AIGC（生成式AI）试用 28 -- 跟着清华教程学习 - AIGC发展研究 3.0

目标：继续学习
- 信息不对称、不平等、隐私泄露和数据滥用
- 问、改、创、优
- “概率预测（快速反应）”模型和“链式推理（慢速思考）”模型
- 思维滞环现象解决思路：1.调整提问：改变问题方式，引导AI生成不同的回答2.优化训练：使用更多样的训练数据和算法，提高AI的多样性3.提供外部信息：引入新的知识库，帮助AI生成新内容4.调整模型参数：优化训练参数，避免模型陷入局部最优5.增加反馈回路：通过即时反馈修正AI的推理过程
- AI幻觉的产生通常是由于模型在缺乏相关信息的情况下，通过概率性选择生成内容，而非基于真实世界的知识库或逻辑推理，这使得其输出不仅难以信赖，且可能误导用户。
- 创造力跃迁在AI时代体现为从“零知识启动”到“高知识生产”，再到“新知识创造”，最终到“元知识形成”的完整过程。
- 艺术理论与AI逻辑的融合 -- 这样的AI幻觉该如何应对？只要有幻想就可以创作一部新的星际大战吗？
  是否会有更多整合的总结视频出现呢？
- AIGC修复 -- 图像修复？文字书画修复？
- AIGC与流程及RPA的结合
- AI音乐 -- 可以将一个人的曲目罗列，并分析曲风生成新的音乐吗？可以生成某位歌手特有的翻唱吗？
- 医疗大模型：多科诊疗 协同决策，病例分析 判断支撑
- 行业大模型 -- 企业、行业数据 -> 本地库，系统分析、预测？
- AI数据伦理
- 开源大数据
- 智能编码 -- 低代码、无代码真正的实现？代码辅助，编码更高效？码农危机？
- 多模态融合是指将来自多个不同类型（例如文本、图像、声音等）的数据合并

AIGC发展研究 3.0

VR -> AR -> 元宇宙 -> 虚拟数字 -> 数字藏品 -> AIGC

AI哲学
问行合一
如果将人类以往的一切认知定义为“人类普遍认知”（HumanGeneralCognition），而将AI产生的认知定义为“AI生成认知”（ArtificialIntelligenceGeneratedCognition），那么我们当前正处于一个重要的临界点。
01语言哲学、自然语言、检索语言、编程语言、AI原理
02问、改、创、优
03提示的边界就是想象的边界
04单一模态到多模态
概率预测（快速反应模型，如ChatGPT 4o）
链式推理(慢速思考模型，如OpenAI o1)
CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合适的模型，实现最佳效果。

生成边界指AI模型在理解、创造与创新方面的能力极限，体现了其认知能力的实际限制。
思维滞环
>> 思维滞环可能出现原因：
1.重复内容：AI生成的回答重复相似，缺乏新意
2.推理不变：即使改变提问，AI的逻辑仍然不变，无法提供不同的结论
3.回答表面化：AI只给出浅显的回答，无法深入分析
4.语言模式相同：输出的句式和结构没有变化，显得单调
5.忽略反馈：AI无法根据用户的反馈调整回答
>> 如何判定触及生成边界：
1.指令执行分析：检查AI是否按要求添加或修改内容
2.回答多样性测量：评估AI回答的新信息量和多样性
3.上下文适应测试：观察AI能否根据新上下文调整回答
4.情感语气变化检测：检测AI回答的情感和语气是否变化
5.逻辑推理验证：观察AI在条件变化时是否调整推理
>> 思维滞环现象解决思路：
1.调整提问：改变问题方式，引导AI生成不同的回答
2.优化训练：使用更多样的训练数据和算法，提高AI的多样性
3.提供外部信息：引入新的知识库，帮助AI生成新内容
4.调整模型参数：优化训练参数，避免模型陷入局部最优
5.增加反馈回路：通过即时反馈修正AI的推理过程

文本生成 -> 视频生成 -> 逻辑推理
AI幻觉（AI Hallucinations）是指生成式人工智能模型在生成文本或回答问题时，尽管表面上呈现出逻辑性和语法正确的形式，但其输出内容可能包含完全虚构、不准确或与事实不符的信息。AI幻觉的产生通常是由于模型在缺乏相关信息的情况下，通过概率性选择生成内容，而非基于真实世界的知识库或逻辑推理，这使得其输出不仅难以信赖，且可能误导用户。
>> 语言大模型

>> 视频大模型

>> 音乐大模型
 

>> AI 产品
 

创造力跃迁在AI时代体现为从“零知识启动”到“高知识生产”，再到“新知识创造”，最终到“元知识形成”的完整过程。 
提示词工程：
1.设定明确的目标与上下文
  •说明任务的具体目标（如获取信息、生成文本、分析数据等）•提供背景信息，以减少模型的猜测•针对不同的场景，给出期望的输出类型（如表格、列表、总结等）
2.激活角色与思维模式
  •设定模型为某种特定的身份，如技术专家、教师或HR•指导模型使用某种特定的写作风格（如正式、非正式、技术性等）•让模型模拟某种特定的思维模式，如批判性思维、创造性思维等
3.逐步拆解复杂任务
  •将复杂问题分解为多个独立的步骤•在每一步操作结束后，请求模型总结或验证中间结果•合并多个子任务的输出，形成完整的解决方案或总结
4.引导深入推理与思考
  •让模型分步骤推导出答案，要求“思维链”推理•要求模型在作答前进行简要的自我反思或验证•要求模型解释每一步的思路，而不仅仅是给出最终答案
5. 提供参考材料与外部资源
  •向模型提供外部参考文献或文本，并要求根据这些材料生成答案•要求模型在作答时引用或链接到具体的来源•集成外部工具（如代码执行）来完成复杂的计算或查找任务
6. 动态反馈与迭代优化
  •在收到回答后，指出模型的误差或不足，并要求修正•让模型根据前一轮的输出进行自我改进•请求模型总结多轮对话中的关键点，确保连贯性和准确性
>> TASTE框架
  •Task (任务):定义模型主要任务或生成内容。•Audience(目标受众):明确说明目标受众。•Structure (结构):为输出的内容提供明确的组织结构，包括段落安排、论点展开顺序或其他逻辑关系。•Tone (语气):指定模型回答时的语气或风格。•Example(示例):例子或模板可帮助模型理解输出风格或格式。
  示例•Task:写一篇关于数据隐私的重要性的简短博客文章。•Audience:普通的互联网用户，非技术背景。•Structure:文章需要有明确的开头、中间讨论和结尾，开头提出问题，中间介绍原因和影响，结尾提供建议。•Tone:采用友好、易懂的语气。•Example:类似于《纽约时报》科技专栏的风格。
>> ALIGN框架
  •Aim(目标):明确任务的最终目标。•Level(难度级别):定义输出的难度级别。•Input(输入):指定需要处理的输入数据或信息，或要求模型依据某些事实或条件进行推理。•Guidelines(指导原则):提供模型在执行任务时应该遵循的规则或约束。•Novelty (新颖性):明确是否需要模型提供原创性、创新性的内容，是否允许引用已有知识。
  示例•Aim:创建一篇关于“可持续发展”的文章，解释其核心理念。•Level:适合高中生阅读，不需要专业术语。•Input:提供目前的环境问题的背景，讨论应对全球变暖的策略。•Guidelines:文章应使用简洁明了的语言，并避免复杂的技术概念。•Novelty:要求结合最新的环境数据，提出新颖的观点和解决方案。

艺术理论与AI逻辑的融合：超凡脱俗 异想天开，开天辟地 梦幻异影，荒诞乱序 智造奇趣
通过创造违反物理定律的元素、场景和故事，引发观众对现实、可能性和知觉的深层次思考；包含了对重力、空间、时间和逻辑的明显违背，以此来创造一种超脱于现实世界的感觉和体验。

AIGC修复
AI自动化工作流：将人工智能（AI）技术与自动化流程（RPA）相结合，借助AI的智能决策、数据处理和分析能力，自动执行一系列任务或操作，以达到高效、智能化的流程管理

AIGC大模型应用
> AI音乐
> 文生视频
> 生物医药
> 医疗大模型
> 教育大模型
> 心理大模型
> 工业设计大模型：创新发明 加速突破
> 行业大模型

AI预测：智能演进 观势生变

AI数据伦理：智权重议 数界新序

Cursor : Cursor是一款智能编程助手，它可以提高开发者的编码效率，通过人工智能帮助用户进行代码编写、错误调试和项目管理等场景。
GitHub Copilot：AI辅助 高效编码

AIGC驱动的多模态融合创新应用：多模态融合是指将来自多个不同类型（例如文本、图像、声音等）的数据合并，利用跨模态技术产生一个综合的数据表示或输出，代表一种全新、流畅和高效的人类交互体验，其核心挑战是如何有效地融合这些模式以提供连贯和有意义的输出。

复杂任务的自动化工作流：将AIGC技术与自动化流程（RPA）相结合，利用AIGC的智能决策、数据处理和分析能力，实现任务的自动执行，从而达成高效、智能化的流程管理，推动企业运营创新与效率提升。
内容生成：高效、连贯，并减少了人为干预的需求，实时收集用户互动数据，确保内容及时更新和发布
把电脑和手机上的有逻辑规则、重复性的工作交给RPA软件机器人来执行

AIGC人机共生引擎：分层生成 多元协作

AIGC未来
> 职业替代：辅助创新 协作增强

> AI提升了政治效率和精准度，但也引发透明度不足、隐私侵害和舆论操控等挑战。 
> 权力转移：
  - 从集中式治理到去中心化、数据驱动转移。
  - 从传统媒介到社交平台和算法推荐转移。
  - 从传统资源控制到数据和算力掌控者转移。
  - 从人类专家到算法和AI生成内容转移。
  - 从传统工业创新到技术公司和AI驱动创新转移。
> 文明蜕变
  - 从被动学习到智能获取知识，提高了知识获取的效率和个性化学习体验，但可能导致信息不对称的问题加剧。
  - 从人力驱动到智能协作，提升社会治理效率，实现智能化管理，但可能加剧社会的不平等和失业风险。
  - 从传统道德到技术争议，推动了伦理思考和隐私保护的标准化，但引发隐私泄露和数据滥用的伦理问题。
  - 从传统医疗到智能健康管理，提高了医疗的精准性和预防水平，但也带来了数据隐私和技术依赖的问题。
  - 从被动保护到智能管理，提升了环境保护效率，但可能产生新型环境问题，如技术废弃物。
> 生活方式：个性定制 便捷高效
> 认知透视与遮蔽：人类一方面依赖AI在获取信息、理解世界和进行社交等方面具备更强的真实世界洞察能力，但一方面又被AI的信息茧房/美颜的过度美化现象/社交机器人替代人际交往等等带来了更大的遮蔽和困扰。
> 最小版权识别单元：区分AIGC内容最小可识别单元，即识别文字作品或者图像作品相似度，首先将其分割为最小颗粒度，通过构建评价参数体系，划分视为侵犯著作权的参数范围，从而批量数据化、规范化审核AIGC内容的权益归属。
> AI托管：AI托管服务是指将人工智能、云计算、大数据等技术相结合，为个人、社区、家庭等提供定制化的、全方位的人工智能服务的一种新兴服务模式。为用户提供更加智能化、高效化、便利化的服务体验。