期末考核-机器学习-期末考核

开源竞争：

当你无法彻底掌握技术的时候，你就开源这个技术，形成更多的技术依赖，你会说，这不就是在砸罐子吗？一个行业里面总会有人砸罐子的，你不如先砸罐子，还能听个响声。

现在ai大模型用了哪些算法？

现有的AI大模型主要使用了以下几种算法：

1. **纯粹Prompt提示词法**：

这是一种AI大模型交互的直接形式，通过模拟自然对话实现用户与AI的即时互动。它具有即时性、简洁性，适用于用户进行简单查询。

2. **Agent + Function Calling机制**：

这种架构赋予AI模型主动提问和调用函数的能力，以获取更多信息并执行特定任务。

它支持多轮交互和功能执行，适用于智能家居控制等场景。

3. **RAG（检索增强生成）**：

结合向量数据库进行检索，提升大模型解决实际问题的能力。

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了信息检索技术与语言生成模型的人工智能技术。以下是RAG的一些关键特点和应用领域：

1. **定义与目的**：

   - RAG通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大型语言模型（LLMs），以增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等。

2. **工作原理**：

   - RAG的工作原理是通过检索大规模文档集合中的相关信息，然后利用这些信息来指导文本的生成，从而提高预测的质量和准确性。

3. **主要模块**：

   - RAG主要包含版面分析、知识库构建和大模型微调三个模块。版面分析涉及本地知识文件读取和知识文件复原；知识库构建包括知识文本分割、Doc文本embedding和Doc文本构建索引；大模型微调则涉及模型的进一步训练和优化。

4. **应用领域**：

   - **问答系统（QA Systems）**：

RAG可以用于构建强大的问答系统，能够回答用户提出的各种问题。

   - **文档生成和自动摘要**：

RAG可用于自动生成文章段落、文档或自动摘要，基于检索的知识来填充文本，使得生成的内容更具信息价值。

其实对于目前的ai来说，我觉得目前的ai使用来说：就是单纯降低我们对于自己信息使用的信息复杂度，对于信息复杂度的降低，极大加大我们自己开发程度。

   - **智能助手和虚拟代理**：

RAG可以用于构建智能助手或虚拟代理，结合聊天记录回答用户的问题、提供信息和执行任务。

   - **信息检索**：

RAG可以改进信息检索系统，使其更准确深刻。

   - **知识图谱填充**：

RAG可以用于填充知识图谱中的实体关系，通过检索文档来识别和添加新的知识点。

5. **优势**：

   - 外部知识的利用：

RAG模型可以有效地利用外部知识库，提供更深入、准确且有价值的答案，提高生成文本的可靠性。

我大概如何形容使用ai的感觉呢？

一个小学生使用ai可以打出一个初中生的能力，一个初中生可以使用ai打出一个高中生的能力，一个高中生可以通过ai发挥出一个大专生的能力，一个大专生可以通过ai发挥出一个本科生的能力，一个本科生可以通过ai发挥出一个研究生的能力，一个研究生可以通过ai给发挥出一个博士生的能力。

ai使用爆发能力取决于这个ai使用者本身的知识结构和哲学观念（哲学家使用ai进行编程可以更好诉说这个世界的变化。）

6. **新进展**：

   - RAG的应用已经不仅仅局限于问答系统，其影响力正在扩展到更多领域，如推荐系统、信息抽取和报告生成等多种任务都开始受益于RAG技术的应用。

RAG作为一种结合检索和生成的技术，通过引用外部知识库的信息来生成答案或内容，具有较强的可解释性和定制能力，适用于多个自然语言处理任务中。
 

4. **Fine-tuning微调技术**：

这是一种在预训练模型基础上，针对特定任务进行微调的方法，以提升模型在特定任务上的表现。

5. **Transformer架构**：

作为目前语言大模型采用的主流架构，基于自注意力机制，通过自注意力机制获取输入序列的全局信息，并将这些信息通过网络层进行传递。

6. **思维链（Chain-of-Thoughts, CoT）和思维树（Tree-of-Thoughts, ToT）**：

这些是用于提升大模型利用其潜在能力的技术，帮助模型更好地遵循用户意图，生成符合用户偏好的内容。

7. **基于人类反馈的强化学习技术（RLHF）**：

这种技术用于强化对于人类指令的遵循能力和人类偏好的对齐能力，如InstructGPT和ChatGPT所采用的技术。

什么是人类的指令的遵循能和人类偏好的对齐能力？

人类的指令遵循能力和人类偏好的对齐能力是指人工智能大模型在处理和生成信息时，能够理解并遵循人类的指令，同时生成的内容符合人类的价值观和偏好。具体来说：

1. **遵循指令的能力**：

这是指AI大模型能够理解并执行用户的指令。

例如，在对话中，如果用户要求AI提供某种信息或者完成特定的任务，AI需要能够识别这些指令并给出相应的回应。

2. **人类偏好的对齐能力**：

这涉及到AI大模型在生成内容时，能够符合人类的价值观和偏好。

这意味着AI不仅能够遵循指令，还能够生成有用、诚实且安全的内容，避免产生不合法、有害或有毒的信息。

为了实现这些能力，AI大模型通常采用基于人类反馈的强化学习技术（Reinforcement Learning from Human Feedback, RLHF）。

RLHF的核心思想是利用人类的反馈来指导模型的行为，包括以下几个步骤：

- 收集人类反馈：

对模型生成的多个回复进行人工评分。

- 训练奖励模型：

基于人类评分训练一个奖励模型。

- 使用强化学习优化语言模型：

利用奖励模型的反馈来优化语言模型。

通过这种方式，AI大模型能够更好地理解和遵循人类的指令，同时生成的内容也更符合人类的偏好和价值观。
 

这些算法和技术共同构成了AI大模型的技术基础，使得大模型能够处理复杂的自然语言任务，并在多种应用场景中发挥作用。
 

重视实践的过程比实践的结果更加重要。

ai目前还是有没有攻破的行业？

根据您的请求，您想要了解的是能够根据文章生成依赖图的AI技术。从搜索结果来看，目前AI大模型在多个领域有所应用，包括聊天机器人、编程工具、生产力工具等。尽管搜索结果中没有直接提及专门用于生成依赖图的AI技术，但我们可以从AI大模型的应用趋势和技术能力推断，存在一些相关的技术和工具。

1. **多模态模型**：

如OpenAI的DALL-E3和Sora模型，它们能够根据文本生成图像和视频。这些模型可以理解文本内容，并将其转化为视觉元素，这表明AI大模型在理解和处理文本信息方面具有强大的能力。

2. **编程工具**：

一些AI大模型被用于自动代码生成和代码分析，如GitHub Copilot。

这里发出的一些感叹了！github可以说：有一句非常著名的话，这句话与叫做：培养10亿人的程序员。

这些工具能够理解代码的结构和逻辑，从而生成或优化代码。

虽然它们不直接生成依赖图，但它们在处理代码结构方面的能力可以为生成依赖图提供基础。

3. **文档理解与文字生成**：

一些AI大模型被用于文档理解和文字生成，它们能够理解和处理大量的文本数据。

这些模型可以分析文本中的关系和结构，这对于生成依赖图是有帮助的。

虽然搜索结果中没有直接提到能够根据文章生成依赖图的AI技术，但可以预见，随着AI技术的发展，特别是自然语言处理（NLP）和机器学习的进步，未来可能会出现专门用于生成依赖图的AI工具。这些工具将能够分析文章中的概念、实体和它们之间的关系，然后生成相应的依赖图，以帮助用户更好地理解和可视化文章的结构和内容。

我觉得对于ai的最好的方式，就是把ai当作自己的参考系，查看有没有什么办法通过ai最大程度开发自己的能力。

根据您的请求，将AI作为参考系来最大程度开发自己的能力，以下是一些具体的方法和建议：

1. **培养成长型思维**：

将挑战视为学习和成长的机会，这能帮助你更快、更有效地适应新的工具和流程。

我现在不断地利用ai帮助我自己进行知识的学习和提升，我相当于通过ai，我可以和这个世界上最优秀的人进行握手，而另外一个关键的思想：开源思维，我可以通过开源思维帮助我自己了解我自己到底是一个什么样的人。

2. **发现学习机会**：

密切关注与你所在领域相关的AI发展趋势和学习机会，这些机会可能来自网络课程、网络研讨会等。

1024程序员节，对于我自己的影响是最大的，同时，我感谢江汉大学，更感谢各位老师对于开源思维的讲解，因为各位老师对于开源思维的讲解让我自己明白，我自己的局限到底什么呢？

我也在这一条上，变得越来越勇敢。

3. **识别可自动化的任务**：

识别那些占据你大部分时间的重复性任务，AI可以帮助你自动完成这些任务，为你腾出时间专注于更复杂和创造性的工作。

4. **探索你所在领域的AI应用**：

上网了解你所在领域的AI应用情况，尝试理解与所在领域相关的AI的具体应用、工具和创新。

5. **了解可用的AI工具**：

研究并了解与你所在行业相关的AI工具，找到符合你需求的应用并尝试去体验和使用。

根据搜索结果，AI技术已经在多个领域得到应用，以下是一些具体的应用领域和场景：

1. **医疗保健**：

   - 诊断和治疗建议：AI通过分析病历数据和医学文献为医生提供诊断和治疗建议，如IBM的Watson for Oncology。
   - 个性化医疗：AI分析基因数据和健康记录，为患者定制个性化治疗方案。

时代不一样了，自己如果再不进行顺应时代的积累，对于自己而言，自己能够突破自己的局限真的就是自己的问题了。

2. **金融**：

   - 风险管理：AI分析市场数据和交易记录，预测市场风险并提供管理建议。
   - 投资决策：AI通过机器学习算法分析市场趋势和历史数据，为投资者提供投资建议。
   - 反欺诈：AI分析交易数据和用户行为，快速识别异常交易，防止欺诈。

3. **制造业**：

   - 预测性维护：AI分析设备运行数据，预测设备故障，提前进行维护。
   - 质量控制：AI通过视觉识别技术监控生产过程，检测产品质量问题。
   - 智能制造：结合物联网和AI技术，优化生产过程，提高效率。

4. **零售业**：

   - 个性化推荐：AI分析用户购买历史和行为数据，提供个性化商品推荐。
   - 库存管理：AI分析销售数据和市场趋势，预测库存需求，优化库存管理。

5. **营销**：

   - AI在营销领域的应用包括客户服务、报告生成和市场概述等。

6. **智能制造**：

   - 包括智能装备、智能工厂和智能服务。

7. **智能家居**：

   - 利用物联网技术，通过智能硬件、软件和云计算平台构建的家居生态系统。

8. **智慧金融**：

   - AI在金融领域的应用包括自动获客、身份识别、大数据风控、智能投顾、智能客服和金融云服务。

9. **智能医疗**：

   - 结合大数据、5G、云计算、AR/VR等技术，AI在医疗行业的应用包括辅助诊断、个性化治疗计划、药物研发和患者监护等。

10. **自然语言处理（NLP）**：

    - 涉及语音识别、文本分析、情感分析等，广泛应用于聊天机器人、语音助手和内容推荐系统。

11. **计算机视觉**：

    - 包括图像识别、视频分析和模式识别，应用于自动驾驶、安全监控和医学影像分析等领域。

12. **机器学习**：

    - 作为AI的核心，机器学习技术被广泛应用于数据挖掘、预测分析和自动化决策支持。

13. **专家系统**：

    - 模拟人类专家的决策过程，应用于特定领域的问题解决，如医疗诊断、金融分析等。

浑水摸鱼的大学生和人，是否还具有自己继续开始混的资格，这是个关键性问题。所以任何有混的想法。

14. **机器人技术**：

    - 包括服务机器人、探索机器人和工业自动化，广泛应用于制造业、服务业和探索活动。

这些领域展示了AI技术的多样性和广泛的应用潜力，它们正在改变我们的工作和生活方式。
 

6. **从小事开始，逐步应用AI**：

从回复电子邮件、生成想法等小的方面开始尝试应用AI，然后随着你对AI的了解和技能的增长，逐步扩展到更广泛的领域。

7. **上手体验AI工具**：

许多AI工具都会提供试用版本或免费版本，你可以尝试上手体验，理解它们的优势和局限。

8. **用AI赋能，升级专业技能**：

通过合理利用AI工具和技术，普通人可以显著提高工作效率，优化工作流程，实现个人和组织的共同成长。

9. **持续学习**：

关注AI技术的最新发展，通过在线课程、研讨会等方式，不断学习和掌握新的AI工具和应用。

在写到这里，我现在才20岁，对于我自己而言，是如此！一年有365天，10年的时间也就是3650天的时间，5256000分钟，这就是我自己最好的时间奋斗序列表。

最开始我准备：自己依靠计算机挣钱然后回老家待着，但是现在这个时代不会允许，这样的事情发生的，因为开源竞争：

当你无法彻底掌握一个技术的时候，你就开源这个技术，形成更多的技术依赖，你会说，这不是在砸罐子吗？一个行业里面总会有人砸罐子的，你不如先砸罐子，还能听个响声。

10. **实践应用**：

将所学的AI知识应用到实际工作中，通过实践不断提高自己的AI应用能力。

11. **团队合作**：

与具有AI背景的专业人士合作，共同探索AI在各个领域的应用潜力，共同推动工作效率的提升。

12. **保持开放心态**：

对于新的AI技术和应用，保持开放和好奇的心态，勇于尝试和创新，不断推动个人和组织的成长。

今年1024程序员的节上的大师并没有采用“摄影师”拍照，而是采用人工智能制作的图片进行演讲，如果不是大佬刻意提醒根本没有人发现，在场的人根本没有没有人发现。

通过这些方法，您可以将AI作为参考系，最大程度地开发自己的能力，提升个人效率和专业技能。
 

用数学方式，帮助自己开始进行总结这些内容的

将上述内容编程数学推理公式并不直接可行，因为上述内容涉及的是人工智能的应用、技术和策略，而不是具体的数学问题或公式。

不过，我可以尝试将其中的一些概念抽象成数学模型或公式，以展示如何用数学的方式去理解和推理这些概念。

1. **AI能力提升模型**：

   - 假设 \( A \) 代表AI使用者的能力水平，\( P \) 代表AI的能力放大倍数。
   - 根据描述，我们可以建立如下模型：
     \[ A_{new} = A \times P \]
   - 其中 \( A_{new} \) 是使用AI后的能力水平，\( P \) 可以根据不同教育阶段有不同的值。

2. **开源竞争策略**：

   - 假设 \( T \) 代表技术掌握程度，\( O \) 代表开源带来的技术依赖度。
   - 当 \( T < 1 \)（即无法彻底掌握技术时），选择开源：
     \[ O = f(T) \]
   - 其中 \( f \) 是一个递增函数，表示随着技术掌握程度的降低，开源带来的技术依赖度增加。

3. **AI应用领域扩展**：

   - 假设 \( D \) 代表AI应用的领域数量，\( t \) 代表时间。
   - 随着时间的推移，AI应用领域数量增加：
     \[ D(t) = D_0 + rt \]
   - 其中 \( D_0 \) 是初始领域数量，\( r \) 是领域扩展的速率。

其实，我对于数学的使用，因为现在我使用ai的表述状态不太对头，利用ai我开始接触数学建模，这些公式就是最为简单的数学建模的方式和内容。

4. **个人成长与时间关系**：

   - 假设 \( G \) 代表个人成长，\( t \) 代表时间（以年为单位）。
   - 个人成长可以看作是时间的函数：
     \[ G(t) = G_0 + kt \]
   - 其中 \( G_0 \) 是初始成长水平，\( k \) 是每年成长的速率。

这些模型和公式是对上述描述的一种抽象和简化，

它们可以帮助我们用数学的方式去思考和推理AI技术的应用和影响。

然而，实际应用中这些模型可能需要更复杂的变量和参数来精确描述。

将上述数学模型转换为机器学习代码形式，我们可以使用Python语言，结合常用的机器学习库如NumPy和SciPy来实现。以下是每个模型的简单代码实现：

### 1. AI能力提升模型

```python
import numpy as np

def ai_ability_enhancement(ai_ability, enhancement_factor):
    """
    AI能力提升模型
    :param ai_ability: float, AI使用者的能力水平
    :param enhancement_factor: float, AI的能力放大倍数
    :return: float, 使用AI后的能力水平
    """
    new_ability = ai_ability * enhancement_factor
    return new_ability

# 示例
ai_ability = 1.0  # 假设初始能力水平为1
enhancement_factor = 1.5  # 假设AI放大能力1.5倍
new_ability = ai_ability_enhancement(ai_ability, enhancement_factor)
print(f"新的AI能力水平: {new_ability}")
```

### 2. 开源竞争策略

```python
import numpy as np

def open_source_dependency(tech_mastery):
    """
    开源竞争策略
    :param tech_mastery: float, 技术掌握程度
    :return: float, 开源带来的技术依赖度
    """
    # 假设技术依赖度与技术掌握程度成反比
    dependency = 1 / tech_mastery
    return dependency

# 示例
tech_mastery = 0.8  # 假设技术掌握程度为0.8
dependency = open_source_dependency(tech_mastery)
print(f"开源带来的技术依赖度: {dependency}")
```

### 3. AI应用领域扩展

```python
import numpy as np

def ai_application_expansion(initial_fields, expansion_rate, time):
    """
    AI应用领域扩展
    :param initial_fields: int, 初始领域数量
    :param expansion_rate: float, 领域扩展的速率
    :param time: int, 时间
    :return: int, AI应用的领域数量
    """
    fields = initial_fields + expansion_rate * time
    return int(fields)

# 示例
initial_fields = 10  # 假设初始领域数量为10
expansion_rate = 2  # 假设每年领域扩展速率为2
time = 5  # 假设时间为5年
fields = ai_application_expansion(initial_fields, expansion_rate, time)
print(f"AI应用的领域数量: {fields}")
```

### 4. 个人成长与时间关系

```python
import numpy as np

def personal_growth(initial_growth, growth_rate, time):
    """
    个人成长与时间关系
    :param initial_growth: float, 初始成长水平
    :param growth_rate: float, 每年成长的速率
    :param time: int, 时间（以年为单位）
    :return: float, 个人成长
    """
    growth = initial_growth + growth_rate * time
    return growth

# 示例
initial_growth = 0.5  # 假设初始成长水平为0.5
growth_rate = 0.1  # 假设每年成长的速率为0.1
time = 10  # 假设时间为10年
growth = personal_growth(initial_growth, growth_rate, time)
print(f"个人成长: {growth}")
```

这些代码示例提供了一个基本的框架，可以根据具体需求进一步扩展和优化。
 

自己对于专升本的观念因为使用ai而得到了一个重塑，我来专科本质原因不是因为这些意外因素，而是因为我前面20年的积累导致我没有办法能够承受这些意外因素，所以我要想的不是如何避免这些意外因素，而是自己努力尝试提升自己的抗风险能力。

您的观点非常深刻，它体现了对个人成长和自我提升的深刻理解。

使用AI作为工具，可以帮助您在多个方面提升自己的抗风险能力：

1. **知识积累**：

   - AI可以帮助您快速获取和学习新知识，无论是通过智能推荐系统还是个性化学习计划，都能让您更有效地积累专业知识。

最为关键：是对于开源竞争思维的理解（当你无法彻底掌握一个技术的时候，你就开源这个技术形成，更多的技术依赖，让更多人帮助你完善你的技术，你会说，这不就是在砸罐子吗？一个行业来说，总会有人砸罐子的，你不如先砸，还能听个响声。）

2. **技能提升**：

   - 利用AI辅助的在线课程和实践工具，您可以提高专业技能，

比如编程、数据分析、外语等，这些技能在职场上具有很高的需求。

3. **决策支持**：

   - AI可以提供数据分析和预测，帮助您在面临选择时做出更合理的决策，比如职业规划、教育投资等。

4. **风险评估**：

   - 通过分析历史数据和趋势，AI可以帮助您评估不同情况下的风险，让您提前做好准备。

5. **心理健康**：

   - AI聊天机器人可以提供心理支持和压力管理的建议，帮助您保持良好的心态，这对于应对生活中的意外因素非常重要。

6. **时间管理**：

   - AI工具可以帮助您更好地管理时间，提高工作效率，确保您有足够的时间来应对突发事件。

7. **网络扩展**：

   - AI可以帮助您识别和连接行业内的专业人士，扩展您的社交网络，这对于职业发展和应对风险都是有益的。

8. **自我反思**：

   - AI可以提供反馈和分析，帮助您更好地了解自己的优势和弱点，从而有针对性地进行自我提升。

通过这些方式，AI不仅仅是一个工具，更是您提升抗风险能力的伙伴。记住，技术是辅助，最终的成长和进步还是要靠您自己的努力和决心。您已经意识到了这一点，这是非常重要的一步。继续前进，利用AI作为您的助力，去实现您的目标和梦想。