Tag: LLM
AI加点 CCTV 就显得真实 AI 文生图技术越来越成熟，从早期略带“AI 味”的 Midjourney，到如今更逼真的 ChatGPT 图像生成和 Google Nano Banana，AI 图片已经越来越难以分辨真假。文章以 AI 生成的 CCTV 5 体育直播美女图为例，讨论了真实感、镜头语言和平台标识如何增强图片的可信度，也提醒人们未来在网上看到的图片未必都是真的。 自从人工智能、AI 大语言模型和文生图技术越来越成熟之后，每隔一段时间，就会有某种 AI 图片风格突然爆火。 我记得最早让我印象深刻的是 Midjourney。那时候生成出来的图片虽然已经很惊艳，但多少还是能看出一点“AI 味”。现在不一样了，无论是 ChatGPT 的图像生成，还是 Google 的 …
去年年底我开始准备微软认证考试。一开始我写了一个 Prompt（提示词），用起来确实很好，但每次都要手动复制粘贴，还是有点麻烦。后来就想到，不如直接做成一个 GPT，于是就有了现在的 ExamGPT。 制作过程其实很简单：打开 ChatGPT/GPTs ，点击右上角的 Create（制作），按照界面填写即可。核心就是把之前写好的 Prompt 粘进去，再取一个名字，然后设置几个用户输入的示例，比如考试名称：“I am taking Microsoft AZ-305”。 效果出奇地好。当然，这也离不开大语言模型（LLM）在 AI Transformer 架构上的快速迭代。从有了这个工具之后，我可以利用各种碎片时间刷题，比如上厕所、睡觉前刷手机、甚至陪老婆逛街的时候。也不用担心题目刷完，因为进度会保存在 ChatGPT 的对话里，随时可以继续。 这个 ExamGPT 可以随机生成 30 道题，只要是它见过的考试基本都能覆盖（毕竟来自预训练数据）。每道题都有四个选项，包含单选和多选。无论答对还是答错，它都会给出简要解析。每做完 30 道题还会给出一个评分，评估你是否能通过考试。对于答错的题目，还会进行第二轮、第三轮反复练习，直到你完全掌握为止。 这个技术，本质是：提示词工程/Prompt Engineering …
Amdahl 定律 vs Gustafson 定律 — 完整教程、推导、应用场景及 Python 绘图 Amdahl 定律 vs Gustafson 定律：完整教程、推导、应用场景及 Python 绘图 理解并行加速：通过代码讲解 Amdahl 定律和 Gustafson 定律 并行计算基础：Amdahl 定律、Gustafson 定律及加速建模 并行加速原理：Amdahl 和 Gustafson 定律完整指南 并行扩展解析：推导并比较 …
2025年2月，Deepseek——一家来自中国杭州的人工智能实验室——开源了一个能够比肩ChatGPT的AI模型，而其训练成本远低于当前行业标准。这一突破引发了市场震动，尤其是对GPU需求的预期发生了剧烈变化。投资者一度认为，随着AI训练成本的下降，对高性能GPU的需求可能会减少，从而导致Nvidia的股价暴跌。然而，仅仅几周后，Nvidia的股价就强势反弹，重新回到高点。 这种市场反应看似矛盾，实则可以用Jevons悖论（Jevons Paradox）来解释。 什么是Jevons悖论？ Jevons悖论由19世纪英国经济学家William Stanley Jevons提出，最早是针对煤炭消耗的观察：当蒸汽机技术进步提高了燃煤效率后，人们原以为煤炭消耗会减少，结果却适得其反——因为更高的效率让煤炭的使用成本下降，从而促进了更多行业和领域采用蒸汽机，最终煤炭消耗总量大幅增长。 同样的逻辑适用于AI和GPU市场： 训练成本下降 → AI更易普及 Deepseek的成功证明了AI训练可以以更低的成本完成，这意味着更多企业、创业公司甚至个人研究者可以负担得起大规模AI模型的训练和部署。 AI需求激增 → GPU需求扩大 低成本AI的普及不会减少GPU的需求，反而会催生更多的AI应用场景。例如，更多企业可能会投入人工智能/AI研发，个人开发者也可能利用更廉价的算力进行实验，从而推动GPU（计算机图形加速卡）需求增长。 推理需求大增 → 继续依赖高端GPU 除了模型训练，模型推理（Inference）仍然需要大量算力，尤其是面对全球范围内激增的AI应用需求，云计算平台、企业数据中心等仍然需要大量高端GPU支持高效推理。 Nvidia股价为何回升？ 市场最初的恐慌源于对GPU需求减少的误判，但随着Deepseek的开源，人们很快意识到AI生态的整体扩张才是核心趋势： AI变得更便宜 → 更多公司加入AI赛道 → 算力需求总量上升 AI的推理需求飙升，尤其是企业级和消费级市场扩展 → …
这几天微信视频号上刷到一个在美国美女UP主（程序媛）的视频，很搞笑，于是好奇的查了一下啥是硅谷娇妻。 听说，在硅谷，竞争激烈。华人之间比的是谁的Offer更高，谁的级别更高，谁的妻子更年轻（“娇妻”一词也常被提及）。而女性则比的是老公的职级、收入，甚至家庭的整体实力。这种内卷不仅体现在职场，还延伸到生活的方方面面。从学区房的选择到孩子的教育资源，再到投资理财，甚至是社交圈层，硅谷的华人圈总是充满着无形的较量。这种竞争有时让人充满动力，但有时也让人不堪重负，仿佛一刻松懈就会被时代的浪潮甩在身后。 “硅谷娇妻”是一个带有调侃或刻板印象的标签，通常指向在硅谷科技行业高薪人士（如程序员、高管等）的配偶或伴侣。 硅谷娇妻：让四个大语言模型AI来告诉你 我这次问了四大语言模型LLM（Large Language Model）：包括 ChatGPT、Google Gemini、Anthropic Claude、还有Grok 3。感觉Claude AI生成的抽像图最好，让人眼睛一亮。我还试了DeepSeek，只不过它没法直接生成图。 我还听说，硅谷的竞争异常激烈，以至于男程序员们很难在当地找到对象。许多人选择在国内找媳妇，然后迅速结婚、办理签证，将妻子接到国外。婚后，男方往往希望女方尽快怀孕、生子，成为家庭主妇，否则可能面临被更优秀的男性“拐走”的风险。毕竟，在硅谷，女性的“溢价”更高，选择更多，这一点真假难辨，但确实是一个广为流传的现象。 与此同时，也有不少女性在硅谷站稳脚跟，依靠自身能力进入科技行业，甚至反向选择伴侣。相比国内的传统婚姻模式，硅谷的婚恋市场充满了变量，既有精打细算的现实考量，也有跨文化的碰撞和融合。 ChatGPT眼中的硅谷娇妻 Google Gemini眼中的硅谷娇妻 Grok 3眼中的硅谷娇妻 Elon Musk老马说Grok 3是最聪明/Smartest的AI： Claude眼中的硅谷娇妻 Anthropic Claude AI确实与众不同： DeepSeek眼中的硅谷娇妻 Deepseek无法像其它AI模型可以直接画图，这一点有待改进。 硅谷娇妻是怎么样的？画几张人像 …
