26:39 不一定要第一个做，但一定要成为第一批做的人，先做的人，会积累各种经验和资源。

1和0的区别很大，受教了。

40:30 “现在微软每天可以训练一个 GPT3”🚀

58:49 很鼓励我投身ai😭

棒棒

15:28 商汤是哪个

超级棒的一篇

14:14 体验了国内的文字类模型，文心一言的结果不太让人满意，讯飞星火结果挺棒的。

13:19 讲的太浅了，能不能请行业专业人士来讲讲。

哈哈哈快听完了才发现嘉宾是戴总，很熟的一个教授朋友是戴总在清华的室友😂

10:00 但是原创有用嘛？AI看一眼就马上能复制成99%相似的东西出来，最后会不会原创者都被当成良币被驱逐掉了呢……

58:06 57:58 80后赶上互联网，00后赶上AGI，那90后呢🙊

结尾最大的收获：别急，玩家可能还没登场

今天早上的惊喜就是硅谷101有新的一期了！

作为一个AI画图爱好者，我觉得MJ只要还是通过stablediffusion作为底层模型，那么可以说他的技术护城河并没有想象的那么高，只要有够丰富的微调经验应该是能够做到MJ差不多的效果的。但是SD的优势，比如说lora模型和controlnet我觉得是midjourney不能比拟的，而且目前的模型微调训练比如dreambooth已经没有什么门槛了。整体而言，我觉得未来AI图片生成方面应该是以提供充足的算力，更友好的用户界面，更有效的模型交互方式作为核心竞争力。而把模型训练这些方面放给用户来做，这样能够更加容易满足多元化的需求（当然目前的模型微调易用性还不好，要求你有一定的相关基础），像MJ这种，“只写prompt，剩下的交给我”，在目前AI图片生成竞争还不算非常激烈的情况下是占有优势的，但是往后却是不能保证竞争力能够维持的。

00:02 #ChatGPT#OpenAI#NewBing#Microsoft#中国人工智能#创业#困境#模仿的错误 ​ ​引用朋友 #颉华 的观点，国内从事人工智能或者投资的，没有弄明白的几个关键而又基本的逻辑点（我思考和关注点） ​ ​（1/）拿不到的内容分为几部分：芯片，主要是涉及算力问题，被禁售的芯片，不仅仅是提高算力，而是提供算力，以现有的计算能力，根本无法做到模型参数的高效更新 （2/）拿不到的内容分为几部分：训练用数据集，咱们本身拥有的数据集规模不小，但是数据质量呢？基于“大家懂，我说了，号就没了”原则，咱们自己很清楚我们拥有的数据集质量 （3/）拿不到的内容分为几部分：核心模型，GPT的升级，不是简单的算法升级，GPT一直在升级自己的参数，包括输入参数，以及参数衍生的参数，这些参数如何更新，如何优化，这玩意，GPT已经作为很核心的内容，保护起来了 #MSFT 推出的new Bing里面，已经在使用了 我们是拿不到的 不要告诉我，我们可以通过不断测试的方式获得“次优解”，不可能的，因为这些参数的耦合关系不是线性的，用测试的方式获得规则，简直就是痴人说梦

31:43 哥伦布发现新大陆这个比喻真得很形象啊

22:25 类比自动驾驶，嘉宾 yusen 对 AI 的五个级别划分 L1 : AI 没有做任何事情 L2 : AI 给信息，人做事情——比如问 AI 问题，AI给信息，人来做事情，类似chatGPT L3 : 人和ai都要做事情（copilot）——如 github copilot、midjourney 等。人和 AI 各自50%对50%；人给出Prompt，改Prompt。AI完成初稿，人在初稿的基础上改进 L4 : AI 做大部分的工作，人做决定和监督——AI 自如完成选择工具&分解任务的过程；人给出目标，人监督完成的过程，检查完成的结果是否满足要求，检查接口和计算能力的资源等。如 autoGPT L5 : 人只给目标。AI 做所有的事情并延续下去。如「冯诺依曼机器人」

部分takeaway如下： - 雨森使用AIGC工具的经验 - ChatGPT发布第二天使用就被惊艳到了，最震撼的是玩20问的游戏，见识到了ChatGPT能理解规则且有效利用二分法高效查找。 - 从2022年8月就开始使用Midjourney，到现在画了几千张，明确感受到了V4版本对于人物的优化，V5在很多细节和场景的真实度加强了很多；并且Midjourney最近发布了很重要的功能Describe，可以根据用户上传的图片生成几个可能的prompt，这个功能极大帮助到了用户创作。用户可以有效将一个构图不错的内容换一换建筑物。这也导致了游戏行业原画领域砍掉了很多美术。 - 雨森觉得ChatGPT哪里做得好？ - 语言相关包括自然语言和编程语言：很多人都用co pilot写代码，翻译、总结、改写、扩写的任务完成度都很高。 - 头脑风暴型任务：利用ChatGPT进行概括，列出来五个关键点灯类型任务。 - 真格在评估大模型做了哪些事情？ - 做出了一套评估模型大概300个问题，目前已经对外公布，但是还有很多暗题避免作弊。 - 比如，如何做麻辣螺丝刀？除了GPT4会告诉你不能吃螺丝钉，其他的大模型都胡编乱造一个菜谱。 - GPT3.5可以答对60题左右，GPT4可以答对70题，国内大部分创业公司是20-30分，商汤做到了50分。 - 对于创业公司来说，从20追到50很容易，但是50-80会很有挑战。 - 过去两个月大模型有哪些进展？ - 最开始的Chatbot本身已经很惊艳，但只相当于自动驾驶的L2。 - 第二阶段像Co-pilot, 协助人类完成一些工作，差不多是L3。 - 第三阶段像AutoGPT这样的产品会是接下来的趋势：识别一个大任务，分别拆成子任务，调动工具完成子任务，观察自己完成的结果，对结果进行反思，调整要做的任务。这个阶段相当于自动驾驶的L4。 - L5是什么呢？人给一个目标，AI也不需要监督就可以自主做完所有任务，冯诺依曼提出过类似的概念。 - 从创业的角度来说，晚做会不会比早做更有优势？比如晚做可能直接GPT4而不是3.5了 - 这是一个假设，很有可能3.5到4就是改一个api key的区别；而且从历史来看，科技领域先发优势还是占多数的。 - 对于早期创业来说，踩过坑非常重要，早期经验的差别是0和1，中后期可能是9和10。比如张小龙当年做微信的优势来源于QQ自己的技术积累，而米聊没有踩过这些坑就输了。 - 什么情况会有后发优势呢？ - 之前不知道能做出来，且花N人N钱就可以搞出来，那就很有可能很快追上了，也就是当前国产大模型的现状。当大家知道新大陆就在西边，并且一艘大船和2个月的食物就能到的时候，这些确定性信息就会显著缩减后发者的追赶时间。 - 国产大模型现在的情况是什么样呢？ - 因为现在没有一个国产的类似于ChatGPT的大模型，所以大家都在做这件事情。而美国已经不再有新的独立做大模型的公司了。以后的格局也会是三四家各有特点的大模型分割市场，可能一家擅长图像，一家擅长推理。 - 国内芯片短缺的问题是否会导致越落越远的战局？ - 是否大模型真的是百公里长跑？也可能现有算力就够了。 - 随着训练效率和方式方法提高，对芯片的需求会降低。 - 国内半导体工业还在发展，同时也寄希望于中美关系缓和。 - GPT3其实只是在一万块v100训练的，基础大模型对于芯片的需求可能被高估。但是，GPT4是在一台Azure为OpenAI定制的超算训练而成的。 - Yusen对于OpenAI的评价 - 虽然一开始是一家研究机构，但是很有PM的思维。GPT4发布的时候已经经过了几个月的合规训练，并且也没有着急发布text to picture/video的功能。如果单纯从研究机构考虑的话，OpenAI会很有动力抢头彩。 - 合规安全仍然是非常大的挑战，如果坏人利用GPT4干预大选，调用所有的语言学、心理学、逻辑的技巧去说服选民，很有可能美国总统就变了。 - 股权设置很有意思，Sam Altman是没有任何股权的，盈利主要分给了科学家。作为股东，只能从财务回报和投票权二选一。Sam选择了不要钱，要投票权。 - Yusen给年轻人的建议 - AI与前几轮的Web3 元宇宙浪潮不一样，AI就有直接的实际应用场景，提高生产力。 - 技术革命预测未来基本不准，2010年移动互联网开端很难想象到2023年字节、拼多多、小红书等公司。 - 技术革命的早期要尽早上船，技术比较成熟的时候有利于连续创业者，但技术比较新的时候有益于年轻人，保持冲劲，多用多探索。

我是某大厂游戏从业者，MJ重度用户。可以负责任的说，行业内很多人会把MJ当做创意发散的工具，SD是细化的工具。人类在这个过程中反而是修修改改复制粘贴的那个。“成为会用AGI的人”，这很重要。