清华大学NeurIPS'24：时序大模型AutoTimes，结合In-context Learning提升预测效果
文章概要：
1 清华大学发表于NIPS2024中的大模型时间序列预测工作AutoTimes，使用大模型自回归形式的序列预测，并结合In-Context Learning提升预测效果>方法主要可以分为信息处理、大模型、时序in-context learning三个部分>. 文中在周期时序预测、长周期时序预测等任务上都进行了实验，取得了大模型时序预测方法中的最优效果
4.Zero-shot Learning，-context Learning在引入例子作为prompt信息后，使得模型的预测效果取得了进一步提升
阅读原文
4.Zero-shot Learning，-context Learning在引入例子作为prompt信息后，使得模型的预测效果取得了进一步提升
AI 系列(二)：大模型的应用需求，是解痛点还是蹭热点？
文章概要：
1. 机会识别：业务结合大模型能力的三种思考框架，包括从「三位一体结构」撕开口子、从AI新特性上长出新玩法、从资产管理的视角而非工具的。
2. 需求分析：三种调用大模型能力的服务模式，包括嵌入模式、Copilot模式、智能体(agent)模式。
3. 评估标准：从评测工作流中拆解评测和打分标准，包括安全性、有效性、可读性、意图识别性、信息价值、情感恰当性。
4. 小结：与其All in AI，不如伺机而动，面对未知的巨大市场，需要反复斟酌。
阅读原文
2. 需求分析：三种调用大模型能力的服务模式，包括嵌入模式、Copilot模式、智能体(agent)模式。
3. 评估标准：从评测工作流中拆解评测和打分标准，包括安全性、有效性、可读性、意图识别性、信息价值、情感恰当性。
4. 小结：与其All in AI，不如伺机而动，面对未知的巨大市场，需要反复斟酌。
当AI取代真相，大模型如何一步步诱骗了人类的文明？| 追问观察
文章概要：
1. 美国奥斯汀的一家餐厅Ethos社交媒体instagram宣称是当地排名第一的餐厅，拥有7万余粉丝，但实际上这家餐厅根本不存在，食物和场地的照片都由人工智能生成。
2. 2024年10月发表的一篇名为“Large language models (LLMs) and the institutionalization of misinformation（大语言模型与虚假信息的制度化）”的研究，出了大模型和虚假信息的关系：它比我们所了解的更为深远与复杂。
3. 普林斯顿的一项研究发现，截止24年8月，至少5%的英文维基百科页面是由AI生成的，相对而言德语、法语和意大利语文章的占比较低。
4. 大模型生成的文章，往往会显得自信且流畅，这意味着当我们面对大模型生成的信息时，之前用来判断真假的第一种启发式——“表述是否自信”——失效了。
5. 大模型产生信息的速度远远大于人类，它可以通过高度重复同质化的信息，人工创造出一种真实感。当大模型不加区分地向“思想市场”输出真假参半的同质化信息时，判断信息真伪的第二个启发式机制“熟悉与否”也失效了。
6. 大模型的训练目标是与用户持续对话，这样的对话特征可能会引发确认偏误（confirmation bias），趋向于输出我们想看见的，我们愿意相信的。
7. 按照目前大模型产生信息的速度发展下去，生成文本的遣词造句风格，将变得比人类自己的内容更为人熟知。那么，它就有能力大规模地生成看似真实但却严重误导的消息，从特定社区扩散到主流社会，让人类社会的信任问题再升级。
8. 为了掩盖侵略历史，政府使用大模型生成虚假的历史记录；或是不相信进化论，相关人员也可以使用大模型来生成反驳进化论的文章与书籍......如此一来，特定群体的集体记忆会被重新塑造。
9. 大模型产生的虚假信息，还可能对群体智慧的涌现产生负面影响。在一个多样化的群体中，不同观点和背景的信息碰撞，会产生超出个体智慧的结果；但如果虚假信息充斥讨论，哪怕只是大家都依赖大模型获取信息和想法，群体智慧的多样性和创造力也会受到抑制。
阅读原文
2. 2024年10月发表的一篇名为“Large language models (LLMs) and the institutionalization of misinformation（大语言模型与虚假信息的制度化）”的研究，出了大模型和虚假信息的关系：它比我们所了解的更为深远与复杂。
3. 普林斯顿的一项研究发现，截止24年8月，至少5%的英文维基百科页面是由AI生成的，相对而言德语、法语和意大利语文章的占比较低。
4. 大模型生成的文章，往往会显得自信且流畅，这意味着当我们面对大模型生成的信息时，之前用来判断真假的第一种启发式——“表述是否自信”——失效了。
5. 大模型产生信息的速度远远大于人类，它可以通过高度重复同质化的信息，人工创造出一种真实感。当大模型不加区分地向“思想市场”输出真假参半的同质化信息时，判断信息真伪的第二个启发式机制“熟悉与否”也失效了。
6. 大模型的训练目标是与用户持续对话，这样的对话特征可能会引发确认偏误（confirmation bias），趋向于输出我们想看见的，我们愿意相信的。
7. 按照目前大模型产生信息的速度发展下去，生成文本的遣词造句风格，将变得比人类自己的内容更为人熟知。那么，它就有能力大规模地生成看似真实但却严重误导的消息，从特定社区扩散到主流社会，让人类社会的信任问题再升级。
8. 为了掩盖侵略历史，政府使用大模型生成虚假的历史记录；或是不相信进化论，相关人员也可以使用大模型来生成反驳进化论的文章与书籍......如此一来，特定群体的集体记忆会被重新塑造。
9. 大模型产生的虚假信息，还可能对群体智慧的涌现产生负面影响。在一个多样化的群体中，不同观点和背景的信息碰撞，会产生超出个体智慧的结果；但如果虚假信息充斥讨论，哪怕只是大家都依赖大模型获取信息和想法，群体智慧的多样性和创造力也会受到抑制。
投资人逃离大模型
文章概要：
1. 投资人逃离大模型，文章探讨了AI大模型时代的竞争格局和发展趋势。
2. 中国大模型发展历程，从高校发布产品到创业浪潮爆发，再到政策支持和市场竞争加剧。
3. 百模大战进入新阶段，通用大模型呈现寡头竞争格局，企业面临商业化难题。
4. 国内外AI主流玩家对比，包括技术成熟度和应用落地方面的差异。
5. 开源与闭源大模型的区别和争议，以及在商业化领域的优劣势。
6. 百模大战的现状和未来趋势，包括市场规模、资源竞争、价格战和应用落地等方面。
阅读原文
2. 中国大模型发展历程，从高校发布产品到创业浪潮爆发，再到政策支持和市场竞争加剧。
3. 百模大战进入新阶段，通用大模型呈现寡头竞争格局，企业面临商业化难题。
4. 国内外AI主流玩家对比，包括技术成熟度和应用落地方面的差异。
5. 开源与闭源大模型的区别和争议，以及在商业化领域的优劣势。
6. 百模大战的现状和未来趋势，包括市场规模、资源竞争、价格战和应用落地等方面。
AI大模型发展的整体技术趋势
文章概要：
1. 大模型技术发展迅猛，国内外大模型厂家竞争激烈，未来五年内超过55%的AI技术即可进入生产高地，AI发展的黄金时代已经拉开
2. 大模型未来的技术演进趋势，总体朝着超大规模、大数据集、超长序列、多模态、RL的sclaling law的方向演进
3. 模型参数朝着千亿稠密/万亿稀疏进行演进，预计达到人脑的脑神经连接数150万亿规模才有所放缓> 4. 高质量文本20T（万亿）Tokens，将在2026年消耗殆尽，视频例如YouTube是当竞争焦点，AI数据技术是构建高质量数据集的核心竞争力
5. 超长序列推理已成为各大模型厂商增强智能水平的重要方向，长序列推理的重要性：语义丰富、消除歧义、理解上下文依赖：预测更准确，文本生成连贯、准确
6. 多模态是必然趋势，未来朝全模态发展，以openAI的GPT-4o为例，其把语音交互体验提升到人人交互水准
7. 强化学习的缩放法则，随着GPT o1的发布，也带来另一个维度的Scaling law，多模态的演进支持更多的种类更多的是提升大模型的感知能力，而不是认知能力的提升
阅读原文
2. 大模型未来的技术演进趋势，总体朝着超大规模、大数据集、超长序列、多模态、RL的sclaling law的方向演进
3. 模型参数朝着千亿稠密/万亿稀疏进行演进，预计达到人脑的脑神经连接数150万亿规模才有所放缓> 4. 高质量文本20T（万亿）Tokens，将在2026年消耗殆尽，视频例如YouTube是当竞争焦点，AI数据技术是构建高质量数据集的核心竞争力
5. 超长序列推理已成为各大模型厂商增强智能水平的重要方向，长序列推理的重要性：语义丰富、消除歧义、理解上下文依赖：预测更准确，文本生成连贯、准确
6. 多模态是必然趋势，未来朝全模态发展，以openAI的GPT-4o为例，其把语音交互体验提升到人人交互水准
7. 强化学习的缩放法则，随着GPT o1的发布，也带来另一个维度的Scaling law，多模态的演进支持更多的种类更多的是提升大模型的感知能力，而不是认知能力的提升
国内AI大模型，优缺点分析，研究使用后我得出了以下结论
文章概要：
1. 国内AI大模型，优缺点分析，研究使用后我得出了以下
2.义千问阿里云推出的一个超大规模的语言模型，功能包括多轮对话、文案创作、逻辑推理、多模态理解和多语言支持
3. 文心一言是百度推出的一款AI大模型以其强大的语言理解和生成能力著称
4. 豆包是字节跳动推出的一个大模型，以其高性价比赢得了市场的6 腾讯元宝是腾讯公司推出的AI，以其的音视频处理与创作而著称
7. Kimi是K智能助手由Moonshot AI开发，擅长中英文对话，提供安全、有帮助、准确的回答
. 智谱清言是由智谱AI开发的一款表现优异的大模型，它在推理和创作方面展现出了强大的实力
9.AI大模型还有许多优秀的选手，如果你在其它的大之后发现使用效果非常优秀，完全可以推荐大家使用，可以在留言处进行推荐
10 面对这么多优秀的AI大模型，该如何选择？首先得明确自己的需求。你是需要一个帮你处理大量文本的工具，还是需要陪你聊天解闷伙伴？还是需要写作？明确需求后，再结合各个模型的特点进行选择
11. 咱们也得多关注行业的发展。毕竟，科技的进步日新月异，AI大也会不断换代哪天，就冒出一个更强大的“选手”来挑战现在的霸主呢
12. AI大模型的时代已经到来，我们要做的就是拥抱变化，善用工具，让生活和工作变得更加美好
阅读原文
2.义千问阿里云推出的一个超大规模的语言模型，功能包括多轮对话、文案创作、逻辑推理、多模态理解和多语言支持
3. 文心一言是百度推出的一款AI大模型以其强大的语言理解和生成能力著称
4. 豆包是字节跳动推出的一个大模型，以其高性价比赢得了市场的
7. Kimi是K智能助手由Moonshot AI开发，擅长中英文对话，提供安全、有帮助、准确的回答
. 智谱清言是由智谱AI开发的一款表现优异的大模型，它在推理和创作方面展现出了强大的实力
9.AI大模型还有许多优秀的选手，如果你在其它的大之后发现使用效果非常优秀，完全可以推荐大家使用，可以在留言处进行推荐
10 面对这么多优秀的AI大模型，该如何选择？首先得明确自己的需求。你是需要一个帮你处理大量文本的工具，还是需要陪你聊天解闷伙伴？还是需要写作？明确需求后，再结合各个模型的特点进行选择
11. 咱们也得多关注行业的发展。毕竟，科技的进步日新月异，AI大也会不断换代哪天，就冒出一个更强大的“选手”来挑战现在的霸主呢
12. AI大模型的时代已经到来，我们要做的就是拥抱变化，善用工具，让生活和工作变得更加美好
度小满，让“推理大模型”走向金融核心业务
文章概要：
1. 最近一段时间，AI领域被谈及最多是“推理大模型”，它推理复杂的任务，可以解决科学、编程数学等领域更为复杂的问题
2. 10月22024年金融科技周香港亚洲国际博览馆开幕，“大模型在金融行业的应用”毫无疑问是科技周最受关注的话题
3. 度小满CEO朱光20金融科技周主论坛上表示，以o1推理大模型为代表的新一波生成式AI技术在领域的应用，将从外围场景深入到核心业务，直接影响金融行业的核心质量，在为客户的产品和服务体验上带来巨大突破的同时，将会重塑金融行业
4. 如果说以往的AIGC能力大体属于直觉系统，特点是快速调用已有信息和数据，能够给出即时反馈与生成结果，但缺点是误多、幻觉强，且不能应对复杂的。那么o1大模型则有着更长的内部思维，生成结果前会进行复杂的逻辑推理，从而在物理、化学数学等领域了AI的上限> 5. 金融行业有着海量数据，包罗万象应用场景，但如果从AI应用这些数据的层级会发现较为明显的浅层与
6. 朱光认为，式AI技术要对一个行业带来巨大变革有两个前提，一是必须让核心的体验发生巨大改变；二是必须业务的核心影响> 7. 沿着推理大模型与金融行业结合的可能性，我们会发现一系列关键金融场景都可能迎来的AI变革
8. 本次上光就分享了度小满用推理大模型在风控场景上所进行一系列创新性探索
阅读原文
2. 10月22024年金融科技周香港亚洲国际博览馆开幕，“大模型在金融行业的应用”毫无疑问是科技周最受关注的话题
3. 度小满CEO朱光20金融科技周主论坛上表示，以o1推理大模型为代表的新一波生成式AI技术在领域的应用，将从外围场景深入到核心业务，直接影响金融行业的核心质量，在为客户的产品和服务体验上带来巨大突破的同时，将会重塑金融行业
4. 如果说以往的AIGC能力大体属于直觉系统，特点是快速调用已有信息和数据，能够给出即时反馈与生成结果，但缺点是误多、幻觉强，且不能应对复杂的。那么o1大模型则有着更长的内部思维，生成结果前会进行复杂的逻辑推理，从而在物理、化学数学等领域了AI的上限> 5. 金融行业有着海量数据，包罗万象应用场景，但如果从AI应用这些数据的层级会发现较为明显的浅层与
6. 朱光认为，式AI技术要对一个行业带来巨大变革有两个前提，一是必须让核心的体验发生巨大改变；二是必须业务的核心影响> 7. 沿着推理大模型与金融行业结合的可能性，我们会发现一系列关键金融场景都可能迎来的AI变革
8. 本次上光就分享了度小满用推理大模型在风控场景上所进行一系列创新性探索
大模型是怎么训练的 微调vsRAG
文章概要：
1. 大模型的训练依托于海量数据，使其具备跨领域的综合
2. 微调是基于一个已经训练的模型，通过其参数进行调整，使其更好地特定任务。br>3. 微调分为全模型微调和微调，全模型微调更新模型的所有参数微调仅更新模型的部分参数。
4. LoRA是一种的微调技术，能显著降低微调的参数量计算资源需求。. RAG和微调的结合使用可以显著性能。
. 微调最佳实践明确任务合适的训练模型、设置超参数、评估模型性能。
阅读原文
2. 微调是基于一个已经训练的模型，通过其参数进行调整，使其更好地特定任务。br>3. 微调分为全模型微调和微调，全模型微调更新模型的所有参数微调仅更新模型的部分参数。
4. LoRA是一种的微调技术，能显著降低微调的参数量计算资源需求。
. 微调最佳实践明确任务合适的训练模型、设置超参数、评估模型性能。
章玥：垂模时代 智绘未来 ——透过“三棱镜”分析浦东新区垂类大模型产业发展经验
文章概要：
1. 引言部分介绍了大模型在全球科技竞争中的重要地位，以及我国在大模型应用场景方面的先发优势。
2. 浦东新区在发展大模型产业中的先进做法，包括政策棱镜、生态棱镜和应用棱镜。
3. 皇姑区发展垂类大模型产业的现状与挑战，包括老树根脉密，新芽正欲出和前路漫漫，道阻且长。
4. 关于皇姑区发展大模型产业的建议，包括优化政策支持机制、打造产业集聚高地和构建场景应用示范。
5. 结语与展望部分强调了大模型在千行百业的应用前景，以及皇姑区发展大模型产业的重要性。
阅读原文
2. 浦东新区在发展大模型产业中的先进做法，包括政策棱镜、生态棱镜和应用棱镜。
3. 皇姑区发展垂类大模型产业的现状与挑战，包括老树根脉密，新芽正欲出和前路漫漫，道阻且长。
4. 关于皇姑区发展大模型产业的建议，包括优化政策支持机制、打造产业集聚高地和构建场景应用示范。
5. 结语与展望部分强调了大模型在千行百业的应用前景，以及皇姑区发展大模型产业的重要性。
苏州工业园区：垂域大模型激发新质生产力
文章概要：
1. 苏州工业园区积极引导支持大模型企业从技术突破走向行业应用，初步探索出一条大模型驱动新质生产力的有效路径。
2. 园区共有14家企业开展大模型研发，覆盖医疗、政务、文旅、教育等领域。
3. 园区企业依托大模型技术，服务苏州、辐射全国，成为催生新质生产力的“排头兵”。
4. 大模型驱动基础科研范式变革，实现研发效率倍数级提升开启基础科研新范式。
5. 大模型优化生产要素创新配置，实现经营模式、业务流程创新，以较低的投入实现较高的经济收益。
6. 园区引导企业应用大模型赋能高端装备、交通等优势制造业转型升级，推动各类智能产品从“能用”走向“好用”、智慧工厂加速落地。
阅读原文
2. 园区共有14家企业开展大模型研发，覆盖医疗、政务、文旅、教育等领域。
3. 园区企业依托大模型技术，服务苏州、辐射全国，成为催生新质生产力的“排头兵”。
4. 大模型驱动基础科研范式变革，实现研发效率倍数级提升开启基础科研新范式。
5. 大模型优化生产要素创新配置，实现经营模式、业务流程创新，以较低的投入实现较高的经济收益。
6. 园区引导企业应用大模型赋能高端装备、交通等优势制造业转型升级，推动各类智能产品从“能用”走向“好用”、智慧工厂加速落地。
新质服务业典型业态介绍：工业大模型
文章概要：
1. 长城战略咨询选取大模型、工业元宇宙、虚拟数字人、数据交易服务、AI for Science五大新质服务业典型业态进行重点剖析，本篇介绍工业大模型
2. 工业大模型指面向工业领域需求，以预测和优化工业系统运行为目的建立的人工智能模型，具备多维度建模、高度集成与智能优化三个特征，是推动工业智能化转型的重要引擎
3. 人工智能技术进步驱动工业大模型发展，当前，我国大模型技术正处于高速发展的黄金时期，国内布局工业大模型的主体可分为四类：工业技术服务商、创新成长企业、科研机构/巨头
4. 工业大模型开启工业企业广阔市场前景，工业大模型应用场景贯穿工业企业全生命周期，可实现“跨场景”赋能
. 工业大模型的落地应用离不开算力基础设施的支撑
6. 虽然我国的工业大模型发展已取得一定成效，但与国际顶尖水平相比，我国在制造业AI普及率、工业垂直领域落地、核心生产应用和数据完整性、连通性方面仍存在一定差距
阅读原文
2. 工业大模型指面向工业领域需求，以预测和优化工业系统运行为目的建立的人工智能模型，具备多维度建模、高度集成与智能优化三个特征，是推动工业智能化转型的重要引擎
3. 人工智能技术进步驱动工业大模型发展，当前，我国大模型技术正处于高速发展的黄金时期，国内布局工业大模型的主体可分为四类：工业技术服务商、创新成长企业、科研机构/巨头
4. 工业大模型开启工业企业广阔市场前景，工业大模型应用场景贯穿工业企业全生命周期，可实现“跨场景”赋能
. 工业大模型的落地应用离不开算力基础设施的支撑
6. 虽然我国的工业大模型发展已取得一定成效，但与国际顶尖水平相比，我国在制造业AI普及率、工业垂直领域落地、核心生产应用和数据完整性、连通性方面仍存在一定差距
【技术发展】大模型“软饭硬吃”
文章概要：
1. 大模型“软饭吃”。
阅读原文
值得开发者好好看一看的AI大模型入门教程（内含300道AI面试真题）
文章概要：
1. 当下，人工智能市场迎来爆发期，企业纷纷官宣“AI+”战略，人才需求增大，AI大模型新发岗位平均月薪上升。
2 初学者学习AI大模型常遇到理论知识缺乏、资源和工具限制、模型理解和调试复杂等问题，找到高质量学习资源很重要。
3. 为帮助开发者打破壁垒，了解大模型核心技术原理，推荐由LangChain开发者，谷歌开发者专家彭靖打造的从0到1入门AI大模型』【大模型集训班】，课程从市场现状和趋势出发，分析人才需求，带你了解自身情况，规划学习路线。<> 4. 除了AI入门课程，还准备了非常全面的AI大模型面试题」，包括字节、腾讯一线大厂的AI岗面经、LLMs、Transformer、RAG真题等帮你在面试大工作中一步。
阅读原文
2 初学者学习AI大模型常遇到理论知识缺乏、资源和工具限制、模型理解和调试复杂等问题，找到高质量学习资源很重要。
3. 为帮助开发者打破壁垒，了解大模型核心技术原理，推荐由LangChain开发者，谷歌开发者专家彭靖打造的从0到1入门AI大模型』【大模型集训班】，课程从市场现状和趋势出发，分析人才需求，带你了解自身情况，规划学习路线。<> 4. 除了AI入门课程，还准备了非常全面的AI大模型面试题」，包括字节、腾讯一线大厂的AI岗面经、LLMs、Transformer、RAG真题等帮你在面试大工作中一步。
研究 | 从喧嚣的“百模大战”到如今的寂寂无声，大模型为何突然“不火”了？
文章概要：
1. 当2022年11月，OpenAI发布ChatGPT时，它所展现出的丰富的知识储备、复杂问题求解能力、多轮对话上下文追踪与建模能力，着实让全球、资本与媒体界为之倾倒，并顺势刮起AI大模型的风潮。
2. 风潮传至国内，各路“英雄豪杰”扎堆上场，其中有百度、阿里、腾讯、360等传统互联网大厂，也有商汤科技、旷视科技、云从科技等老牌厂商，还包括智谱AI、百川智能、月之暗面等新秀选手，累计发布大模型数量超过200个，例如文心一言、腾讯混元、通义千问、万维天工、讯飞星火等等，市场呈现出“百模大战”的格局。
3. 然而相比于去年的热度，相信很多人都能感觉出来，大模型似乎没那么“热”了。不管是新闻媒体、资本投资，还是各路围观人群，大模型不再成为街头巷尾热议的对象。
4. 新兴科技历来是滋生泡沫的动力源，每一次技术革命都会带来新兴产业的快速发展，这些产业往往伴随着巨大的投资和炒作，从而容易形成泡沫，这一次，AI大模型也不例外。这与新兴技术在从0到1再到100的转化过程中，伴随的技术瓶颈、商业化落地、同质化竞争、成本收益不对等、监管缺失与市场操纵、市场调整与理性回归等有密切关系。
5. 目前，国内人工智能大模型在技术上面临的瓶颈涵盖能源消耗、算法优化、模型架构、可解释性等多个，这些瓶颈的存在不仅限制大模型的性能提升，也影响其在实际应用中的广泛部署。
6. 国内人工智能大模型的战场看似群雄逐齐放”态势，绝大多数陷入同质化竞争的泥淖之中。主要体现在界面与功能相似、技术路线集中、应用场景趋同以及数据与算力依赖等等。
7. 大模型本质上仍旧是一款以技术为导向的新兴产品，接下来要想长期持续发展，必须完成商业化（产业化）进程。然而，国内大模型企业面临的最大问题就在于尚未找到商业化思路，缺乏满足市场需求的个性化应用，导致大模型开发企业赚不到钱，传统企业找不到切入人工智能的路径，普通消费者又难以找到满足自身需求的智能化产品服务。
8. 人工智能大模型本质上是由算法、算力和数据构成，在整个应用过程中，又存在系统维护与升级等问题，其高昂的开发及应用成本也源于此。主要体现在算力成本数据成本、算法开发成本和后期运营维护成本。
9. 大模型作为一项新兴科技产物，必然对现有的监管规则及社会伦理构成挑战主要体现在数据安全与隐私保护、内容生成与虚假信息、责任归属与问责机制、社会影响冲击等。
阅读原文
2. 风潮传至国内，各路“英雄豪杰”扎堆上场，其中有百度、阿里、腾讯、360等传统互联网大厂，也有商汤科技、旷视科技、云从科技等老牌厂商，还包括智谱AI、百川智能、月之暗面等新秀选手，累计发布大模型数量超过200个，例如文心一言、腾讯混元、通义千问、万维天工、讯飞星火等等，市场呈现出“百模大战”的格局。
3. 然而相比于去年的热度，相信很多人都能感觉出来，大模型似乎没那么“热”了。不管是新闻媒体、资本投资，还是各路围观人群，大模型不再成为街头巷尾热议的对象。
4. 新兴科技历来是滋生泡沫的动力源，每一次技术革命都会带来新兴产业的快速发展，这些产业往往伴随着巨大的投资和炒作，从而容易形成泡沫，这一次，AI大模型也不例外。这与新兴技术在从0到1再到100的转化过程中，伴随的技术瓶颈、商业化落地、同质化竞争、成本收益不对等、监管缺失与市场操纵、市场调整与理性回归等有密切关系。
5. 目前，国内人工智能大模型在技术上面临的瓶颈涵盖能源消耗、算法优化、模型架构、可解释性等多个，这些瓶颈的存在不仅限制大模型的性能提升，也影响其在实际应用中的广泛部署。
6. 国内人工智能大模型的战场看似群雄逐齐放”态势，绝大多数陷入同质化竞争的泥淖之中。主要体现在界面与功能相似、技术路线集中、应用场景趋同以及数据与算力依赖等等。
7. 大模型本质上仍旧是一款以技术为导向的新兴产品，接下来要想长期持续发展，必须完成商业化（产业化）进程。然而，国内大模型企业面临的最大问题就在于尚未找到商业化思路，缺乏满足市场需求的个性化应用，导致大模型开发企业赚不到钱，传统企业找不到切入人工智能的路径，普通消费者又难以找到满足自身需求的智能化产品服务。
8. 人工智能大模型本质上是由算法、算力和数据构成，在整个应用过程中，又存在系统维护与升级等问题，其高昂的开发及应用成本也源于此。主要体现在算力成本数据成本、算法开发成本和后期运营维护成本。
9. 大模型作为一项新兴科技产物，必然对现有的监管规则及社会伦理构成挑战主要体现在数据安全与隐私保护、内容生成与虚假信息、责任归属与问责机制、社会影响冲击等。
AI大模型·白皮书 | 大模型在推荐系统中的落地实践-48页（附多份大模型应用专家观点PPT下载）
文章概要：
1. 介绍了AI大模型在推荐系统中的落地实践白皮书
2 提到了《数据分析手记：72个数据分析问题精解》的作者
3. 提供了加入AI大模型·领地的方式
阅读原文
2 提到了《数据分析手记：72个数据分析问题精解》的作者
3. 提供了加入AI大模型·领地的方式
AI大模型（LLMs）五大热点研究方向分享！
文章概要：
1. 图灵学术简介，介绍了图灵学术是创业黑马旗下的独立事业部，为计算机/人工智能领域的学生提供科研服务
2. 人工智能研究热点，包括检索增强生成（RAG）、模型、Mamba、参数高效微调（LoRA）、专家模型（MoE）
. 总结：向科研大牛请教能提高科研效率，计划亲自带学生做科研，目前每位导师仅剩2-3个名额，到先得
阅读原文
2. 人工智能研究热点，包括检索增强生成（RAG）、模型、Mamba、参数高效微调（LoRA）、专家模型（MoE）
. 总结：向科研大牛请教能提高科研效率，计划亲自带学生做科研，目前每位导师仅剩2-3个名额，到先得
智库研究 | 新质服务业典型业态介绍：工业大模型
文章概要：
1. 文章介绍了新质服务业典型业态之一的工业大模型，包括其定义、特征、发展历程、市场前景等方面。工业大模型是面向工业领域预测和优化工业系统运行为目的建立的模型，具备多维度建模、高度集成与智能优化三个特征，可提升工业效率，降低运营成本，提高产品质量。文章还介绍了工业大模型的典型案例，如华为盘古大模型和思谋科技IndustryGPT。
2. 文章，我国大模型技术正处于高速发展的黄金时期，在大模型技术领域展现出强劲的追赶与自主创新能力，以百度、讯飞、清华智谱、商汤等为代表的国内企业迅速缩小与国际前沿的差距。同时，我国在开源模型与多模态领域也取得了突破性进展，进一步巩固了技术基础。
3. 文章指出，工业大模型作为智能化升级的关键工具，对工业企业至关重要，具备广阔应用场景。现阶段工业大模型市场参与主体众多，主要包括互联网平台、科技公司、AI创业公司、制造业企业等。工业大模型应用场景贯穿工业企业全生命周期，可实现“跨场景”赋能。
阅读原文
2. 文章，我国大模型技术正处于高速发展的黄金时期，在大模型技术领域展现出强劲的追赶与自主创新能力，以百度、讯飞、清华智谱、商汤等为代表的国内企业迅速缩小与国际前沿的差距。同时，我国在开源模型与多模态领域也取得了突破性进展，进一步巩固了技术基础。
3. 文章指出，工业大模型作为智能化升级的关键工具，对工业企业至关重要，具备广阔应用场景。现阶段工业大模型市场参与主体众多，主要包括互联网平台、科技公司、AI创业公司、制造业企业等。工业大模型应用场景贯穿工业企业全生命周期，可实现“跨场景”赋能。
银行+央国企，开始猛扑大模型！（附30家名单）
文章概要：
1. 截至2023年末我国大模型数量超过200个，覆盖金融、工业、媒体、政务、医学等各个行业，其中又以通用、金融垂直领域大模型落地速度最快。
2. 从国有大行到中小银行，AI大模型技术正以前所未有的方式，改变着各行各业的服务方式和用户体验。br>3. 2024年，央国企招采中，大模型项目开始变多，一出手就是几百万上千万，央国企开始加速布局大模型，他们成为推动大模型落地的强劲动力。
阅读原文
2. 从国有大行到中小银行，AI大模型技术正以前所未有的方式，改变着各行各业的服务方式和用户体验。br>3. 2024年，央国企招采中，大模型项目开始变多，一出手就是几百万上千万，央国企开始加速布局大模型，他们成为推动大模型落地的强劲动力。
大模型之RAG系列，走进RAG以及它未来的发展趋势
文章概要：
1. 大模型专题的文章不断涌现，学习和使用RAG不能孤立看待。
. RAG是检索增强生成的缩写，是当前最火热的LLM应用方案，通过自有垂域数据库检索相关信息，合并成为提示模板，给大模型生成漂亮的回答。
3. RAG的出现是为了解决模型在广泛应用中出现的一些问题，如知识的局限性、幻觉问题和数据安全性等。
4. RAG的优点包括外部知识的利用、数据更新及时性、回复具有解释、定制能力、和隐私管理以及减少训练成本。
5. RAG的一些应用场景包括问答系统、文档生成和自动摘要、智能助手和虚拟代理、信息检索和知识图谱填充。
6 R超越了最初的文本问答范畴，开始拥抱多样化的模态数据，包括图像、音频、视频和代码。
7. RAG技术面临的挑战包括上下文长度限制、鲁棒性、混合方法M角色扩展等。
8. 未来，RAG技术的将集中在技术优化、多模态融合和生态系统完善等方面。
阅读原文
. RAG是检索增强生成的缩写，是当前最火热的LLM应用方案，通过自有垂域数据库检索相关信息，合并成为提示模板，给大模型生成漂亮的回答。
3. RAG的出现是为了解决模型在广泛应用中出现的一些问题，如知识的局限性、幻觉问题和数据安全性等。
4. RAG的优点包括外部知识的利用、数据更新及时性、回复具有解释、定制能力、和隐私管理以及减少训练成本。
5. RAG的一些应用场景包括问答系统、文档生成和自动摘要、智能助手和虚拟代理、信息检索和知识图谱填充。
6 R超越了最初的文本问答范畴，开始拥抱多样化的模态数据，包括图像、音频、视频和代码。
7. RAG技术面临的挑战包括上下文长度限制、鲁棒性、混合方法M角色扩展等。
8. 未来，RAG技术的将集中在技术优化、多模态融合和生态系统完善等方面。
企业大模型一体化解决方案：从算力到应用
文章概要：
1. 随着人工智能技术的发展，大模型在各个行业中展现出强大的应用潜力，可覆盖从技术创新到信息服务、从客户支持决策的各个方面。
2. 企业和机构在构建和应用大模型时常遇到算力资源不足和等挑战和困难。br> 3. MatAi提供了一站式大模型解决方案，涵盖从算力销售到模型开发和部署的全流程服务，解决了企业在模型时遇到的痛点。
4 MatAi拥有领先的算力资源，由大量H100/H800高性能显卡组成的人工智能计算集群，以及GPU公有云和私有云总算力规模超过800P（FP16）。
5. MatAi在大模型应用建设领域，依托先进的算法与技术通过精细化的领域微调，能为打造具备行业特定能力的大模型应用<> 6. MatAi提供一站式解决方案，全面支持企业和机构的需求，消除技术壁垒，提供多样化应用。
7. MatAi拥有顶尖算力和深厚经验，能够为提供的支撑，确保大模型行业需求紧密结合打造出具备行业特定能力的化应用。
阅读原文
2. 企业和机构在构建和应用大模型时常遇到算力资源不足和等挑战和困难。br> 3. MatAi提供了一站式大模型解决方案，涵盖从算力销售到模型开发和部署的全流程服务，解决了企业在模型时遇到的痛点。
4 MatAi拥有领先的算力资源，由大量H100/H800高性能显卡组成的人工智能计算集群，以及GPU公有云和私有云总算力规模超过800P（FP16）。
5. MatAi在大模型应用建设领域，依托先进的算法与技术通过精细化的领域微调，能为打造具备行业特定能力的大模型应用<> 6. MatAi提供一站式解决方案，全面支持企业和机构的需求，消除技术壁垒，提供多样化应用。
7. MatAi拥有顶尖算力和深厚经验，能够为提供的支撑，确保大模型行业需求紧密结合打造出具备行业特定能力的化应用。
银行+央国企，开始猛扑大模型！（附30家名单）
文章概要：
1. 银行业作为数据密集型行业，以其天然的金融场景需求首当其冲地成为大模型应用落地的重要领域。国有大行和其他股份制银行及各中小银行都在大模型场景应用上不断开花，目前主要还是对内应用，未来有望逐步扩展到对外的客户服务和产品创新中。
2. 央国企招采中，大模型项目开始变多，央国企开始加速布局大模型，他们成为推动大模型落地的强劲动力。文中列出了30家央国企已成功发布的大模型。
3. 央国企发布和购买大模型是风向标，其背后必然有整个大模型产业链的支撑，也必将让众多ICT和AI企业受益。
阅读原文
2. 央国企招采中，大模型项目开始变多，央国企开始加速布局大模型，他们成为推动大模型落地的强劲动力。文中列出了30家央国企已成功发布的大模型。
3. 央国企发布和购买大模型是风向标，其背后必然有整个大模型产业链的支撑，也必将让众多ICT和AI企业受益。
Cursor IDE：自定义模型，打造个性化AI编程新体验
文章概要：
1. Cursor IDE基于AI技术的集成开发环境提供智能代码补全、代码审查等功能。
2.了自定义模型的条件，包括API终端节点API密钥。
3. 详细说明了如何在Cursor IDE中配置自定义模型。
4. 介绍了在Ubuntu上安装Cursor IDE的方法。
5. 讨论了的优势和应用场景，如个性化、灵活性等。
6. 分析了可能遇到的及解决方案，如连接问题、性能问题等。
阅读原文
2.了自定义模型的条件，包括API终端节点API密钥。
3. 详细说明了如何在Cursor IDE中配置自定义模型。
4. 介绍了在Ubuntu上安装Cursor IDE的方法。
5. 讨论了的优势和应用场景，如个性化、灵活性等。
6. 分析了可能遇到的及解决方案，如连接问题、性能问题等。
自动驾驶大语言模型！LLM4AD：从概念、仿真到实车的全面盘点
文章概要：
1. 分享了普渡大学自动驾驶大语言模型的全面概述。
2. 论文链接：https://arxiv.org/pdf/2410.15281v1。
3. 介绍了作者将LLM集成到自动驾驶系统中的思路方法，从提出的概念和开放数据集的创建到在仿真和实车实验中的实现。
4. 提出了第一个评估基于LLM的智能体在自动驾驶中指令跟随能力的标准基准测试——LaMPilot-Bench。
5.LaMPilot-Bench上展示了各种方法的实验结果。
6. 利用CARLA仿真器来开发和评估作者提出的将LLMs集成到自动驾驶中的框架。
7. 将LLMs集成到实际的自动驾驶系统中，引入了一个名为Talk2Drive的框架。
8. 对自动驾驶系统的评估指标，包括驾驶性能、时间效率和个性化的接管率三个方面。
9. 作者全面探讨了LLM4AD，即大型语言模型（LLMs）在自动驾驶中的应用。
阅读原文
2. 论文链接：https://arxiv.org/pdf/2410.15281v1。
3. 介绍了作者将LLM集成到自动驾驶系统中的思路方法，从提出的概念和开放数据集的创建到在仿真和实车实验中的实现。
4. 提出了第一个评估基于LLM的智能体在自动驾驶中指令跟随能力的标准基准测试——LaMPilot-Bench。
5.LaMPilot-Bench上展示了各种方法的实验结果。
6. 利用CARLA仿真器来开发和评估作者提出的将LLMs集成到自动驾驶中的框架。
7. 将LLMs集成到实际的自动驾驶系统中，引入了一个名为Talk2Drive的框架。
8. 对自动驾驶系统的评估指标，包括驾驶性能、时间效率和个性化的接管率三个方面。
9. 作者全面探讨了LLM4AD，即大型语言模型（LLMs）在自动驾驶中的应用。
课件老师：我好像明白了研修网的大模型为什么叫教育“新”地图
文章概要：
1. 大模型不断涌现，智能体层出不穷，课件老师公众号人工智能合集超过200多篇文章
2. 研修网的大模型叫教育新地图，课件老师之前和研修网的研发人员开过视频会议>3. 教育新地图在做教育大数据，在做教育地图，大模型有的功能它都有，但更贴合具体的教学场景
4. 课件老师要讲的是“教育新地图的智能体广场集成了场馆和学校的智能体，课件老师试着问了几个智能体简单的问题
5. 课件老师演示它简单的功能，想说，在大模型泛滥、智能工具的时代，我们要保持一份清醒，思考自己在这个时代能干什么，的优势和劣势是什么
新地图，博物馆、建立简单的智能体，也是老师在大模型最早出来时就想建的应用
7. 它很好的诠释了“”：就是想通过人工智能技术和大数据技术绘出教育的“数智化”新
8. 网址和二维码：https://ai.yanxiu/
阅读原文
2. 研修网的大模型叫教育新地图，课件老师之前和研修网的研发人员开过视频会议>3. 教育新地图在做教育大数据，在做教育地图，大模型有的功能它都有，但更贴合具体的教学场景
4. 课件老师要讲的是“教育新地图的智能体广场集成了场馆和学校的智能体，课件老师试着问了几个智能体简单的问题
5. 课件老师演示它简单的功能，想说，在大模型泛滥、智能工具的时代，我们要保持一份清醒，思考自己在这个时代能干什么，的优势和劣势是什么
新地图，博物馆、建立简单的智能体，也是老师在大模型最早出来时就想建的应用
7. 它很好的诠释了“”：就是想通过人工智能技术和大数据技术绘出教育的“数智化”新
8. 网址和二维码：https://ai.yanxiu/
新扩散模型OmniGen一统图像生成，架构还高度简化、易用
文章概要：
1. 智源推出了新的模型架构OmniGen，一种新的用于统一生成的多模态模型。br> 2. OmniGen具有统一性、简单性和知识迁移的特点。<> 3. 基于OmniGen的通用能力，可实施更灵活图像生成。
4. OmniGen集多项能力于一体，包括但不限于：文本到图像生成指代表达生成、通用图像条件生成、图像编辑、经典计算机视觉任务、一定的上下文学习能力。
5. OmniGen的核心设计原则是：简洁和有效。因此，最大程度舍弃了各种额外模块。
阅读原文
4. OmniGen集多项能力于一体，包括但不限于：文本到图像生成指代表达生成、通用图像条件生成、图像编辑、经典计算机视觉任务、一定的上下文学习能力。
5. OmniGen的核心设计原则是：简洁和有效。因此，最大程度舍弃了各种额外模块。
AL大模型在工业中如何应用？
文章概要：
1. 大模型及其工业应用发展总体情况：全球范围掀起大模型发展浪潮，国内外龙头企业成为大模型角力的技术高地。大模型向B端尤其是工业领域应用已成为行业共识，工业大模型概念应运而生。
2. 大模型工业应用七大模式：原理化研发大模型、前瞻化设计大模型、高效化仿真大模型、精细化检测、智能化调控、科学化运维大模型、定制化售后大模型。
3. 工业大模型展望：我国大模型与工业的融合应用还处于初级探索阶段发展面临一定挑战。建议面向工业场景推进大模型技术攻关，构建规模化的大模型工业数据资源池，完善大模型工业领域性能评测机制，推动大模型在工业领域典型应用的试点示范。
阅读原文
2. 大模型工业应用七大模式：原理化研发大模型、前瞻化设计大模型、高效化仿真大模型、精细化检测、智能化调控、科学化运维大模型、定制化售后大模型。
3. 工业大模型展望：我国大模型与工业的融合应用还处于初级探索阶段发展面临一定挑战。建议面向工业场景推进大模型技术攻关，构建规模化的大模型工业数据资源池，完善大模型工业领域性能评测机制，推动大模型在工业领域典型应用的试点示范。