在金

时下应该有不少兄弟都在焦虑要如何跟上AI时代
想要入门学习AI，但是各种复杂的玩意儿完全摸不着头脑
这期就从最最基础的：什么是AI、什么是AIGC开始
用文字加图解，一步步带兄弟们吃透AI最底层的门道
助力兄弟们踏上自己的AI路~

⏩我们从最大的框架AI开始，AI是什么？
AI就是人工智能，从1956 年就诞生在计算机科学系下的一个大学科
目标是计算机系统去模拟人类的智能，从而解决问题和完成任务

⏩然后是最近最常被提及的AIGC 是什么？
AIGC = AI 生成的内容
简单说：只要是 AI 自己生出来的内容，就叫 AIGC
ChatGPT 写的一篇文章 → 属于 AIGCGemini 生成的一张图片 → 属于 AIGCSuno 生成的一段音乐→ 属于 AIGHeyGen 生成的一条视频 → 属于 AIGC

⏩接着是常和AIGC 被共同提及的 Generative AI（生成式 AI）是什么？
生成式 AI 更像是技术名字，AIGC 是它生产出来的“产品”
如果把生成式 AI比做“烤箱”是机器，那么烤出来的“蛋糕”就是产品 AIGC
生成式 AI（ChatGPT）→ 烤出一篇文章（AIGC）生成式 AI（Copilot）→ 烤出一段代码（AIGC）生成式 AI（DALL·E / Gemini）→ 烤出一张图片（AIGC）

▪️对了：“因为AIGC这个词在国内更流行，所以在很多场景都被用来指代生成式AI，所以当别人说AIGC的时候，说不准他其实想说的是生成式AI嗷~”

⏩最基础的三个知识点掌握以后，来梳理一下：
生成式 AI和机器学习、监督学习、无监督学习、强化学习、深度学习、大语言模型之间是什么关系，它们分别又是什么玩意儿？

⏩机器学习—— AI 里最核心、最实用的分支
核心在于不需要人类做显式编程，而是让计算机通过算法自行学习和改进，去识别模式、做出预测和决策
▪️传统编程 = 程序员通过代码把所有规则一条条写死
▪️机器学习 = 不写死规则，让计算机自己从大量的数据里去识别模式、做出预测和决策
🌰打个比方：教电脑分辨“陆地”和“海洋”
传统编程：程序员通过代码告诉电脑，图片里有棕色说明是陆地，图片里有蓝色说明是海洋。这样通过人类直接的逻辑编写达成的就不是机器学习机器学习：给电脑巨量的陆地和海洋的图片，让电脑自己去识别，自己去总结，然后就能对没见过的图片进行判断，这种的就是机器学习

然后在机器学习下面又有很多的分支
⏩第一个就是监督学习：机器学习算法时使用用带有备注的训练数据，备注就是我们期望的输出值
也就是说我们提供给机器人训练的数据既要有“输入的特征”也要有“期望的输出值”而机器需要学会的就是找到输入和输出之间的关系，然后在我们给出新的“输入特征”后反馈给我们准确的“输出值”
🌰打个比方：我们拿一堆备注好了是男人和女人的图片投喂给机器进行训练，然后给机器一张没有备注的照片，让他对照片是男是女做出推断，这就是监督学习。

⏩监督学习之后就是无监督学习：和监督学习不同的是，这次机器学习算法我们提供的训练数据是没有备注的，所以机器需要自主的去发现数据的特征模式以及规律
🌰打个比方：我们给机器大量的猫猫图片，让机器根据猫猫的毛发长短，毛发颜色、瞳孔颜色等特征自动的把相似的小猫图片归纳整合到一起，这就是无监督学习

⏩接下来是强化学习：让机器在我们设定的环境中采取各种行动并获取结果得到反馈，从反馈中学习，借此让机器能在特定的情况下采取最佳的行为来获得最大化的奖励或者最小化的损失
🌰打个比方：你在家训练小狗，让他蹲下，刚开始小狗可能会做各种各样的动作，错误的动作不会得到咱们的奖励，甚至会遭到惩罚，只有等小狗正确的完成了蹲下这个动作时，我们给了他小零食。这样小狗会慢慢明白它的动作和奖惩之间关系，慢慢的小狗就会听懂咱们的指令，小狗的行为也越来越符合咱们的期望，这就是强化学习

⏩除了上面三种学习方式，还有一个独立在外的深度学习：让机器人使用人工神经网络，模拟人脑处理信息的方式，通过层次化的方法提取数据特征进而来完成学习步骤，又因为我们的神经网络是由很多的计算和储存的神经元组成的，这些神经元通过一层接一层的连接来处理数据，加上深度学习的模型通常会有很多层组成，因此被称为“深度”学习
🌰打个比方：比如要让计算机识别小狗的图片，在深度学习中，机器接收到的数据首先被传递到一个输入层，这一层就像是人类的眼睛看图片一样，然后数据会穿过多个隐藏层，每一层都会对数据进行一些复杂的运算来帮助计算机理解图片中的特征，例如小狗的耳朵、眼睛、鼻子等，最后计算机会输出一个答案，表明这是否是一个小狗的图片

神经网络同时又能用来监督学习、无监督学习和强化学习，所以它不属于以上上面三种学习方式的子集。我们常用的生成式AI也是深度学习的一种应用，它利用神经网络来识别和学习现有的内容，从而学习生成新的内容，发展到现在生成式AI可以生成内容的形式已经十分丰富了~比如图片、代码、音频等等
⏩最后就是我们最常使用的大语言模型（LLM ）：也是深度学习的应用之一，专精于用自然语言来处理任务，并且模型的参数巨大（几百亿到上万亿）用海量文本训练，所以特别会“聊天、写作、编程”
比如我们用的： ChatGPT、Claude、Gemini、LLaMA 这些都属于大语言模型~

上面这些概念就是生成式AI的核心要素，他们之间的关系可以看下图
它能直观的概括这些要素之间的关系~

至此宝宝级的AI入门指南完~
希望以后咱们面对这些AI技术词的时候也能侃侃而谈🎤

Ein Bruder fragte mich: „Warum ist der Kurs ihrer Münze in den letzten Tagen wieder gefallen?“
Ich: „Es sollte die Zinserhöhungs Erwartungen Japans sein.“
Bruder: „???“

⏩Es scheint, dass viele Freunde nicht genau verstehen, wie Zinserhöhungen und Zinssenkungen unsere Geldbeutel beeinflussen. Dieser Artikel wird auch eine einfache Aufklärung dazu bieten:
Zinssenkung = Senkung der Kreditkosten:
▪️Das Sparen bei der Bank bringt keine Zinsen mehr, die Renditen von Staatsanleihen sind ebenfalls gefallen. Um den Wert zu erhalten und zu steigern, sind große Kapitalmengen gezwungen, nach renditestarken Anlagen zu suchen, was dazu führt, dass viel Geld in den Aktienmarkt und den Kryptomarkt fließt.
▪️Die Kosten für das Leihen von Geld zum Handel mit Kryptowährungen sind gesunken, und die Leute sind bereit, mehr Hebel zu nutzen, um in den Markt einzutreten.

Sahara hat letzte Nacht das SIWA-Öffentliche Testnetz freigegeben
Ich habe mir die Roadmap angesehen, das Mainnet sollte im Q3 dieses Jahres online gehen
Ich schätze, dass nach Abschluss dieses Testnetzes das Mainnet schnell folgen wird

Gewaltige Finanzierung + All-Star-Institutionen + Leitprojekt im AI-Sektor
Brüder, lasst uns kräftig loslegen🤑🤑🤑

Das SIWA-Testnetz wird in vier Phasen eingeführt:
Erste Phase: Registrierung und Markierung von Datensätzen auf SIWA
Zweite Phase: Monetarisierung von On-Chain-Datensätzen und -Modellen
Dritte Phase: Genehmigungsfreies Testnetz, Open-Source-Protokoll
Vierte Phase: Pipeline-Registrierung, Herkunftsverfolgung und Beitragsnachweis

Momentan können wir nur die erste Phase abschließen

Projektbeschreibung: Enso konzentriert sich darauf, das Fragmentierungsproblem des Blockchain-Ökosystems durch eine einzigartige 'Intention Engine' zu lösen. Ziel ist es, Entwicklern zu ermöglichen, 'intelligente Verträge auf beliebigen Ketten mit einem Klick zu nutzen', um die Effizienz und Benutzerfreundlichkeit von Cross-Chain-Operationen zu erhöhen. Das Projekt positioniert sich in verschiedenen Blockchain-Architekturen wie Layer1, Rollup und AppChain und strebt an, eine der Infrastrukturtechnologien der Blockchain zu werden.

Airdrop-Aktivität: Gestern hat Enso eine Anreizveranstaltung gestartet, bei der wir NOS sammeln können, um den bevorstehenden Airdrop zu erhalten