> 👀[**日报&周刊合集**](https://mp.weixin.qq.com/mp/homepage?__biz=Mzg2OTYyMTcwMw==&hid=2&sn=51f7bead52c41447cd0ecb3d57b884e7) | 🎡[**生产力工具与行业应用大全**](https://www.showmeai.tech/tutorials/85) | 🧡 点赞关注评论拜托啦！ ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/fe42a8e5f67b47f9a8e6e9746e70c9a5~tplv-k3u1fbpfcp-zoom-1.image) ## 🤖 一则AI工程师招募信息：新领域需要新技能 ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/800332670c9448cf8b76cb575c63cc28~tplv-k3u1fbpfcp-zoom-1.image) Vision Flow (目的涌现) 是一家基于 AGI 原生技术的创业公司，是全球探索AGI原生应用的第一波船队。创立初期获得李想、曾鸣、Yeahmobi等知名机构投资。最近，其创始人 **@刘夜** 在社交媒体中发布了一则招聘信息，不管是否应聘都可以看一下JD，了解新岗位的技能需求。 > 岗位：算法工程师、高级后端开发工程师 > > 工作地点：北京朝阳区望京 > > 薪资：面谈 > > 发送简历至： > > 邮件主题格式为：即刻+应聘岗位+姓名 [**⋙ 即刻@刘夜**](https://web.okjike.com/originalPost/64d5b5696f1630acafde52e2) | [**Vision Flow 官网**](https://visionflow.ai/) ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/24537a919438415f8e6d45b3fa64cd96~tplv-k3u1fbpfcp-zoom-1.image) ## 🤖 雷军：小米大模型技术主力突破方向是「轻量化，本地部署」 ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/9c0371ae035b40afbc93625d09b4097b~tplv-k3u1fbpfcp-zoom-1.image) 8月14日晚，小米创始人、董事长雷军的第四次年度演讲「> 成长> 」在国家会议中心举行。在3小时的演讲和年度新品发布中，雷军分享了过去30多年经历的几次关键成长和感悟，并宣布**小米科技战略升级：深耕底层技术、长期持续投入，软硬深度融合，AI全面赋能**。同时，小米积极布局人工智能，全面推进大模型研发和落地，选择「**轻量化，本地部署**」作为小米大模型技术主力突破方向，并在现场正式宣布手机端侧大模型初步跑通，部分场景效果媲美云端。此外，小爱同学也升级AI大模型，并开启邀请测试 [**⋙ 阅读全文**](https://mp.weixin.qq.com/s/xbsVTWvUzYOmZFbosvdneA) ## 🤖 科大讯飞发布「讯飞星火认知大模型V2.0」 ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/5fddd611f5974e2790bbce68e4883fef~tplv-k3u1fbpfcp-zoom-1.image) > 8月15日，科大讯飞举办了主题为「解放生产力，释放想象力」的发布会，宣布星火认知大模型升级为 V2.0 版本，重磅发布了**代码能力**、**多模态能力**，分享了其在教育、办公等领域商业落地进展，并将同步发布星火语伴2.0、星火教师助手、AI学习机的「AI创意画板」/「AI编程」等新功能。根据发布会的介绍和实时演示，讯飞星火V2.0已具备**代码生成、代码补齐、代码纠错、代码解释、单元测试生成**等能力，多模态能力已实现**图像描述、图像理解、图像推理、识图创作、文图生成、虚拟人合成**等功能，并在生态内聚集4109支开发者团队，创建了7862款星火助手 [**⋙ 了解详情**](https://mp.weixin.qq.com/s/NXUjpq225EaaPeB3iLqUFg) ## 🤖 首个生成式AI监管文件，今天（8月15日）起施行 ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/a136d6ad014d4cc29a1458e9010c003b~tplv-k3u1fbpfcp-zoom-1.image) 8月15日起，《生成式人工智能服务管理暂行办法》(以下称《办法》) 开始施行，这也是**我国首个针对生成式人工智能产业的规范性政策**。《办法》界定了生成式人工智能技术的基本概念，规定了生成式人工智能服务提供者的制度要求，为生成式人工智能的健康发展指明了方向： > 1. 坚持发展和安全并重，对生成式人工智能服务实行包容审慎和分类分级监管 > > 2. 明确适用对象和范围：适用于向境内公众提供AIGC服务，对大量垂直领域如科研、工业应用等场景排除适用范围 > > 3. 以鼓励产业创新和发展为重，明确生成式人工智能技术发展路径和重点方向 > > 4. 搭建人工智能全生命周期监管体系，对数据、算法等业务适度“松绑” [**⋙ 微信阅读全文**](https://mp.weixin.qq.com/s/TztAWbEJmA3qBCiLgvZMyg) | [**专家解读**](https://mp.weixin.qq.com/s/FERv605YrGK2Wie0kpFf5g) ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/d96a241fb43b4b25add59b9192d0a8d4~tplv-k3u1fbpfcp-zoom-1.image) ## 🤖 一份AI开发者的工具清单，60+工具帮你效率UPUP！ ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/42d420ee16c54753808cfee760e1b476~tplv-k3u1fbpfcp-zoom-1.image) 最近逛 GitHub 发现了一份非常棒的工具清单，汇总了面向开发人员的 60+ AI工具。将工具的名称、链接和简介等信息分类如下，非常值得收藏~ ### 🔔 集成开发环境 IDEs > - **Cursor**（）: 具有聊天、编辑、生成和调试功能的IDE。从VSCodium分叉，因此界面类似于VS Code。使用OpenAI。 > > - **Mutable**（）: 基于Web的IDE，与聊天机器人和GitHub集成。 ### 🔔 助手 Assistants > - **Replit Ghostwriter Chat**（）: 内置于 Replit 的助手，具有聊天、主动调试和自动补全功能。使用 OpenAI 进行聊天，并使用 replit-code-v1-3b（OS）进行自动补全。 > > - **GitHub Copilot X**（）: 带有聊天、拉取请求文本生成和单元测试生成功能的 VS Code 扩展。 > > - **Refact AI**（）: 开源助手，具有聊天、补全、重构和针对代码库的细调功能。适用于 VS Code 和 JetBrains 的扩展。 > > - **Codeium**（）: 带有自动补全、自然语言搜索和聊天功能的助手。适用于包括 VS Code、JetBrains、Neovim、Vim、Emacs、Eclipse、PyCharm 和 Xcode 在内的 21 个编辑器。企业版包括针对代码库的细调功能。 > > - **Continue**（）: 带有聊天、重构和代码生成功能的 VS Code 扩展。可编辑多个文件并代表您运行命令。 > > - **Blackbox**（）: 带有自动补全和聊天功能的 VS Code 扩展，包括指向在线编码参考的链接。 > > - **Source Graph Cody**（）: 带有聊天、重构和单元测试生成功能的助手。适用于 VS Code 和 IntelliJ 的扩展。 > > - **Quack AI**（）: 用于遵循项目编码规范的 VS Code 扩展。等候列表。 > > - **talk-codebase**（）: 具有仓库上下文的命令行聊天机器人。支持 OpenAI，以及通过 GPT4All 本地运行的LLM。 > > - **Magnet**（）: 基于 Web 的聊天机器人，以仓库和问题为上下文。 > > - **Adrenaline**（）: 使用人工智能和 AST 来回答关于代码库的问题的基于 Web 的聊天机器人。 > > - **Tabby**（）: 开源的、自托管的代码补全助手。适用于 VS Code 和 Vim 的扩展。 > > - **Tabnine**（）: 开源的、自托管的代码补全助手。适用于包括 VS Code、IntelliJ、Neovim、Eclipse 和 PyCharm 在内的 15 个编辑器。 > > - **CodeSquire**（）: 为 Google Colab、BigQuery 和 JupyterLab 添加自动补全功能的 Chrome 扩展。 > > - **CodeMate**（）: 用于调试和优化代码的 VS Code 扩展。 ### 🔔 Shell助手 Shell assistants > - **AskCommand**（）: 使用人工智能自动从文本生成 Unix 命令的基于 Web 的工具。 > > - **Butterfish**（）: 在您的 shell 中嵌入 ChatGPT 以提供方便访问的命令行工具。包括简单的自主能力。 ### 🔔 智能体 Agents > - **Smol Developer**（）: 通过CLI代理根据提示生成存储库。使用OpenAI和Anthropic。 > > - **Aider**（）: 通过CLI助手和代理生成更改和提交到存储库。使用OpenAI。 > > - **Mentat**（）: 通过CLI助手和代理对存储库进行更改。 > > - **GPT Engineer**（）: 通过CLI代理根据提示生成存储库，并提问澄清问题。 > > - **GPT Migrate**（）: 通过CLI代理将全栈应用程序从一种语言或框架转换为另一种。使用GPT-4 32k上下文。 > > - **GitWit**（）: 用于向Git存储库的全栈应用程序添加功能的基于Web的代理。 > > - **DemoGPT**（）: 具有Llama 2的强大力量的自动生成AI应用程序生成器 > > - **DevOpsGPT**（）: DevOpsGPT基于AI的软件开发自动化解决方案 > > - **Second.dev**（）: 用于向全栈应用程序添加功能的平台。 > > - **Factory**（）: 用于代码生成的代理。等待中。 ### 🔔 应用生成器 App generators > - **Pico**（）: 具有即时部署的端到端微应用生成器 > > - **Literally anything**（） : HTML和JavaScript Web应用生成器。 ### 🔔 代码片段生成器 Snippet generators > > - **CodePal**（） : 一个用于快速生成或重构代码的Web工具。 > > - **AI Code Convert**（） : 一个用于在编程语言之间转换代码的Web工具。 > > - **AI Code Playground**（） : 用于重构和改进代码的Web工具。 ### 🔔 文档 Documentation > - **Trelent**（）: 一个用于生成文档字符串的VS Code扩展。使用专有模型。 > > - **Docify**（）: 一个用于生成文档字符串的VS Code扩展。 > > - **Mintlify Writer**（）: 一个用于生成文档字符串的VS Code扩展。 ### 🔔 持续集成机器人 Continuous integration bots > - **BitBuilder**（）: 一个用于从问题生成拉取请求的GitHub集成。 > > - **Sweep**（）: 另一个用于从问题生成拉取请求的GitHub集成。 > > - **Code Review GPT**（）: 用于审查PR的开源工具。可以作为GitHub动作、Gitlab CLI或本地工具使用。 > > - **Nova**（）: 一个用于为新的PR添加摘要和测试等操作的CI机器人。 > > - **CodeRabbit**（）: 可定制的CI工具，用于为PR添加摘要和代码建议。 ### 🔔 Code generation: 代码生成 > - **Magic**（）: 该公司承诺推出两款产品，一个助手和一个基于代码训练的底层基础模型LTM-1。等候名单。 ### 🔔 智能体平台 Agent platforms > - **E2B**（）: 用于托管基于LLM的代理的开源云平台。支持Smol Developer。 > > - **Morph Rift**（）: 开源的VS Code扩展，允许合并代码生成代理的输出。 > > - **SuperAGI**（）: 用于托管基于LLM的代理的开源平台，包括SuperCoder。 ### 🔔 OpenAI插件 OpenAI plugins > - **ChatWithGit**（）: 允许ChatGPT搜索GitHub并返回相关存储库的链接。 > > - **Code ChatGPT Plugin**（）: ChatGPT插件的开源示例，从文件目录中提取上下文。 ### 🔔 搜索 Search > - **Bloop**（）: 用于存储库的自然语言搜索。 > > - **Buildt**（）: 用于存储库的自然语言搜索。 ### 🔔 测试 Testing > - **OctoMind**（）: 自动维护和生成的基于浏览器的端到端测试，集成到Github Actions，Azure DevOps等。 > > - **Traceloop**（）: 利用开放遥测跟踪数据和生成的人工智能来提高系统可靠性。 > > - **Carbonate**（）: 使用自然语言进行端到端测试。与现有的测试套件集成（目前支持Jest，PHPUnit和Python的unittest）。 > > - **Meticulous.ai**（）: 自动生成、自动维护的端到端测试: 随着应用程序的发展，测试套件也随之演变。 > > - **DiffBlue**（）: 为Java自动生成单元测试 [**⋙ GitHub**](https://github.com/jamesmurdza/awesome-ai-devtools) ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/3861cfa9cdbd4fe0a953a9b6292b5c15~tplv-k3u1fbpfcp-zoom-1.image) ## 🤖 使用AI工具「bloop」读懂「Webpilot」插件源码，再高效教会我 ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/62dd4fff233341fdb48f1bf26ee947eb~tplv-k3u1fbpfcp-zoom-1.image) > **Webpilot** 是一个浏览器插件,允许用户对网页内容进行自然语言提问，并自动生成回答。 > > **bloop**是一个面向软件开发者的AIGC工具，可以回答关于代码库的问题，核心技术是 embeddings——将代码块映射为向量，然后检索向量之间关联度最强的内容来回答问题。但是 bloop 不了解代码之间的依赖关系，在提问时需要提供足够上下文，才能得到准确回答。作者在这篇文章中展示了如何使用 bloop 工具来分析 Webpilot 的源码：通过逐步深入的技术思路，先用 bloop 对项目做整体的概述，然后再针对关键功能细节继续提问，逐步让 bloop 解释代码的具体逻辑。核心流程如下： > 1. 首先需要在 bloop 中绑定 Webpilot 的代码仓库，让 bloop 对代码进行向量化表示 > > 2. 然后可以就项目整体提出一个概述性问题，如"简单介绍下这个项目"；这可以让 bloop 对项目有一个大致的了解 > > 3. 在得到项目简介后，可以询问一些关键功能的实现，如"与网页进行自由形式对话"是如何实现的；bloop会指出相关的代码位置 > > 4. 根据 bloop 提供的代码位置，可以继续询问该代码的详细作用和逻辑；bloop 会尝试解释代码含义 > > 5. 在理解了一个功能点后，可以继续问其他功能的实现代码在哪，并重复上述过程逐步深入 > > 6. 当对全部关键逻辑都进行了解析后，就可以比较系统地理解该项目的代码实现了 > > 7. 在提问时，需要提供足够具体的上下文信息，而不要只问一些过于概括的问题 > > 8. 如果bloop的回答不对或不全，需要修正提问方式提供更多上下文线索 [**⋙ 思否@卡颂**](https://segmentfault.com/a/1190000044067958) ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/75e853662492410da37a11ea7fb46ae8~tplv-k3u1fbpfcp-zoom-1.image) ## 🤖 为什么开发者应该多关注海外市场？ ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/86be5b0ce1114c3a8eb8efcdf9a7c017~tplv-k3u1fbpfcp-zoom-1.image) 最近AI社区里「独立开发者」「大模型开发者」话题的关注度很高，也频频提到「出海」这个话题。这篇文章可以算是「开发者出海」相关内容的科普文，读完就大概能了解为什么大家都在关注这个方向。 > 1. **不存在足够的空间给个人/小团队做独立产品存活**。分析了Slack在美国成功上市，但在国内却难以存活。原因是BAT等巨头互相竞争，都想占领流量入口，不愿意有其它独立产品出现。国内生态封闭制约，不利于小团队参与竞争。 > > 2. **需求验证或者叫「试错」成本高**。分析了国内要上线产品需要经过繁琐的审批、备案等程序，验证需求的门槛很高。而海外上线产品门槛低，可以快速试错验证需求。国内完成公司注册等流程也耗费大量精力和时间。 > > 3. **推广渠道少 && 门槛高**。分析了国外有更多免费推广渠道如 ProductHunt 等，用户反馈真诚；国内推广渠道少，用户不友好。付费推广国内门槛高，但海外可以低成本推广。 > > 4. **商业化选择少**。分析了国内用户习惯免费产品，不愿付费，盈利难。海外用户付费意愿强，小产品解决痛点也能获支付。付费用户更看重产品，免费用户难以满足 [**⋙ 掘金@强生**](https://juejin.cn/post/7224400777216720952) ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/a5e51d5e81674ad6aa20c4dd7c95d5e4~tplv-k3u1fbpfcp-zoom-1.image) ## 🤖 斯坦福CS324「大语言模型 (LLM)」，好品质专题好课 ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/0b8b644228734e4bbe358d5808261cb9~tplv-k3u1fbpfcp-zoom-1.image) 语言模型的规模在快速增长，这不仅带来了全新的模型能力，对社会发展也产生了重大影响，而且也带来了可靠性不高、社会偏见、产生语气攻击、生成虚假信息等诸多风险。 CS324 - Large Language Models 是斯坦福 Winter 2022 的新课程，系统讲解了大语言模型的原理和开发，并深入探讨了上方的话题。通过这门课程的学习，学生可以对大型语言模型有全面的了解，掌握技术细节，并能对语言模型进行批判性思考。 > **Introduction** > > - AI定义：让机器具有与人类相似的智能功能 > > - 语言具有创造力、组合性和交流性等特点 > > - NLP发展历程：规则方法、统计方法、神经方法 > > - 神经网络崛起：计算能力提升，大规模标注数据 > > - 词向量捕获语义信息，seq2seq模型实现端到端学习 > > - 基础模型：可微、可优化的大规模预训练模型，适用于下游任务 > > - GPT-3示范基础模型的潜力：通过提示完成各种下游任务 > **Capabilities** > > - 语言模型任务：预测文本的联合概率或下一个词 > > - GPT-3在Penn Treebank语言建模任务上优于SOTA > > - GPT-3在LAMBADA长距离依赖语言建模任务上也优于SOTA > > - GPT-3在HellaSwag常识推理任务上接近SOTA > > - 在问答任务上，GPT-3零样本表现不佳，少样本效果更好 > > - GPT-3零样本机器翻译质量不高，少样本可达到SOTA > > - GPT-3可用于简单算术问题，但不“理解”数学 > > - GPT-3可生成几乎无法区分的新闻文章 > > - GPT-3可适应新词使用和纠正语法错误等新任务 > **Harms I** > > - 定义AI：智能因子、代理的集合 > > - AI安全关键问题：价值观对齐、 interruptibility、透明度 > > - 价值观对齐：使AI行为符合人类价值观 > > - 可中断性：人类可随时停止/修改AI系统 > > - 透明度：人类可理解AI决策过程 > > - 狭义AI：专注特定任务，更易控制 > > - 强AI目标：具有人类水平跨领域智能 > > - 具体做法：强化学习、规范、监督 > **Harms II** > > - 性能差异：不同人群的准确率存在差异 > > - 社会偏见：生成文本带有刻板成见 > > - 引起伤害：生成攻击性内容 > > - 造假信息：生成误导性内容 > > - 内容审核：平衡言论自由和安全 > > - 缓解危害：数据处理、模型设计、部署监管 > **Data** > > - 数据获取：Common Crawl、社交媒体 > > - 数据处理：去重、分词、清洗 > > - 数据标注：Mechanical Turk、竞赛 > > - 弱监督：无标注数据的监督信号 > > - 自监督：从数据中自动构建监督信号 > > - 数据质量：覆盖范围、样本大小、注释质量 > > - 数据偏差：历史数据中的社会偏见 > > - 隐私：个人敏感信息泄露 > > - 版权：未经授权使用受版权保护数据 > **Security** > > - 模型逆向：从模型输出推断训练数据 > > - 成员推断：判断样本是否在训练数据中 > > - 数据提取：从模型内提取训练数据 > > - 毒化攻击：注入对模型产生不利影响的数据 > > - 欺骗攻击：对测试样本做微小变化来欺骗模型 > > - 后门攻击：使模型对特定触发输入产生错误输出 > > - 对抗防御：鲁棒性训练、差分隐私等方法 > **Legality** > > - 版权法：规定数据使用权利义务 > > - 合理使用：允许未经授权有限使用版权作品 > > - 隐私法：规定个人信息使用权利义务 > > - 其他法律：规范AI系统应用和部署 > > - 伦理规范：行业和组织自律守则 > **Modeling** > > - 分词：将文本切分为词单元 > > - 编码器：生成文本表示，适用于分类 > > - 解码器：顺序生成文本，适用于生成 > > - 编解码器：编码输入并解码输出 > > - 注意力：软查询表，实现全局依赖 > > - Transformer：编码器解码器统一架构 > > - 位置编码：表示词在序列中的位置 > **Training** > > - 语言模型损失：最大化联合概率或交叉熵 > > - 预训练目标：遮蔽语言模型、下一句预测等 > > - 优化算法：SGD、Adam、mixed precision > > - 学习率：warmup和降低学习率 > > - 正则化：dropout、weight decay > > - 初始化：控制参数尺度，增加模型可训练性 > **Parallelism** > > - 数据并行：数据划分到不同计算节点 > > - 模型并行：模型划分到不同计算节点 > > - 流水线并行：不同模块串行计算 > > - 参数服务器：跨节点共享参数 > > - 分布式训练：协同高效地完成预训练 > **Scaling laws** > > - 模型规模：随着参数量增加，性能提升 > > - 数据规模：随着训练数据增多，性能提升 > > - 计算规模：随着FLOPs增加，性能提升 > > - 递减收益：扩展规模带来的收益递减 > > - 外推预测：预估未来性能提升趋势 > > - 建模规模法则：数学公式描述规模与性能关系 > **Selective architectures** > > - 混合专家：根据输入激活部分专家 > > - 稀疏混合专家：每个样本只使用少量专家 > > - Switch Transformer：每个样本只使用一个专家 [**⋙ 学习课程**](https://stanford-cs324.github.io/winter2022) > 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**](https://mp.weixin.qq.com/mp/homepage?__biz=Mzg2OTYyMTcwMw==&hid=2&sn=51f7bead52c41447cd0ecb3d57b884e7)，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**](https://www.showmeai.tech/tutorials/85)，一起在信息浪潮里扑腾起来吧！