Розмір відео: 1280 X 720853 X 480640 X 360
Показувати елементи керування програвачем
Автоматичне відтворення
Автоповтор
真的非常好，三位逻辑能力都很强。非常精彩，主持人提的问题也很接地气
必须给你点赞👍！ 每一个提纲挈领的提问都在点上！ awesome!
太有用了吧 最近超级需要学习AI相关知识 存下来😂多看几遍 两位老师的比喻好助于理解！
说实话，质量太高了，谢谢李自然
这期质量很高，感谢自然兄~
大语言模型成功并不只限于语言模型。他是通用Al模型的突破，只不过先在语言方面的突破。只所以先在语言方面突破是因为语言模型训练数据必较容易获得，效果比较易的被验证！
有没有可能大语言模型更多指的是人机交互的自然语言形式。
47:44 他這邊講到的「模型工廠」其實就有點類似之前我提到過「打造AI 部隊」的概念🤔
1:09:12 说的是pre-train 字幕打成了培训
对于工科的工程师来说很有参考价值,太感谢了
绝对值得学习👍🏻
講真的，沒有文件機密性的問題的話直接上GPT-4 + FewShot + Prompt Engineering 就好。付錢買Tokens比租機器便宜太多了。
非常感谢你给大家录的视频
视频内容非常有趣！有些事我不明白：我的okx钱包里面有usdt，我有恢复短语。 pride pole obtain together second when future mask review nature potato bulb: 我应该如何把它们变成比特币？
重复听了3-4次，高质量
很棒，能听懂
Prompt -> RAG ->FineTune->Training，pretraing高级炼丹炉
其实我一直觉得大部分围绕ai的应用，尤其是QA类型的，RAG就足够了，很多时候finetune的效果还没RAG来的好
满满的干货，真的谢谢自然❤
我最近也在用pytorch + CUDA手搓大模型。代码其实也就一千行左右。但是搓出来之后不知道怎么训练。 😂😂
这期很好点个赞
这一期质量很高😀
两位专家只提到了NLP的有些经验是可以复用的，但没有提到NLP最核心的算法部分都是被LLM给碾压了。所谓复用的部分大概是指LLM以外的任务处理，而那部分几乎并无门槛可言，核心的LLM基本是拿开源的训练或者API套壳。
就是因为LLM的核心部分不开源才无法针对性去讲啊。你好好看完整了吗。
@@gisellechang7955 开源的不要太多，明确说这几个人就是套壳或者微调，门槛很低。
@@diskycn 你讲的都离你自己的题了
@@gisellechang7955 并没有，而且好歹比离谱好太多，接着你“核心部分不开源”的谬论讲回了这几个人的言论的误导性。
@@diskycn 你举证
太牛了，干货
超棒 乾貨滿滿我寫了好幾張A4的筆記
李总 考虑一下疗愈催眠行业不？经常看您的节目很喜欢，不知何时开始失眠的时候也听，竟然神奇的非常催眠，胜过任何音疗。这期效果格外好，嘉宾的声线语调格外好睡 😆
微调不就是fine tune吗？我发现很多人对fine tune的定义不一样啊，fine tune的准确定义到底是什么啊？
这期好啊
自从李自然母亲走了以后总感觉他很疲惫 眼神里缺失了一些重要的东西
😅只是眼睛小
前段时间不是还在医院？怎么突然就走了。🙏
@@angelozou3914 他之前專門出過一個視頻說過的
感觉从眼睛能看出来很哀伤。
子欲养而亲不在，这种痛是很缓释。但是心里有他们，他们就没走。
魔獸爭霸3 還有玩嗎？
a nice one. thank you thank you
一直没搞清楚，都是再说，问题答案的模式。 我如何把一批数据给到大模型，比如 一个产品的所有属性告诉给到大模型，让大模型去给我回答。
这家模型工厂服务的公司是那一家啊？
自摸AI 大模型😄
感谢
说实话你脸型不错,,鼻子整一下就很帅
这两个人的视角，主要是从模型层面，而不是应用层面。实际上对于应用来说，模型当然重要，但绝对不是他们说的那么不可控或者可怕。实际上，在应用层面，agent workflow比底层的大模型更重要。以及，他们两个对于 prompt engineering 的理解也是错误的。
感觉这两人都是半路转行过来做大模型的。视频里好像也有讲不过我已经没印象了。😂
prompt engineering 的理解哪里错了？个人理解他们说的没问题啊
老哥鼻头发红而且相当明显 可能是脾胃有热证 注意饮食消化
看髮線認大老
发量跟功力成反比。
1:21 发量很程序员...
🥰 good,
李自然的鼻子怎么了？
过敏。很多粉丝说是酒糟鼻👃🏻。我觉得是过敏，可能是体质下降造成的，前段时间他母亲生病住院，听说最近走了，不知道是不是真的。
prompt engineering 这块讲的不好。应该是被训练好了所以真的就不需要了，prompt engineer 会成为被 ai 较早替代掉的职业之一
中国人在解释和复制美国的发明方面极有天赋。
发出来还没几天就被全网打脸, 这就是现在的专家 ...
👍👍🎉
出海鼻祖😂
不好意思，关注李自然说有段时间了，说下真实的想法吧：1. 说的观点对于外行人来说，是可以当做科普听听的，算是听个段子还是蛮好的；2. 李自然老师思维敏捷，说话表达方式值得学习，这个点必须点赞；3. 关于某个行业的深度专业分析，我认为还是比较浅，甚至有些错误的观点，因为李自然老师有一期讲的就是我从事的行业情况，很多段子或者问题点都是网络上的老梗，而且有错误的、过时的内容，我本人是做研发出身，对于某些观点非常敏感，错误的东西，是不是门外汉的观点，一听就能辨别出来。4. 我知道李自然老师有很多粉丝，我也是粉丝之一，以上观点是我个人的判断而已，如果你觉得我的是错误的，那么就是错误的，不争辩。👌
不如哪里错了直接指一下？
说那么长篇的废话 估计你工作也是长篇废话 不解决问题那种人吧
挺难理解的， 需要反复看🤣
agree with you:)
真的非常好，三位逻辑能力都很强。非常精彩，主持人提的问题也很接地气
必须给你点赞👍！ 每一个提纲挈领的提问都在点上！ awesome!
太有用了吧 最近超级需要学习AI相关知识 存下来😂多看几遍 两位老师的比喻好助于理解！
说实话，质量太高了，谢谢李自然
这期质量很高，感谢自然兄~
大语言模型成功并不只限于语言模型。他是通用Al模型的突破，只不过先在语言方面的突破。只所以先在语言方面突破是因为语言模型训练数据必较容易获得，效果比较易的被验证！
有没有可能大语言模型更多指的是人机交互的自然语言形式。
47:44 他這邊講到的「模型工廠」其實就有點類似之前我提到過「打造AI 部隊」的概念🤔
1:09:12 说的是pre-train 字幕打成了培训
对于工科的工程师来说很有参考价值,太感谢了
绝对值得学习👍🏻
講真的，沒有文件機密性的問題的話直接上GPT-4 + FewShot + Prompt Engineering 就好。付錢買Tokens比租機器便宜太多了。
非常感谢你给大家录的视频
视频内容非常有趣！有些事我不明白：我的okx钱包里面有usdt，我有恢复短语。 pride pole obtain together second when future mask review nature potato bulb: 我应该如何把它们变成比特币？
重复听了3-4次，高质量
很棒，能听懂
Prompt -> RAG ->FineTune->Training，pretraing高级炼丹炉
其实我一直觉得大部分围绕ai的应用，尤其是QA类型的，RAG就足够了，很多时候finetune的效果还没RAG来的好
满满的干货，真的谢谢自然❤
我最近也在用pytorch + CUDA手搓大模型。代码其实也就一千行左右。但是搓出来之后不知道怎么训练。 😂😂
这期很好点个赞
这一期质量很高😀
两位专家只提到了NLP的有些经验是可以复用的，但没有提到NLP最核心的算法部分都是被LLM给碾压了。所谓复用的部分大概是指LLM以外的任务处理，而那部分几乎并无门槛可言，核心的LLM基本是拿开源的训练或者API套壳。
就是因为LLM的核心部分不开源才无法针对性去讲啊。你好好看完整了吗。
@@gisellechang7955 开源的不要太多，明确说这几个人就是套壳或者微调，门槛很低。
@@diskycn 你讲的都离你自己的题了
@@gisellechang7955 并没有，而且好歹比离谱好太多，接着你“核心部分不开源”的谬论讲回了这几个人的言论的误导性。
@@diskycn 你举证
太牛了，干货
超棒 乾貨滿滿
我寫了好幾張A4的筆記
李总 考虑一下疗愈催眠行业不？经常看您的节目很喜欢，不知何时开始失眠的时候也听，竟然神奇的非常催眠，胜过任何音疗。这期效果格外好，嘉宾的声线语调格外好睡 😆
微调不就是fine tune吗？我发现很多人对fine tune的定义不一样啊，fine tune的准确定义到底是什么啊？
这期好啊
自从李自然母亲走了以后总感觉他很疲惫 眼神里缺失了一些重要的东西
😅只是眼睛小
前段时间不是还在医院？怎么突然就走了。🙏
@@angelozou3914 他之前專門出過一個視頻說過的
感觉从眼睛能看出来很哀伤。
子欲养而亲不在，这种痛是很缓释。但是心里有他们，他们就没走。
魔獸爭霸3 還有玩嗎？
a nice one. thank you thank you
一直没搞清楚，都是再说，问题答案的模式。 我如何把一批数据给到大模型，比如 一个产品的所有属性告诉给到大模型，让大模型去给我回答。
这家模型工厂服务的公司是那一家啊？
自摸AI 大模型😄
感谢
说实话你脸型不错,,鼻子整一下就很帅
这两个人的视角，主要是从模型层面，而不是应用层面。实际上对于应用来说，模型当然重要，但绝对不是他们说的那么不可控或者可怕。实际上，在应用层面，agent workflow比底层的大模型更重要。以及，他们两个对于 prompt engineering 的理解也是错误的。
感觉这两人都是半路转行过来做大模型的。视频里好像也有讲不过我已经没印象了。😂
prompt engineering 的理解哪里错了？个人理解他们说的没问题啊
老哥鼻头发红而且相当明显 可能是脾胃有热证 注意饮食消化
看髮線認大老
发量跟功力成反比。
1:21 发量很程序员...
🥰 good,
李自然的鼻子怎么了？
过敏。很多粉丝说是酒糟鼻👃🏻。我觉得是过敏，可能是体质下降造成的，前段时间他母亲生病住院，听说最近走了，不知道是不是真的。
prompt engineering 这块讲的不好。应该是被训练好了所以真的就不需要了，prompt engineer 会成为被 ai 较早替代掉的职业之一
中国人在解释和复制美国的发明方面极有天赋。
发出来还没几天就被全网打脸, 这就是现在的专家 ...
👍👍🎉
出海鼻祖😂
不好意思，关注李自然说有段时间了，说下真实的想法吧：
1. 说的观点对于外行人来说，是可以当做科普听听的，算是听个段子还是蛮好的；
2. 李自然老师思维敏捷，说话表达方式值得学习，这个点必须点赞；
3. 关于某个行业的深度专业分析，我认为还是比较浅，甚至有些错误的观点，因为李自然老师有一期讲的就是我从事的行业情况，很多段子或者问题点都是网络上的老梗，而且有错误的、过时的内容，我本人是做研发出身，对于某些观点非常敏感，错误的东西，是不是门外汉的观点，一听就能辨别出来。
4. 我知道李自然老师有很多粉丝，我也是粉丝之一，以上观点是我个人的判断而已，如果你觉得我的是错误的，那么就是错误的，不争辩。👌
不如哪里错了直接指一下？
说那么长篇的废话 估计你工作也是长篇废话 不解决问题那种人吧
挺难理解的， 需要反复看🤣
agree with you:)