海尔的case
看起来海尔是AWS的一个大客户。展示了AIGC的几个例子：
- 文生图（没看明白跟海尔的产品有什么关系）
- 图生图，通过输入设计线稿，生成产品概念图
- 批量图，用于家装的，从3D数据到效果图
- 全场景图，生成产品图、营销图
主要受益是加速设计。
西门子的case
内部业务助手，以及打通业务数据分析的平台。
店匠科技的case
产品模特图的生成（真人模特图替换模特与背景场景）
总结的几个难点有点意思，比如：服装区域的精准分割，残缺人台的骨骼检测优化，精准控制生成过程
标签归档：AI
近期AI…4
企业在介入生成式AI应用时会思考的问题，这一页归纳得挺好，当然了，这也是来参加这个会的目的吧？
- 什么样的User Case真能帮到业务？（重点是“真”）
- 如何衡量一个生成式AI User Case的成功？（投入产出，未来，明的利益，暗的优势等等）
- 如何选择大模型去构建应用？（企业自身必须要有靠得住的AI咨询方）
- 如何保证企业私有数据不被大模型吸收？（这些问题开始就有较多的技术解决方案了）
- 我们缺乏高质量的数据怎么办？（买吧，但是还是要有质量标准）
- 构建生成式AI应用工程化的挑战有哪些？如何克服？
- 如何去购买xx加速去做生成式AI User Case的实验？（还是实验，现在让资本市场很短视的，不大允许费资源只是做个实验）
- 模式适配/调优，Prompt Engineering/RAG/Finetune用哪种方法合适？（细节，专业的问题，还是要有专业咨询或内部专家）
- 如何设定Guardrail（护栏）为负责任的生成式AI应用？（先把合规性准备好）
- 构建生成式AI应用需要团队的Skills有哪些改变？（目前的回答是有的，但是答案本身也在动态更新中）
不得不说，是不是刻意留了不少英文单词在里面，导致读起来不大爽。
接着是讲端到端构建AIGC应用的关键路径：
- 应用范围：定义使用场景与用例
- 模型选择：选择现有基础模型或预训练自己的模型
- 模型适配和模型调整：Prompt Engineering + 知识增强 + 微调 –>评估效果
- 应用程序集成：部署模型及运行推理 –> 构建由基础模型驱动的应用程序
几种适配调整的成本与效果的排列，原图是平面坐标图，改成顺序排列：
- 成本：RAG < Prompt Engineering < 预训练 == 微调
- 效果：PE < RAG = 微调 < 预训练
预训练当然好，但优质数据贵啊
AIGC的业务风险：
法律/监管/偏见/幻觉/隐私保护/问责制/业务透明度/滥用/有害内容/知识产权保护
ISV和SI就不罗列了。天天变的东西。
AIGC工程化“最后三公里”的挑战：
UI用户界面开发（用户体验） / 工具链 / 模型调优（持续的？） / 数据工程（提取、清晰、治理、数据模型） / 云基座（这里就涉及到AWS提供的系列支撑了）
近期AI…3
AWS中国区组织了这个生成式AI的高管峰会，其意义在于将他们在AWS上做的AI IaaS及PaaS介绍给之前用云服务不错的客户，一起来挖掘更好的AI SaaS，达到双赢。
基于对AWS发展历程的了解，我相信如果纯粹做SaaS的话，应该不用担心AWS的抄袭问题。
Gartner的演讲嘉宾上来，肯定是标准的Hype Cycle了。
没有细看各种技术点的位置，感觉Gartner已经入魔了，什么行业都搞Hype Cycle，网上一搜，经常有新的图出来，有些位置感觉就是拍脑袋了。
Gartner将AI技术栈格局分成四层：模型——工程工具——应用领域——基础设施和支持
AWS自然是基础设施和支持这一层，而应用领域，是在座的去挖掘，前面两个，有太多AI团队在做了。
企业对AI的关注：
保护投资：AI信任、风险、安全管理（即用AI来增强企业安全）
开发者增强：用AI来增强开发能力
交付价值：AI自动化增强互联劳动力
这三个领域有交错需要有：行业AI云平台、智能化应用、可持续的民主化生成式人工智能
讲得能理解，但原PPT有点诘屈聱牙。
以零售行业为例，AI已经产生的作用：提高生产力、节约成本、提高用户体验、驱动新产品开发、提高准确性、改进型号。
机遇（其实也有不少新的case了）：增强搜索向上营销、助理招聘入职、社交媒体情绪分析、供应链优化、增强文本（文案、话术）
制造业方面的也一样是老生常谈（至少对我来说）……不罗列了。
对于生成式AI，建议关注的层面，除了技术栈四个层面之外，
风险与价值：注意偏见、过度投资、合规风险
自研与生态：寻找生态系统中的合作伙伴、培养内部专家
（未完待续）
近期AI…2
国内怎么用Open AI的问题
微软和亚马逊都陆续给出相关的答案，使用还是不难的，只要你是Azure或者AWS的正式的商用客户，自然就可以使用±Open AI或者AWS预建的AI平台进行二次开发。
多模态技术
对于不同的AI能力，称之为多模态，多模态相当于人的几种感官：分别处理图像／视频，音频，文本理解。大模型如人的大脑，存储知识并推理，多模态则五官，接收和融合信息，两者结合才是通用AI的发展。
智能体Agent
讲者说智能体是手，其实当时听就觉得不对，智能体是通用AI的多个分身，每个分身处在不同的工作环境下，处理不同的工作任务。这也是我之前提及元宇宙的未来：AI让人类个体可以在不同元宇宙有其分身，个体的财富和能力体现不同元宇宙中的能力。
AI时代设计思考
产品与用户时间的交互会倾向于多模态的方式，而不仅仅是自然语言或图形界面的方式；
大模型时代的产品会融合AI 1.0的千人千面和AI 2.0的生成式特性；
要构建不断增长的数据飞轮，通过数据驱动产品运营全过程。
AI大模型要继续压缩以适应端部署（独立AI）
近期AI…1
近期参加了一些AI的会议，也看了关于Open AI新的发布会的一些内容，大概整理下。
1024翌日参加了深圳程序员节的一个讲座，其中印象深刻的是华为的某博士介绍其CodeArts，之前还有一位同济大学的教授在讲AI带来的工程/工作范式的变革，一并节录并解读：
软件即模型
如SaaS一样，SaaM（软件即模型）也逐渐普及起来，大模型或垂直模型可以完成一系列大型软件，比如：回答问题、翻译、写作、摘要、分析诊断、预测、图像搜索、文生图、语音合成、视频解读等等。
跟SaaS集中在修改软件的商业模式不一样，SaaM更多是重构了软件生成的方式……
当然了，未来SaaM也有传统软件开发的壳在外面，也可以如SaaS那样根据使用付费。
常态化的人与AI的交互
交互常态化后，人类的经验将持续引导LLM的升级，上下文明确、反馈以改进、协助LLM学习、调优控制、结果审查。
不过我觉得这样还是太费人了。
新的工作范式
这个范式是一种对人比较好的假设：人的角色没变，每个人都有一个强大的AI助手，而工作团队变小了，能做事更高效。
助手的能力包括但不限于：BA助手、架构咨询、UI设计助手、编程/测试/部署/发布助手、AIOps、技术支持、客户服务助手。
对于内容生产而言，则有一个新的范式：模型+数据=生产
软件工程3.0
可以用自然语言（prompt）来编程了，架构或传统编程概念也就是一句话的事情，编程效率将提升，AI也将渗透到软件工程的各个场景。
华为也籍此介绍Code Arts的能力。
生成：代码、测试用例、注释、移植
问答：知识、代码调试、代码解释、检查与修复、代码检视、代码优化
协同：研发工具协同、云服务调用、Code Interpreter、Low Code协同
集成测试：测试脚本生成、用例文本优化、测试序列生成、测试日志总结与分析、测试设计辅助
运维：日志埋点、日志模板提取、故障报因分析
虽然华为说的很大很多，但以我对华为和做AI的团队的理解，他们大概率是没有把工程团队的经验和Code Arts真正结合的……
所以感兴趣的可以试用一下。
数字达尔文主义
Digital Darwinism
先抄一些meme代替阅读过程的体会吧：
要理解技术产生的背后的意义，而不是技术本身。
新技术应当应用与业务核心core，而并非边沿edge。（感觉大多数保守的公司都只愿意将新技术用在edge业务上，避免风险）
人们通常低估了技术应用的深度，高估了短期影响，也低估了长期影响。
转型中最大的忧虑是，何时采用新技术，要不要再等等，等更好更完善的（这跟买手机、买电脑有点像）。
旧的会议方式难以评估错过新技术/思想的损失，所以财务去主导转型不合适。
技术是转型的背景，而不应是主导，人们需要的是解决方案，而非技术本身。
几个采用新技术的思路：
- 自我中断，比如Netflix，直接把租DVD的客户转成订阅流服务的客户，大胆、冒险。
- 持续重新发明、改善、创新、补全，比较低的风险，一点点自我革新。
- 原有业务不变，投资新业务应用新技术
- 投资对冲基金
应用AI的策略上，作为公司，应有精心设计的战略，而不是在边际上进行小实验。
套用已有模型不会有明显的成功，大脑中的模型要革新，不应该是之前的XXX，直接修改成数字时代的XXX、人工时代的XXX。
目前看到AI的应用，只是取代人类原来的工作（岗位、职责），将失去真正转型的意义。要考虑改变企业架构（为前提），考虑做人类没有做过的事情。
忘记大数据，聚焦innate data，数据不需要多大规模，但有用且效果好。
围绕人去设计新的技术方案，而不是做了方案/产品，投钱去推广。
看完后，最大的感想是，希望能找到真正的新范式，才能利用好AI。否则，不过是让AI重复人类、取代人类而已。
两个GPT的应用
一个是Be My Eyes，这款给视障人士使用的app，本来是通过摄像头让远程的社区协助者/志愿者告知视障者视野范围的情况。GPT的应用就是，可以通过CV的分解和分析，生成相应的文本描述，告知视障者，一定程度上降低对志愿者人力的要求。
另一个是可汗学院的教学上，学生和GPT合作写故事、虚拟一个对已故人物的采访、人机对话练习，提高词汇量和使用技巧。
现在流行的悲观观点大多数是*GPT会取代人的工作，但对于教育本身来说，这些对教育手段的增强却是实在的。
The book of why
中文名是因果关系。
给的例子都比较容易看懂，是科学家和专业作家合作的书，虽然思想本身都是来自科学家。
因果识别的三个层次：观测，从而发现关联性；干涉，识别因果线条以及量化关系；反事实推测，得到确定的因果。
后面的一两章开始了对AI的期望，能理解为何不喜欢单纯的数据挖掘，因为那只是第一层的内容，做得再好也是关联性的挖掘，AI必须演进到识别因果关系，才能对人类的事情产生本质的帮助。
大数据必须寻找可解释的关系，比如AI需要理解为何（Why）主人熟睡的时候不应该开吸尘器，而不是单纯记住这一个设定。
强人工智能须主动增加更高维度的理解，不要总是在二维影响中分析明暗，而应该提高维度到三维，产生光影的概念。
AI要试图进行反事实的算法化，即对输入信息有违抗的想法。
作者倒是不觉得AI会邪恶化，相反，他认为AI在得到足够好的信息后，可做出比人类更强的道德判断。
看的时间比较长，记录比较零星，有空再看一遍中文版。
AI DJ
AI承担DJ的工作其实是很正常的，比如现在流行的音乐APP里面，其实都有AI选曲播放的频道。
更多的是，AI可以自行根据旋律创作一些背景音乐（鼓点、midi等），如能，也可以配合现场的IoT环境，控制灯光。
AI可以通过观测现场的人群的反应（CV能力），再进行播放的调整。
当然了，作为chatbot，可以接受现场客人的点唱，也可以提供虚拟形象。
传统零售店智能化 或 无人零售
首先是要考虑最小的修改，毕竟大家手里钱都不多，改动太大或者推倒重来的话，一方面是成本高，另一方面智能店真正完全成功的还不多，大多数都是概念店和体验店。
店面大小，不适宜太大，太小也不好，就考虑那种连锁便利店1～3倍的规模好了。形状规范一点。
SKU控制一下，不超过600？有更多的话，请用减法。
尽量使用现有的基础设施，比如网络，电，监控摄像头，收银台。
AI相关：做现在SKU的数据收集和采集，买也可以。训练模型–>生产环境下的重训练（比如增加或删除SKU等）
需要的硬件或基础设施：摄像头、视频处理硬件（如GPU）、QR Scanner（当然，摄像头也可以）、AI模型服务器（边缘计算够便宜也可以）
AI，其实是CV，也该考虑人脸等隐私特征的保护。
无人零售用AI的目的：
识别顾客，绑定到一个实体/虚拟的账号，并100%跟踪其店内行为
产品识别，品类、数量、状态等
前两者的关系，也就是谁拿了什么东西，多少东西
自助结账。
无人零售的退化版本就是自助售卖机、自助餐食等。