拓展成丰富的提示词长句，并生成效果展示图。其中，左侧图是输入提示词的生成效果，右侧图是AI拓展后提示词的生成效果，对比还是很明显的！
PromptCraft 目前是免费使用的阶段，可以玩起来哦！！
这两款应用，极大程度地展示了 Lepton Al 对于开发的加速效果，真的把AI应用的开发门槛「打」下来了！疯狂心动 ing~
🉑 两篇 AI Agent 必读长文回顾：Agent 架构与发展现状综述
lilianweng.github.io/posts/2023-...
2023年4月，AutoGPT 成为 Github 历史上涨星最快的项目，GPT-Engineer、BabyAGI 项目的陆续爆发将 AI Agent 火速带入到开发者和公众视野
2023年6月，Lilian Weng 在其个人博客撰文「LLM Powered Autonomous Agents」对 Agent 进行了系统的论述。需要注意的是，Lilian 是 OpenAI 的 Head of Safety Systems，之前领导过 OpenAI 的 Applied AI 团队。
她将 Agent 定义为 LLM 、记忆 (Memory )、任务规划 (Planning Skills )、工具使用 (Tool Use) 的集合，其中，LLM 是核心大脑，Memory、Planning Skills 以及 Tool Use 等则是 Agent 系统实现的三个关键组件。
文章对每个模块的实现路径进行了细致的梳理和说明 ，并给出了可行的一些实践方法。此外，文末她还指出了当前存在的一些挑战，比如有限的上下文长度、长期规划和任务分解的挑战、自然语言界面的可靠性等 ⋙ 推荐阅读中文翻译版本
AI Agent 的火爆让我们开始畅想 Software 2.0 图景：LLM 作为推理引擎能力不断增强，AI Agent 框架为其提供结构化思考的方法 ；软件生产进入「3D 打印」时代，可以根据用户需求进行个性化定制；Agent 框架打造每个知识工作者信赖的 AI 工作伙伴
@海外独角兽 这篇文章，非常深刻地探讨了 AI Agent 的四个问题，并系统总结了发展现状和典型 Case，是必读文章之一。
🔔 01. 关于 AI agent 的四个关键问题
What are agents: 怎么理解 AI Agent
AI agent 是 AI-native software 的开发方法，不是独立的商业赛道或产品形态。
优秀的 AI Agent 产品比传统软件更灵活，比 LLM 更可靠。
Agent 和早期的 LLM-based 应用相比，有几个显著差异点：
So what: 为什么 AI agent 重要
AI Agent 将使软件行业降低生产成本、提高定制化能力，进入软件的"3D 打印"时代
LLM 扮演人类思考的系统 1 (快思考) ，AI Agent 扮演人类思考的系统 2 (慢思考)
推荐系统让每个人看到个性化的信息， AI Agent 将让每个人有个性化的工作方式，为每一个知识工作者提供 AI 合作伙伴和工作分身
Framework: 理想的 Agent 框架是什么样的
记忆：短期记忆 + 长期记忆
行动：工具使用+职责扮演+记忆检索+推理+学习+编程
决策：事前规划+事后反思
Is it now: 现状如何
Autonomous Agent 有很强的启发意义，但缺乏可控性，不是未来的商用方向
Agent Framework 和 Vertical Agent 是 AI agent 商业上最可行的两个方向，需要持续探索人机交互的方式
🔔 02. AI agent landscape
- Agent Framework
Agent Platform [Case Study：Fixie AI]
Agent Workflow [Case Study: Voiceflow]
- Vertical Agent
2.1 Coding Agent：方向1-LLM-first IDE [Case Study: Cursor]，方向2-Generative UI [Case Study: Vercel v0]
2.2 个人助理 [Case Study: Lindy.ai]
2.3 写作 Agent [Case Study: Hyperwriter]
2.4 数据分析 Agent [Case Study: Julius AI]
🔔 03. AI Agent 的未来展望
AI Agent 需要更模块化的框架，11 月 OpenAI devday 有机会定义标准
AI agent 概念在强化学习领域早已出现，LLM-based agent 在探索试错的能力上要向 RL-based agent 学习
AI agent 应用的真正成熟还需要等待 LLM 的优化：复杂推理能力不够强、延迟过高
Multi-agent 协作会产生比 Chatbot 大一个数量级的文本量，带来成本控制和激励机制的挑战 ⋙ 推荐阅读全文
🉑 大模型应用最新方向解析：GPTs 、中间层、Chatbot虚拟社交、AI Agent...
这是一篇半年度发展汇总 ，记录并总结了 2023 年下半年至今，大模型应用领域的最新进展。从 GPTs、大模型中间层 (Dify、Coze)、大火的虚拟社交 (Character.AI等) ，到AI Agent 、大模型的多模态能力，还推荐了自己觉得很不错的几个应用。
文章梳理得非常不错！推荐阅读原文哦 ⋙ 推荐阅读原文(略长)
👀 VC投资人：大多数人工智能初创公司都注定无法成功
几乎所有在ChatGPT之后的炒作中诞生的初创公司以及专门给自己贴上"人工智能初创公司"标签的公司都注定无法成功。
作者是一位长期聚焦人工智能投资的VC投资人，他相信AI的价值但坚定认为，当前炒作周期中获得融资的大多数公司都是毫无价值的。
你一个周末打造出来，别人也可以 ：许多AI初创公司只是简单地将现有的AI API进行整合，缺乏真正的创新；这种模式容易复制，即使产品做得精致也难以避免被竞争对手模仿和超越；没有防御性和没有差异化就等于没有利润
连Alphabet、Meta或OpenAI都没有任何防御能力：大型科技公司 (如Google、Meta、OpenAI) 的大语言模型等AI技术也缺乏持久的防御性，并不足以成为长期的竞争优势；基本上所有独立发展专有模型的公司都会很快落后，并最终不得不采用全球最先进的技术
那么什么具备防御性呢：真正的防御性可能来自于两个方面：一是拥有巨大的计算资源，但这在经济上可能不可行；二是掌握真实世界的专有数据，这些数据难以从互联网获取，需要通过实际的实验和研究来收集，从而为公司提供独特的价值
创造的价值并不意味着获取的价值 ：AI技术创造了社会层面的巨大价值，但这些不一定能转化为公司的经济收益，尤其是初创公司很难从中获得相应的回报，少数获得巨额回报的公司将成为未来的科技巨头 ⋙ 中文版本(翻译得很好)
🉑 深度理解生成式AI (系列文章) | 第二部分：神经网络 Neural Networks
scorpil.com/post/unders...
补充一份背景：作者在编写「Understanding Generative AI (理解生成式AI) 」系列文章，第一篇的话题是「Tokenizer」 ⋙ 在这份日报里已经详细介绍过
这篇文章是作者这个系列的第二篇文章，介绍了神经网络 (Neural Networks) 的基础知识，以及在生成性AI领域中的重要性 ，重点是如何通过不同的学习和训练策略来处理和生成数据。
以下是内容要点，感兴趣可以和我们一起 Follow 整个系列！
A Short Look into the History 神经网络的历史
神经网络技术起源于20世纪40年代和50年代，由 Warren McCulloch 和 Walter Pitts 等人奠定基础
1950年代后期，Frank Rosenblatt 引入了感知器 (perceptron)，这是机器学习的一个重要早期模型
1980年代，反向传播算法 (backpropagation) 的发展标志着多层网络训练的重大突破，直接导致了深度学习革命
2010年代，Transformer 模型的出现，特别是用于自然语言处理任务，代表了另一个巨大的飞跃
Neural Network Architecture 神经网络架构
神经网络由多层节点 (神经元) 组成，这些节点通过链接相互连接，灵感来源于人脑
网络中的权重 (连接强度) 对于处理和解释数据至关重要
数据通过网络时，加权连接共同编码抽象概念，使网络能够识别复杂模式并基于学习到的模式生成新数据
Supervised Learning and Backpropagation 监督学习和反向传播
调整神经元间连接权重的过程称为神经网络训练； 训练阶段通过调整连接权重来微调网络，以最小化输出与期望结果之间的误差
反向传播算法通过从期望输出开始，反向计算误差并调整权重来优化网络
反向传播不是单一算法，而是基于共同原则的一系列算法，如梯度下降、随机梯度下降和mini-batch学习
Unsupervised Learning 无监督学习
在无监督学习中，网络在没有预设目标的情况下理解数据，适用于探索性数据分析、聚类和降维任务
常见的无监督学习技术包括k-means聚类、主成分分析 (PCA) 和自编码器
Hybrid Learning Strategies 混合学习策略
现代大型语言模型 (LLMs) 通常结合了监督学习和无监督学习
自监督学习和弱监督学习是两种策略，前者从训练数据中生成自己的标签，后者在标记和未标记数据的混合上训练
Knowledge in the Wires 知识在网络中的体现
- 神经网络通过多层结构学习越来越复杂的特征，从基本模式到完整对象的识别
Advanced Techniques 高级技术
- 当代生成性AI的进步包括Transformers、扩散模型、专家混合 (Mixture of Experts) 和生成对抗网络 (GANs) 等
The Journey Ahed 未来展望
- 尽管神经网络为现代AI系统的强大能力奠定了基础，但探索才刚刚开始，未来的"Understanding Generative AI"系列文章将深入探讨这些高级话题和新兴趋势
👀 这就是 ChatGPT (中文版电子书下载)：深度探究它的工作原理
ShowMeAI知识星球资源编码：R221
Stephen Wolfram 是一位获奖科学家和畅销书作者，也是 Mathematica、WolframAlpha 和 Wolfram Language 等世界上广受尊敬的软件系统创造者。在过去35年的时间里，他一直担任全球科技公司 Wolfram Research 的首席执行官，并负责一系列基础科学领域的突破性进展。
他在2023年2月写了一篇长文「What Is ChatGPT Doing ... and Why Does It Work? 」来阐述 ChatGPT 的工作原理。很快，文章的同名书籍出版并得到迅速传播。 随后，这门书的中译版本「这就是 ChatGPT」在国内出版并上架读书 App，口碑很不错 (除了序言，可以不读 🤣)
社群伙伴分享了这本书的中文电子版，以下是书籍目录，感兴趣的可以前往 ShowMeAI 星球下载完整版本！
第一篇：ChatGPT 在做什么?它为何能做到这些?
它只是一次添加一个词
概率从何而来
什么是模型
类人任务 (human-like task) 的模型
神经网络
机器学习和神经网络的训练
神经网络训练的实践和学问
"足够大的神经网络当然无所不能!
"嵌入"的概念
ChatGPT 的内部原理
ChatGPT 的训练
在基础训练之外
真正让ChatGPT发挥作用的是什么
意义空间和语义运动定律
语义语法和计算语言的力量
那么,ChatGPT到底在做什么?它为什么能做到这些?
致谢
第二篇：利用 Wolfram Alpha 为 ChatGPT 赋予计算知识超能力
ChatGPT 和 Wolfram|Alpha
一个简单的例子
再举几个例子
前方的路
相关资源
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！
