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！
华策影视AIGC工程师招聘，AIGC在「文娱领域」的真正落地
逛即刻时发现关注的AI博主 @杨昌 发布了自己公司的招聘信息，而且附上了团队氛围和工作感受等分享。华策影视是影视行业龙头企业，成立了 AIGC 应用研究院，重视AI且不算卷。岗位 base 上海，感兴趣可以前往社交媒体主页查看详情~ ⋙ 即刻 @杨昌 | 了解更多
百度 AGI Foundathon 大模型创业松，LLM 时代的应用层创业
https://aistudio.baidu.com/competition/detail/1040/0/task-definition
百度飞桨、文心大模型联合百度风投，举办了「AGI Foundathon 大模型创业松」，邀请世界各地的AI开发者和创业团队，基于「文心大模型」构建具备商业价值的 Generative AI 应用。
第一期活动分为三个方向，需要在初赛截止 (2023年10月11日) 前提交商业策划书：
创新应用：根据实际需求，自由选定方向构建应用
场景落地：理解需求场景，一起来进行大模型技术和企业需求场景的合作共建
文心一言插件赛道：结合D端或B端开发者能力、数据或第三方服务能力，建设插件 plugins ⋙ 了解更多
Runway 发布自定义镜头控制，人人都是导演的时代到来了
https://twitter.com/runwayml/status/1701218011984654403
Runway 是人工智能生成视频方向的独角兽，并在上周发布了生成视频的4种不同的运镜功能，并且这些功能之间还可以相互叠加。
这篇文章用同一个视频片段演示了几种非常不错的运镜方式，非常值得收藏和模仿：
1. Custom camera control 自定义摄像头控制
Speed 速度控制 (1~10)
Horizontal 水平运镜 (向左/向右)
Vertical 垂直运镜 (向上/向下)
Zoom 推近推远 (放大/缩小)
Roll 旋转运镜 (顺时针/逆时针)
2. 运镜叠加玩法两种模式
Horizontal 水平运镜 + Vertical 垂直运镜
Horizontal 水平运镜 + Zoom 推近拉远
Vertical 垂直运镜 + Zoom 推近推远
Roll 旋转运镜 + Zoom 推近推远
3. 运镜叠加玩法三种模式
- Horizontal 水平运镜 + Vertical 垂直运镜 + Zoom 推近推远 ⋙ 阅读原文
生成式AI的未来是什么？可以从这15张图表中一窥究竟
ShowMeAI 知识星球资源编码：R185
这是麦肯锡在8月底发布的一篇博文，切入视角非常有意思！作者回顾了麦肯锡在生成式AI爆发早期 (今年4月左右) 的一些报告和结论。
作者截选了15张图片来进行更详细的阐述。ShowMeAI 将所有图片整理成了一份 PDF 文档，可以扫码前往知识星球下载保存。今天的日报只选择其中几张进行展示：
生成式AI技术正在快速迭代发展，各种新模型和应用层出不穷
生成式AI预计在本世纪内在许多技能上达到人类表现中等甚至较高水平，时间缩短了40年
生成式AI最大影响是知识型工作的自动化，如教育、法律、技术等领域
各行各业的特定应用正在不断涌现，专业化的应用更有价值
不同行业获得的价值各有不同，但销售营销作用普遍重大
评估业务，找出最高价值的具体使用案例非常关键
虽然生成式AI应用广阔，但大多数组织还很少使用
销售营销领导最看好提升主导权、营销优化和个性化外展等应用
软件开发效率可能大幅提高，节省大量时间
生成式AI让开发者更快乐，更易保留人才
各行业员工已经开始广泛使用生成式AI工具
组织需要培养更多生成式AI人才以满足需求
应谨慎采用，注意风险，保持人工审查
如果培训员工掌握新技能，生成式AI可大幅提升全球GDP ⋙ 阅读原文
AI Grant (AI版YC) 公布第二期 29 个项目，扒一扒所有项目底细
https://aigrant.com
AI Grant由Github前CEO / 知名投资人Nat Friedman和Daniel Gross共同设立，聚焦AI产品的投资孵化。入选项目将获得25万美金的投资和35万美金的Azure credits等创业激励。
AI Grant 第一期于去年8月开始，一共入选26个项目，包括今年热度很高的AI创业公司Perplexity、Relicate、Dust等。第二期项目于今年6月底开始，竞争空前激烈，并于上周公布了入选名单，一起来看看：
自动化效率工具
Lindy：你的AI个人助理
Induced：AI-first browser RPA platform.
Zeta Labs：Automate routine online tasks.
Lightpaper：AI assembly lines for knowledge workers.
聚焦细分场景的写作助手
Jenni：服务于研究人员的写作助手
AutogenAI：AI标书助手
效果导向的内容生成
Coframe：基于UI元素自动生成变体，通过A/B测试确定最优解
Opus Clip：一键将长视频分割成多个爆款短视频
用户体验提升
Merlin：能主导对话且跟进询问的AI用户访谈工具
Speakshyft：实时口音翻译工具
非结构化内容处理
5.1 Mathpix：服务于科研人员的文档效率工具
5.2 Freed：医疗场景的AI抄写员
Kino AI：对原始录像素材进行管理和搜索的桌面应用
人类情感模型
- Hume AI：专注于人类情绪的研究
AI风险
- Reality Defender：Deepfake技术探测器
AI玩具
Curio：可以讲话的玩具
Portola：给小孩的电子玩具 ⋙ 查看所有项目的详细介绍 | AI Grant第三期目前已经允许创业者申请
主流大语言模型的技术原理细节
这是一篇技术感十足的文章，比较了 LLaMA、ChatGLM、Falcon 等大语言模型的细节，详细介绍了大语言模型的分布式训练技术、以及大语言模型的参数高效微调技术。
上方是课程要点思维导图，可以清晰地看到文章重点。以下是原文大纲，如果有你感兴趣的内容，可以前往对应位置查看技术细节内容的介绍：
1. 大语言模型的细节
transformer 与 LLM
模型结构
训练目标
tokenizer
位置编码
层归一化
激活函数
Multi-query Attention 与 Grouped-query Attention
并行 transformer block
总结-训练稳定性
2. LLM 的分布式预训练
点对点通信与集体通信
数据并行
张量并行
流水线并行
3D 并行
混合精度训练
激活重计算
ZeRO，零冗余优化器
CPU-offload，ZeRO-offload
Flash Attention
vLLM: Paged Attention
3. LLM 的参数高效微调
为什么进行参数高效微调？
prompt tuning
prefix tuning
adapter
- 服务器托管网
LLaMA adapter
LoRA
实验比较
4. 参考文献 ⋙ 阅读原文
AIGC 图像生成，Prompt 的七个缺陷与解决方案汇总
这是一篇非常「妙」的学习笔记，作者根据自己的经验对 Prompt 的种种限制进行了总结，并给出了当下比较有效的解决方案。当我们摸到了工具的能力边界，使用它们的时就能更从容和高效。
写作技能：将三维的画面转化为一维的文字是有挑战性的 → 需要反复书写带来的经验累积或是专门的学习
文本特性：文本的多义性会使得模型的理解发生偏差，生成内容无法切中创作者的真实意图 → 基于错误反馈不断对导致歧义的内容进行替换和校正
字数限制：超过AI模型对字数理解的「上限」后，Prompt 中添加再多的细节描述也无法被正确理解 → 限制提示词的字数
规则格式：模板化的提示词更容易被模型理解而且更稳定 → 需要学习并熟练掌握基于技术逻辑反推出的指令公式，以及控制各类权重的命令参数
作用关系：同一条 Prompt 中出现冗余甚至相互对立的信息 → 通过删A留B、删B留A的方式反复比对来定位修改点
细节控制：需要对形式、位置、比例、层次、关系等要素进行专业严谨处理的场景，模型能否精准执行 → 依靠 Prompt 进行精细化控制并不现实
生成预期：生成前不能预测结果，生成过程又类似于黑箱 → 先生成几张看看什么效果，找到符合预期的那张再继续深入
为了降低 Prompt 的学习和使用门槛，平台从产品、工具和教程等进行了很多的努力，比如一键复制、智能补全、创作手册、撰写教程。
当然技术侧的进展更快，涂抹、叠加、扩展等二次编辑能力，以Lora为代表的微调模型，还有Controlnet技术，支持边缘检测、草图处理、姿势识别等前沿黑科技，都在试图融合更多其他模态的意图信息，与Prompt形成互补，让生成结果更加精服务器托管网准可控 ⋙ 阅读原文
Hugging Face 的 Diffusion Models (扩散模型) 课程
这是由 Hugging Face 组织的一门关于扩散模型 (Diffusion Models) 的免费课程，可以帮助学生全面理解扩散模型，并通过多个实践项目掌握使用和训练扩散模型的技能。课程适合有一定深度学习和PyTorch基础的学生学习。
以下是对该课程的4个章节的关键内容总结，感兴趣可以前往 GitHub 阅读详细的教程：
第1章：Diffusion 模型入门
介绍什么是 Diffusion 模型及其生成图像的迭代优化过程
使用 Diffusers 库实际体验 Diffusion 模型的训练和采样过程
从零开始实现一个Diffusion模型，了解各个组件的设计决策
第2章：微调与引导
使用现有模型进行微调以生成新类型的数据
使用引导技术在无条件模型中添加控制生成过程的能力
条件模型：利用类标签进行条件图像生成
第3章：Stable Diffusion
Stable Diffusion 使用潜在扩散提高运算效率
基于CLIP的文本编码进行条件图像生成
无分类器引导增强文本梯度
使用 DreamBooth 技术对 Stable Diffusion 进行微调
第4章：探索扩散模型的更多应用
知识蒸馏获得更快的采样速度
训练技巧提高模型性能
更好地控制生成过程：img2img、掩码引导、交叉注意力控制等
视频和音频生成
新型模型架构：基于Transformer和标记化表示的迭代优化 ⋙ GitHub
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！
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
