作者归档:polo

霍乱时期的爱情

SARS期间没看,新冠3年也没看,新冠结束了,发现手头有电子版,就陆陆续续看完了。

叙事和句式,比百年孤独方便阅读很多。当然了,按之前看的一篇评论马尔克斯的的文章说,是马尔克斯喜欢用大量的有节奏的短句,故而在西语区读者接受度高,而汉语翻译要把握这些短句难度也低,所以译文失真的地方可能就只有原文在西语中的音韵和部分节奏了。

还是哥伦比亚的故事,但比起百年孤独要少了魔幻现实主义的气息,姑且可以当成现实主义的叙事了。

霍乱横行的数十年间,到底对故事的推动产生了多大的作用,感觉很低,一直到最后,两人让船长挂霍乱旗赶其他旅客离船,好享受寥寥数人的(无尽)旅程。

最终还是一个隐喻,医生代表着一种社会正道,去克服霍乱,医生死后,妻子和对其暗恋一辈子的老单身汉爱情重新复活,反而借助这霍乱,离经叛道,奔赴没有结果的自由。

但作者还是给了他们一个宽恕的背景,两人其实都行将就木了,离开社会的束缚,也是可以画上句号的。

图解人工智能

这本书是跟着贵系二代群一起团购马老师的亲笔签名版本。

马老师在贵系一直人气和口碑都不错,也确实是人工智能方面传道授业的老师。

这本书总体来说还是通俗易懂,前提是要有较扎实的中学数学知识,理解会简单很多。

由于是初版,会有一两个错字。

也适合家长带着小学高年级到初中的小朋友一起看。

情商提升手册

这本书并不像书名那样低端,在建立及解释其理论的同时,也搭配了不少案例和文学经典(比如莎士比亚)加强对各种性格、情商模式的理解。

也给出了不同情商模式在面对不利于自身的场面、情景下的修正的建议。

对于文学经典为何可以直接拿来用,毕竟这是生活和工作的真实场景啊。我想是这样的,莎翁的作品能流传至今,一方面是对人性的深刻理解,另一方面是它本身也参与塑造了当今人类的性格,所谓对号入座,这是阅读者避免不了的。

所以经典角色的分析无疑比其他作者虚构的人物/场景更容易让读者理解。

蝴蝶

看了一下《午夜蝴蝶》的剧情,然后把这翻出来看。廖国香的那个故事算是最有意思的,只是编剧和导演没把她的真正身份摆出来。

廖国香出场时带着女儿佳佳和保姆一起搬到公馆去住,原因是丈夫金先生经济出了问题,跑路了,所以她也搬走,避免纠缠。

后来丈夫传来死讯,廖国香就又被夫家的人索要抚恤金分配。

这一段断断续续,语焉不详,其实也是颇可疑的,但因为邻居陈律师参与了她和夫家之间的官司,让大家觉得事情就是那么个事情。

另一个可疑点是,廖国香女儿佳佳和保姆喝了陈律师太太送来的毒鸡汤,死去了。然而廖国香表现太平静,看不出来失去亲生骨肉的痛苦。

廖国香代管了陈律师的公司股票,然后拨了个电话给一家财务公司,说是之前也处理过,意味着她是有变卖他人资产/洗钱的经验的。

再到后来,也就是多年后,廖国香带着叫她妈妈的小男孩(是房东刘先生的儿子大宝吗?一直没长大?)和保姆回到上海。

细思恐极的地方就是,这从头到尾都是一个局,廖国香带着一个小孩和保姆,打造自己是年轻(贵族)寡妇的人设,博取有钱人的好感(女的是同情,男的是有想法),逐步找机会骗取他们的钱财,然后凭空消失。

同时能骗到多个男人又能安全离开,很难说她是一个人就能做到,必然是一个团体犯案。

近期AI…5

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

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

  1. 应用范围:定义使用场景与用例
  2. 模型选择:选择现有基础模型或预训练自己的模型
  3. 模型适配和模型调整:Prompt Engineering + 知识增强 + 微调 –>评估效果
  4. 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。

鸟儿不惊的地方

睡前读物,无论时间还是空间上,有人烟的极地地区的游记,都很接近于那种和史前人类之间的交流,而宗教和文化对这些化外之民、或边缘地区的影响,在作者讲来,很有魅力,印证着圣彼得堡的主流观点的对或错。千百年来的渔/猎,又被工业革命带来的工具所影响,这些化外之民事实上是可以和南方来的“贵人”们有交流基础的。

当然也得益于作者的文笔和他研游的态度。如果你说跟《瓦尔登湖》怎么比,那么,梭罗注重的是个人和内心,普里什文则在不影响原生态的基础上用旁观者去叙述,或者复述。

书是把鸟儿不惊的地方和魔力面包合在一起。两个文集隐含的是人(及原生社会)和自然之间的和谐的道,至于生命的互相伤害,比如渔猎,也是其中的道,不要过多带入文明社会的窠臼。

读起来真舒服。