วีดีโอ

tell me

视频内容非常精彩！我有一点困惑：有人给我转usdt，我有恢复短语。《pride》-《pole》-《obtain》-《together》-《second》-《when》-《future》-《mask》-《review》-《nature》-《potato》-《bulb》 我该如何提取它们呢？

根本加不了

BGM音量太大

請問影片到25分以後的還有後續嗎

大佬，希望出一期介绍一下关于如何将现有的资源进行数据清洗，生成高质量的数据集

数据集怎么找？哪里找？！AI算法工程师给大家分享两个网站！关注公众号：AI技术星球 回复 985 获取

视频中的13个论文即插即用模块论文PDF+配套源码已经打包好了！ 需要的关注公众号：AI技术星球 回复 555 获取

本书获取传送门：关注AI技术星球 回复 987 获取

觉得不错 大家给个免费的点赞和关注哦😄

快速入门大模型学习路线图已准备，需要的：关注微信公众号：AI技术星球，回复：987 获取

你的直播在哪里可以看到？

谢谢

好视频，加油！

這是誰翻譯的，還壓死在影片裡，看得快吐血

程序員是造了什麼孽

987

你放话筒那个架子是在哪里买的，叫什么名字

这辈子能学完不。。😅

注公众号：AI技术星球 回复：987 即可获取课程对应学习资料及60G人工智能机器学习,深度学习精选资料包！ 更有：AI公开课、论文指导、简历指导、竞赛指导、技术问题解答！

关注公众号;AI技术星球 回复：987 即可获取课程对应学习资料及60G深度学习精选资料包！ 更有：AI公开课、论文指导、简历指导、竞赛指导、技术问题解答！

膜拜大神

這個字幕真的是一大問題

👍

Part 1): 任何一條神經網路也是一個多變數廻歸分析，也是統計學迴歸分析的一環。我在40年前攻讀數理統計就涉及這些人工智能及多變量（含時間變量）的廻歸分析（向量/ 矩陣/ 線性代數/ 機率/ 取様….）, 以便對一些事件做出精准智能的預測。 所謂自我學習或機器學習也只是用後面收集或模擬出的更新的資料去修正原先迥歸分析的杈重或係數參數而已。 而深度學習也只是處理巨量變數時，為了避免僅用單層機器學習進行巨量變數而需要解大矩陣導致對巨量平行計算的需求，進而變換設計成每層適量變數，建立多層次的機器學習修正。 40 年前人工智慧就是數理統計的一大課題。馬斯克說得一點都沒錯-目前的人工智慧全部建立在數理統計的基礎上。從那時開始就不斷有各行各業的數據分析專業人士來我們數理統計這參與並學習迥歸分析。他們回去後就不斷建立了屬於他們行業內的多條神經網絡（行業內的迥歸模型）。 在那時從事這類研究工作的數理統計的博士生全部被限制在晚上12 時過後才能使用國家級的超級計算機，否則我們兩三𠆤人一上線全部就大當機。我們那時也發展出一套類似挖礦機的方式，利用所有大量閒置的𠆤人電腦來提供其微小的算力，進而整合這些龐大的所謂分散型算力，但受限那時網路的不發達，很難把規模擴大。 近幾十年隨計算機能力不斷提升，目前市面AI 所謂大模型，主要是著力於面對”服務大衆需要”的所謂生成式/ 語言等等的智能協作服務。就是把百行百業各個領域等等數以千萬千億計資料進行迥歸模型的建立及修正（所謂自我深度學習）而形成龐大的神經網絡。 因此也不用太誇大眼下的AI , 這些早在40 年以前都已建構了理論基礎，而智能恊作早在各專業領域都已發展的非常完善，只是因過去算力不足只能在各自專業領域進行中小規模（變量數較少）的神經網絡建構。例如氣象預報就是早期最明顯的利用氣象專用超高速大電腦發展為成熟預測能力（AI)的例子，股票買賣決策也是智能恊作(AI/CIC)的典型。 ”把簡單數學上使用即存的規模資料或電腦模擬資料進行所謂的㢠歸分析/模型建構並藉此模型做可行的智能預判或恊作，包裝成醫學上複雜尚未完全掌握的神經網路的機制及作用原理”，不但瓢竊了數理統計在AI 發展的絕對地位，實在也是在誤導整𠆤AI 的發展。也會造成眼下一般人的過度期待和焦慮。應將AI 改稱作” CIC:Computer Intelligent Collaboration , 電腦智能恊作， 更為恰當。 何謂知識？ 由經驗總結後（ 抽象具體化） ，就形成知識（用數字分析的表達方式就是去建構知識模型）。 形成知識後就可複製/ 傳承/ 預測/ 擴展。因此目前的AI 發展，就是在循人類文明發展至為重要的其中的一𠆤過程-只是採用了數位化的方式，將經驗知識化了。 目前的AI 只是以數理統計為手段及方法論，以資訊及計算機工程為工具，進行數位型的經驗知識化的過程。 人類有許多其他不同型態非常複雜的智慧，這種僅止於知識數位化的智慧， 其實離人類多型態的智慧還有非常巨大的距離。 另外， 眼下AI 服務於大衆的大模型的各種數學理論及所謂的機器學習（參數修正）及深度學習（參數及變數的多層次增加及修正）。 早在40 年前相應的數學理論都已完備（但落實到實際應用上，如何解1 億 by 1 億的聯立方程組( 行列式計算）， 這需要極其龐大的平行計算能力，在那時期是完全不可能的） 。 其實AI 最重要最關鍵的是各行各業各領域的專家組，而不是這些AI 編程的公司（ 他們只是依需求用已完善的數學統計理論加以電腦編程後，利用巨大算力去幫忙找出合適的模型並不斷予以完善）。 只有各行各業各領域的專家組才知道在茫茫大海中的資料及訊息中，那些因素才是其所涉領域的関鍵變數，那些變數資料才是可做為他們收集分析建立模型的。例如氣象學/經濟學/股票買賣智能決策/ 醫學/ 藥學/ 農業生產/ 基因工程/ 化學工程/自動駕駛/飛彈防空系統/圖像識別及處理/ 建築結構力學/小樣品模擬模型（核爆/飛機失事）………..等等。 此外服務大衆的語言學也是極度複雜的一門學課，其可能的變量變因會高達幾千萬𠆤， 再加上多層級過濾學習修正的模式，因此其涉及的變數算力就以億計， 所以才稱做大模型。 要取那些因素進行那一層分析，主要都是語言學家在主導。 而這些眼下的AI 應用的公司， 只是利用已發展完備的數學統計理論在不同領域專家組的指導下，去有效的進行數拈收集整理分析並進而建立一個特定領域的模型，作為該特定領域的電腦智能恊作工具。

Part 2): 另外面對服務大衆的生成式服務，也是要面對大衆各種不同的需求，因此其所需處理消化的資料也是天文數字的龐大，也要各行各業領域專家介入協助指導進而形成並建立大模型。 其實生成式AI 可以理解成升級版的超級搜索引擎，傳統的搜索引擎，用関鍵字/詞，從數據庫內匹配/找出並羅列出可能所需資訊，現在進步升級到如果你給出更具體規範的需求，系統就能從數據庫內拼湊出並提供更完整的接近最終需求的服務內容。這只是把過往已存在的數據庫（已長年經各行業領域專家組維護並梳理過的）更完善的整理優化後予以呈現。而這𠆤更完善的過程使用了大量多層次的統計數字分析的手段， 把這個完善化的過程誇大的比擬成人類的思考及智慧（其誇大的目的-圈錢），將造成極大的誤導。 其實生成式大模型， 就是用即存服務於大衆的大型搜索的資料庫，如google ， Bing 等等，以數理統計為核心，結合資訊工程及硬體工程為工具，而進行更貼切於使用者需求的優化過程和結果。所以生成式大模型最終會回到過往提供搜索服務的大型公司的對決。 因此CIC 或是AI 是以特定領域專家組為主導，數理統計為核心，資訊工程及硬體工程都是配合的工具而已。 這樣的發展才會健康/ 不浪費/ 高效率/ 高精確度。 但目前的發展方式， 以資訊工程及硬體工程來主導開發服務大衆的大模型，只是因為這方面天文級別的龐大算力需大資本投入，這是一𠆤比較理想的快速盈利回報的營運方式，但這種情況就會造成眼下嚴重的誤導及錯誤的認知，沒有效率及喪失精準度，甚至如當下出現諸多以提供算力及編程服務的所謂AI 公司出面圈錢的亂象。 其實眼下的蓬勃發展是假象。 不管怎麽發展，從事這𠆤領域研究工作的人不能不具備相關數理統計的知識，也不能缺少專家組對資料的專業的選定/收集/整理。而資訊程序員和電腦只是工具。特別在早期各專業領域內的中小模型的智能發展和恊作，編程只是工具。但當算力上來後，服務大眾的類搜索引擎的生成式及語言大模型，就變得可行了， 但不管怎樣可行，仍是以數理統計為核心，更龐大的專家組仍是關鍵。 只是這種大模型下算力變成稀缺的主要投資成本， 使得這些編程及硬體人員不得不高舉這𠆤旗幟來圈錢， 如果這些編程及硬體人員拿不出這些算力（如果由國家直接投資），他們在整個AI(CIC) 的發展上，根本算不上什麼角色。但這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆。 這些搞編程所謂AI 專家，其看待事物的内容實在令人啼笑皆非。 譬如： 看到報導某AI 頂流科學家，其模型在AI 大賽中，以16%失誤率， 遠勝於另 一AI 大佬的23% 失誤率，而得到冠軍。 a)殊不知數理統計迥歸分析的誤差要求是5% 甚至到3% ， 一個誤差率高達16% 的模型，居然可以拿出來比賽甚至取得冠軍， 真不知這羣頂流AI 的外星兼外行的科學家在玩什麼遊戲？！ b)人類智慧的誤失率基本都趨近於零。 任何事務的成果，都不是線性的。 這群AI 科學家居然誤導性的告知世人，宣稱他們現在誤差率已達16 % ， 他們離成功不遠了。 殊不知任何人學習或做事務的成果，達到90 分是很容易的，只要多付出就可輕易達成，但90-100 分，那完全不是和努力付出成正比的，那是和天份及其他綜合因素有関，90 分後要再成長其難度是巨大非線性的。 人工智慧的誤失率16% 要成長到 人類智慧的0% 誤失率，給其500 年都難以達到。 另外所謂AI的算力，也多被這些台面上資訊及硬體公司給神話了，整𠆤AI 主要算力在解大矩陣行列式或進行矩陣相乘。 也就是同時或儘量同時計算（平行計算） y 千萬組的 y千萬𠆤數的連乘積或是乘積和。 極其簡單（小學算術程度）但體量龐大的加減乘除。 無任何高深複雜的計算。 GPU 可以當做兼為AI 算力工具，但是GPU 如果僅專用在AI 上，則已是超規格。 因此微軟搞出了這種純滿足AI 小學暴力算術晶片, 或是Tesla 的針對矩陣暴力運算的NPU 。英偉達的GPU一定要小心了，GPU 涵蓋應用面遠大於AI , 如果僅用於AI 算力工作，則晶片設計可採用其他非常簡化有效率的方式，而且成本便宜很多。 未來可能的發展模式： 1） 資訊及硬體工程提供集中算力設備及模型編程的開放平台，供各領域的專家組使用。 有點像當下晶片產業，各應用領域產業由專家組組成公司後，進行各領域的智能開發和應用（如晶片應用的design house，聯發科，海思等 ) , 而算力的提供及收費則由資訊及硬體工程提供（這需要密集资本投入，甚至國家力量投入，如台積電）。 2） 由於網路的高度發展， 另外一種提供龐大算力的方式，是由巨量萬家萬戶閒置PC 𠆤人電腦，各類雲,工作站甚至各𠆤大模型參與分散型算力的提供，恊作，整合，這也是需由資訊及硬體工程來實現的。

Read a few his first-author papers. Kaiming is one of the few people in the world that I can no doubt see the smartness.

这个明明是一月份的特邀讲座，也不算是真正的上课

it's a very nice summary of the models evolution!

我有買老師的CSDN課程👍

感谢您的关注和支持！，关注公众号;AI技术星球 回复：987 即可获取课程对应学习资料及60G深度学习精选资料包！ 更有：AI公开课、论文指导、简历指导、竞赛指导、技术问题解答！ 1、上千篇CVPR、ICCV顶会论文 2、动手学习深度学习、花书、西瓜书等AI必读书籍 3、唐宇迪博士精心整理的人工智能学习大纲 4、机器学习算法+深度学习神经网络基础教程 5、OpenCV、Pytorch、YOLO等主流框架算法实战教程

感谢您的关注和支持！，关注公众号;AI技术星球 回复：987 即可获取课程对应学习资料及60G深度学习精选资料包！ 更有：AI公开课、论文指导、简历指导、竞赛指导、技术问题解答！ 1、上千篇CVPR、ICCV顶会论文 2、动手学习深度学习、花书、西瓜书等AI必读书籍 3、唐宇迪博士精心整理的人工智能学习大纲 4、机器学习算法+深度学习神经网络基础教程 5、OpenCV、Pytorch、YOLO等主流框架算法实战教程

感谢您的关注和支持！，关注公众号;AI技术星球 回复：987 即可获取课程对应学习资料及60G深度学习精选资料包！ 更有：AI公开课、论文指导、简历指导、竞赛指导、技术问题解答！ 1、上千篇CVPR、ICCV顶会论文 2、动手学习深度学习、花书、西瓜书等AI必读书籍 3、唐宇迪博士精心整理的人工智能学习大纲 4、机器学习算法+深度学习神经网络基础教程 5、OpenCV、Pytorch、YOLO等主流框架算法实战教程

感谢您的关注和支持！，关注公众号;AI技术星球 回复：987 即可获取课程对应学习资料及60G深度学习精选资料包！ 更有：AI公开课、论文指导、简历指导、竞赛指导、技术问题解答！ 1、上千篇CVPR、ICCV顶会论文 2、动手学习深度学习、花书、西瓜书等AI必读书籍 3、唐宇迪博士精心整理的人工智能学习大纲 4、机器学习算法+深度学习神经网络基础教程 5、OpenCV、Pytorch、YOLO等主流框架算法实战教程

感谢您的关注和支持！，关注公众号;AI技术星球 回复：987 即可获取课程对应学习资料及60G深度学习精选资料包！ 更有：AI公开课、论文指导、简历指导、竞赛指导、技术问题解答！ 1、上千篇CVPR、ICCV顶会论文 2、动手学习深度学习、花书、西瓜书等AI必读书籍 3、唐宇迪博士精心整理的人工智能学习大纲 4、机器学习算法+深度学习神经网络基础教程 5、OpenCV、Pytorch、YOLO等主流框架算法实战教程

感谢您的关注和支持！，关注公众号;AI技术星球 回复：987 即可获取课程对应学习资料及60G深度学习精选资料包！ 更有：AI公开课、论文指导、简历指导、竞赛指导、技术问题解答！ 1、上千篇CVPR、ICCV顶会论文 2、动手学习深度学习、花书、西瓜书等AI必读书籍 3、唐宇迪博士精心整理的人工智能学习大纲 4、机器学习算法+深度学习神经网络基础教程 5、OpenCV、Pytorch、YOLO等主流框架算法实战教程

感谢您的关注和支持！，关注公众号;AI技术星球 回复：987 即可获取课程对应学习资料及60G深度学习精选资料包！ 更有：AI公开课、论文指导、简历指导、竞赛指导、技术问题解答！ 1、上千篇CVPR、ICCV顶会论文 2、动手学习深度学习、花书、西瓜书等AI必读书籍 3、唐宇迪博士精心整理的人工智能学习大纲 4、机器学习算法+深度学习神经网络基础教程 5、OpenCV、Pytorch、YOLO等主流框架算法实战教程

感谢您的关注和支持！，关注公众号;AI技术星球 回复：987 即可获取课程对应学习资料及60G深度学习精选资料包！ 更有：AI公开课、论文指导、简历指导、竞赛指导、技术问题解答！ 1、上千篇CVPR、ICCV顶会论文 2、动手学习深度学习、花书、西瓜书等AI必读书籍 3、唐宇迪博士精心整理的人工智能学习大纲 4、机器学习算法+深度学习神经网络基础教程 5、OpenCV、Pytorch、YOLO等主流框架算法实战教程

反抗ai才是未来使命，早日返回小国寡民的上古时代，才能实现人的本质

黑洞和神仙都能被人研究，何况区区几个大模型

星火大模型，请给下简单评价呗

焦虑，唉

最新CV+NLP顶会论文源码+数据集资料包 请关注公众号:AI技术星球 回复 987 获取 额外还有：AI公开课、论文指导、竞赛指导、技术问题解答

987

最新CV+NLP顶会论文源码+数据集资料包 请关注公众号:AI技术星球 回复 987 获取 额外还有：AI公开课、论文指导、竞赛指导、技术问题解答

最新CV+NLP顶会论文源码+数据集资料包 请关注公众号:AI技术星球 回复 987 获取 额外还有：AI公开课、论文指导、竞赛指导、技术问题解答

最新CV+NLP顶会论文源码+数据集资料包 请关注公众号:AI技术星球 回复 987 获取 额外还有：AI公开课、论文指导、竞赛指导、技术问题解答

人工智能入门学习路线图 以及最新CV+NLP顶会论文源码+数据集资料包 请关注公众号:AI技术星球 回复 987 获取 额外还有：AI公开课、论文指导、竞赛指导、技术问题解答

langchain不仅是为了抑制幻觉吧

配套课件请关注公众号:AI技术星期 回复 987 获取 额外还有：AI公开课、论文指导、竞赛指导、技术问题解答