每日一书：《生成式人工智能》。人类的发展离不开各种工具的革新，如果没有这些工具，我们还在大自然的物竞天择中面临生存问题，而人类之所以能产生伟大的文明，也在于善于利用工具。正如 OpenAI 首席科学家、ChatGPT 背后的技术大佬伊利亚・苏茨克维 (Ilya Sutskever) 所说，GPT（生成式预训练模型）学习的是 “世界模型”。他将互联网文本称作世界的映射，因此，将海量互联网文本作为学习语料的 GPT 学习到的就是整个世界。在我们认识世界的同时，GPT 模型也以惊人的算力，快速地获取我们数年甚至数十年才能拥有的认知，即将成为一个接近成年人思维水平的 “世界模型”。因为 GPT 模型在一定程度上可能已经具备了成年人的通识和逻辑，所以我们只需要拿特定专业领域的数据对其再做训练（称为 “微调”），它就可以成为独当一面的专业人才，可能成为艺术家、设计师、程序员、工程师或广告优化师、供应链专家、客服人员等。这也许就是生成式 AI 或者说 AIGC（AI generated content，人工智能生成内容），带给我们的核心价值。决策式 AI（也被称作判别式 AI）学习数据中的条件概率分布，即一个样本归属于特定类别的概率，再对新的场景进行判断、分析和预测。决策式 AI 有几个主要的应用领域：人脸识别、推荐系统、风控系统、其他智能决策系统、机器人、自动驾驶。生成式 AI 则学习数据中的联合概率分布，即数据中多个变量组成的向量的概率分布，对已有的数据进行总结归纳，并在此基础上使用深度学习技术等，创作模仿式、缝合式的内容，相当于自动生成全新的内容。生成式 AI 可生成的内容形式十分多样，包括文本、图片、音频和视频等。决策式 AI 更多体现的是基于大量数据、信息形成的知识总结和判断，生成式 AI 体现的则是基于知识、信息和数据在逻辑层面产生的创新成果。后者是更接近人类智慧的 AI 技术，其内容的创新强度也更胜一筹。Diffusion 在中文中被译为 “扩散”。扩散是一种物理学现象，指的是一种基于分子热运动的输运现象，是分子通过布朗运动从高浓度区域向低浓度区域转移的过程。它是趋向于热平衡态的过程，也是熵驱动的过程。随着生成式 AI 的发展成熟，以 OpenAI 公司为代表的 AI 科技公司研制出了与 “人脑” 自身应答更相似的最新自然语言对话模型 GPT。有了它，很多游戏公司都跃跃欲试，想要创建出可以与之互动的高拟人化 NPC，以此提升玩家的游戏体验。1、生成式人工智能的里程碑：ChatGPT。2、生成式人工智能的基础：为人工智能提供数据及算力支撑。3、生成式人工智能的核心：主要包括各类模型和算法的研发和升级。4、生成式人工智能的能力：各种生成式 Aⅰ 互相叠加应用，再叠加决策式 AI、传统软件和它们 Aⅰ 化这些多层次、多维度的应用开启了新一轮的文明范式。诡异的未来已经到来。5、生成式人工智能的升级速度：在接下来的几个月里，旧模型以几个月翻倍能力的更新，而每天都有更好、更专业的模型发布和正在开发中，你真正准备好了吗？我说的是现在每天的现实。6、生成式人工智能的原动力：来源于游戏。7、生成式人工智能的应用：不仅仅是作者所说的 Aigc，正如《未来呼啸而来》的戴曼迪斯和科特勒总结的正在飞速发展的九大指数型技术：量子计算、人工智能、网络、机器人、虚拟现实与增强现实、3D 打印、区块链、材料科学与纳米技术、生物技术，这些技术的融合，他给大家推演了被完全重塑的 8 大行业：零售业、广告业、娱乐业、教育业、医疗保健业、长寿业、商业和食品业。你看，这很像我们一直在推广的 “积木式创新” 的理念，只不过我们说的积木式，是指科技创新的完成，需要科研、研发、设计、生产、销售、营销等要素，像搭积木一样迅速达成合作。而戴曼迪斯和科特勒则是把科技突破本身当成积木，不同的积木搭在一起，就能完成以前无法完成的任务，解决以前难以解决的问题。

讲解全面，便于了解

本书在讲述生成式 AI 时，简洁明了、通俗易懂。书中，从 AI 的基本分类、AI 的运行基础、生成式 AI 的技术内核、应用场景、风险隐忧、以及未来展望，都用非常浅显易懂的语句和图像展示，做了逻辑清晰的陈述，能够帮助阅读者快速了解生成式 AI 的基础面貌。但书中对决策式 AI 涉及运行基础方面的表述，个人认为还不太精准。我理解，其实书中所说的决策式 AI 就是符号主义 AI，或专家型 AI，生成式 AI 就是连接主义 AI，或神经网络型 AI。

不错的一本书，可以说我对生成式人工智能有了全新的理解，由衷的感叹 AI 正在各个方面影响着我们的生活生产方式，

搜索了很多书，这本书最让我满意，看完这本书对于 AI 基本有个概念了，知其然也知其所以然。作者的参考资料多达 136 篇，可以感觉的出来作者的用心。另外也推荐万维刚老师的《拐点》，可以结合一起看看，万老师是从另一个角度写的 AI。

初步了解 GAN、transformer、gpt、diffusion 模型的差异。GAN，对抗模型，基于递归神经网络，两个模型进行对抗决策 transformer，深度学习模型，并行计算能够处理序列 GPT，基于 transformer 模型进行预训练

本书在介绍模型的底层逻辑方面有很多内容，很值得阅读学习。产业介绍全面。

本书适合快速阅读，可以对 AIGC 的技术原理以及应用形成一定认知。其中最精彩且适合精读的部分是技术原理讲解部分。它对深度学习相关模型的技术原理，进行了简要概述，可以比较低成本了解它们之间的关系、原理以及应用。比如卷积神经网络主要由四层组成：输入层、卷积层（负责提取图片的每个区域特征）、池化层（负责将一张图片的所有区域进行池化）以及全链路层（负责将所有池化后的特征图片进行串联起来，形成可识别的序列向量），它适用于图片识别与应用；比如循环神经网络，主要解决多轮连续性对话的记忆问题，适用于音频、文本对话等；比如 GAN: 对抗预训练网络，主要解决无监督学习的自我标记。比如序列到序列、注意力机制、Transferorm 等

人工智能取代的不是从业者，而是落后的生产力，拥抱 AI，赋能自己！AI 的基础在于数据，核心在于模型，实现在于算力，具体应用在于业务场景。

最喜欢底层逻辑那章。理解底层逻辑，才能判断 AIGC 的能力上限和优势及劣势。才能筛选出最适合的应用场景。

ai 的底层逻辑讲得很好。

不错的 AI 理论与应用科普书

介绍性内容有点，可以当做开眼界的来图吧