实体库 · 期 Buzzwords · 档案重建
EP.20智能体新增 · 待复核
EP.20(2024-10-25):要养活这些模型,还差五千亿美元收入。档案重建;7 个故事线 / 专题 · 33 个条目 · 讲到 10 个实体。每个故事线 / 专题 / 条目都是库里的一个节点,连到它讲到的机构、App、模型和人。
- 分享日2024-10-25
- 页面xiaopingfeng.com/buzzwords/20/ · 档案重建 · 当期录播后补建的页面,话题 + 备课笔记的链接清单
- 标题要养活这些模型,还差五千亿美元收入
- 一句话AI 的 6000 亿问题:还差 5000 亿收入,所以必须开拓新场景;把知识库文章变成 routine;创业该切哪一层
- 规模7 个故事线 / 专题 · 33 个条目 · 讲到 10 个实体
故事线与专题 7 个 · 点标题到页面上的那一节;摘要是页面自己的导语(档案重建的期里是话题)
搜索
排序视图
共 7 条
State of AI 2024:200 多页,先只过研究部分Air Street 发的这份报告 200 多页,内容量不亚于当年斯坦福那份 AI Index。
把思维过程从黑盒里拿出来有个思路当时越看越重要:让模型把「怎么改代码、怎么加单元测试、在什么条件下才算通过审核」这套思考过程显式写出来。
想创业,该切哪一层有篇文章把选择说得很直白:你去 Infra 层,会被 NVIDIA 干死;你去 model 层,会被 Meta 和 OpenAI 夹死。
6000 亿的问题一篇带吐槽性质的文章做了笔账:按现在训练这些模型的投入倒推,整个 AI 产业的收入需要达到 6000 亿美元,而当时距离这个数还差 5000 亿。
把神经元的激活状态挖出来看有家公司做了个可解释性产品,思路是不断挖掘推理过程中各个节点的激活状态,以及这些节点背后对应的语义。
客服系统的第一步:把知识库变成 routineOpenAI 那篇讲 routine generation 的案例,现在看比当时更重要。
把这些项目搬到国产模型上实践部分做了两件事。一是把微软的 RD-Agent 接到 GLM-4 上跑——当前这类项目生成的代码都不长,所以在国产模型上效果也还不错。
共 7 条 · 数据 2026-11-04
条目 33 个 · 本期资料 33 · 信源徽章与 MUST / TECHREAD / ★ 是页面自己的标记
搜索
栏目
信源
必读
排序视图
共 33 条
共 33 条 · 数据 2026-11-04
这一期讲到的机构、人、App 和模型 10 个 · 名称匹配(名字在标题里记「主角」,只在正文里记「提及」),待复核;按它们在这一期被讲到的条目数排
被讲到最多的(按故事线 / 专题 / 条目数)
共 10 条 · 数据 2026-11-04