EnterAI

经济和效率是否能兼顾？本期我们请到了有多年 初创公司数据 infra 搭建经验的 Jilong 老师和大家一起探讨 “如何选择 并快速搭建一个 适合初创电商 的 数据平台”。不仅要求其能满足电商运营中业务流程和数据分析的需求，更是要符合初创公司多快好省的特点。访谈中，老洪一如既往地深挖了 “同时兼顾OLTP&OLAP”，“cache 数据一致性”，以及 "机器学习" 相关 热点问题. 讨论有深度，有兴趣的小伙伴千万不能错过了。03:01: 电商数据应用的快速搭建05:30: SQL数据库+数据中台作为高并发的解决方案07:10: 举例说明电商用户的典型数据使用场景以及数据存储的优化目标12:20: 举例 假想电商 “拼夕夕” 的数据infra (简单 OLTP and OLAP)14:40: Cache layer 对数据更新实时性的影响18:30: 如何更省钱地 scale...去小宇宙查看完整单集简介在小宇宙查看该单集文稿

经典的用户画像是否真的能打, 还是纸上谈兵? 为何数据建模更能帮你联系到真实的用户.这期我们来深入探讨用户画像的自动化之路, 欢迎小伙伴留言互动提问, 谢谢大家~Timeline00:40 什么是用户画像建模01:25用户画像解决什么问题02:15用户画像不实用的根本原因 如何联系到真实用户: 映射用户画像模型到真实用户: 隐私数据阻碍真实数据收集03:05传统用户画像的唯一用处是: 产品设计时候的共情04:50通过用户画像来共情的风险:先验经验产生的偏见07:07用户画像的正确打开方式- 用已收集的数据来进行用户画像建模, 而非凭空想象08:15 跳过用户画像来直接建立数据模型08:37 举例1广告推荐: 数据进行隐式用户画像建模09:15 举例2:相似产品 相似用户群体的隐私在小宇宙查看该单集文稿

解析困扰大家的Meta Movie Gen10大技术难点Meta“最强视频模型”不用DiT这个观点是有误区的? 为何工业界, 大家越来越多用流匹配而不是diffusion生成视频或图像? 这套媒体基础模型平台的发展对未来内容创作可能产生什么影响?对Meta Movie Gen里那些高冷的技术难点细节感兴趣的朋友们, 本期我们汇总了十余个技术问题(FAQ), 来请老洪深入浅出的逐个击破, 带着你们一起揭开Movie Gen神秘的面纱.感谢大伙儿的喜欢和关注! 对于Movie Gen还有什么想了解的, 有疑问的, 随时可以在评论区留言, 我们会尽量给你们解答~Timeline* 00:25 Movie Gen需要的大量训练数据从何而来?* 01:58 MovieGen 是怎么进行过滤和清理数据?* 02:49 误区解析: "Meta“最强视频模型”不用DiT，用Llama大力出奇...去小宇宙查看完整单集简介在小宇宙查看该单集文稿

AI视角和人类视角同台点评Meta电影生成模型即便Sora已经给大家足够的预期，想必很多小伙伴都看到Meta Movie Gen的Demo了吧?这次Meta作为视频生成界杀出来的黑马, 亮剑即绝招. 全能生成王—视频音频文武全能, 效果直接炸街!本期节目与GoogleAI(NotebookLM)的主播一起初步探索Movie Gen, 速览Meta开源的92页技术论文,简单介绍Meta四大模型. 涵盖了MovieGen使用的创新训练方法; 如何利用反向学习巧妙地进行人工合成数据训练以及个性化视频功能的工作原理及其带来的新可能性等细节探讨.这是首次引入AI辅助制作节目, 一方面实践一直倡导的利用AI提升生产力的理念, 同时看看小伙伴对ML技术论文解读有没有兴趣。另外, 小小预告下, 我们在筹备一期Movie Gen深入解析, 欢迎大家留言你有兴趣的问题，我们会在后续节目中努力为大家安排。...去小宇宙查看完整单集简介在小宇宙查看该单集文稿

为什么马斯克等大佬希望AGI发展慢下来?如何阻止终结者到来?带你用好AGI这把双刃剑.这期和小伙伴们畅聊下超级智能, 灵感来源于奥特曼The Intelligence Age的文章. 听完你会对AGI（通用人工智能）和ASI（超级人工智能)有更加立体,本质的理解, 明白比起人类,它最大的本质区别/特点是什么?如果AGI/ASI真的如奥特曼预言的‘几千天’就能抵达, 作为这个革新的原动力“Scalling Law”, 有哪些假设前提值得我们了解和思考的? 虽然AGI来袭下, AI无可避免的会取代部分人的工作，但我们仍然可以利用AI提升工作效率, 并和AI协作来提升竞争优势。 此外也微探索了下大家最关心的AGI对就业的潜在影响, 大家是否会面临失业等问题. 不远的前方, AI时代的两条可能路径的探索: 一是人类进入“乌托邦”式的自由生活，二是面临失去经济自主权的风险。欢迎大家在评论区留言...去小宇宙查看完整单集简介在小宇宙查看该单集文稿

Cursor集成式的编辑体验是怎样的?从Cursor看与AI协作新范式本期我们探讨了Cursor带来的革新理念:在新的生产方式下创造产品,实现更高效的生产。以AI智能伙伴协同办公(如旅行规划)为例,展示了人与AI协作的新模式。这种模式与传统AI办公的最大区别在于:你从使用AI 工具的底层劳力翻身成为压榨 AI 干活的经理人。虽然ChatGPT等工具已经能够提供咨询建议,告诉你如何完成任务,但最终执行仍需要你亲力亲为。而Cursor展示的可能性更进一步 -- 它将你的角色提升为管理者(manager),而Cursor则成为真正帮你完成工作的得力助手.这种转变意味着,你可以专注于制定策略和做出决策,而将具体的执行工作交给AI助手。这不仅提高了工作效率,还改变了人与AI协作的本质,使得创造过程更加流畅和高效本期播客我们从下几点来深入探讨Cursor AI这款智能编程助手~* Cursor集...去小宇宙查看完整单集简介在小宇宙查看该单集文稿

“还能看到GPT5吗?O1在推理过程中有实时搜索吗? 是否代表了一个全新的训练方向?” 收集了7个挺有意义的O1问题, 并第一次尝试录制FAQ来深入解答这些疑惑。希望通过这期播客能帮助大家更好地理解O1模型.如果小伙伴们有任何新的问题或想法, 以及这种FAQ的形式是否有帮助, 随时可以在评论区留言告诉我们呀~Timeline* 03:20 O1模型用来做数据反哺, 是否可行* 05:00 O1是否代表了一个全新的训练方向? 是否有可能取代GPT系列? 我们还能看不到GPT5吗* 06:14 O1使用的强化学习RL与之前训练ChatGPT的RLHF有何异同, 这次有什么新创新* 07:43 O1模的出现会被prompt engineer彻底取代, 未来应用种人工设计Prompt的角色会如何变化* 08:43 O1的COT和传统的COT(思维链)有啥区别, 有很多怀疑说O1只是特...去小宇宙查看完整单集简介在小宇宙查看该单集文稿

新发布的O1模型是否和大家之前的预期相符, 惊喜还是失望更多?OpenAI备受期待的"草莓模型"以新命名O系列霸气亮相, 一改连基本算数都搞不明白的文科生, 腰身在数学,科学, 编程等领域展现出令人惊艳的理科思维, 妥妥理科学霸!作为‘推理’模型的首个代表, 官网宣称O1的在处理复杂推理任务的重大进步, 代表了人工智能的新水平, 各大媒体相继称其开启了大模型的新纪元.本期话题以纯技术主题的知识分享, 带大家一起去了解O1系列是技术新突破, 还是新瓶装老酒.Timeline00:58 对O1模型的两个直观感受04:41 纠正观点: O1达到博士生水平了?05:38 O1的发布有哪些更加深远的意义和本质影响06:33 O1的两点小启发:* 让AI模型通过思维链走向"理科生"的新道路* 后训练的scaling law为模型self evolution奠定基础09:49 强化...去小宇宙查看完整单集简介在小宇宙查看该单集文稿

你们是否也好奇AI搜索引擎的背后技术?坊间传闻500行代码搞定的核心技术, Perplexity有何魅力可以估值30亿美金? 它的运行速度为何能够如此快速地回答问题?这一期我们会带领大家一起深入揭秘AI搜索的前沿技术和未来发展. 通过对市面上的AI搜索引擎调研的结果分享, 为你硬核拆解这些技术难点. 一起畅想AI搜索的未来,并探讨它对独立开发者的影响, 究竟AI搜索结合社区模式会擦出怎样的火花呢?00:39Perplexity区别ChatGPT之处: 联网以及兼容多种模型02:28坊间说核心技术仅需500行代码? 作为市值30亿的公司, 它技术是否有过人之处?03:15除了RAG的其余技术突破: AI解答问题的基本步骤06:02通过用户交互来优化最终生成的答案07:03当前技术发展的整体水平, 突破和瓶颈08:20同类产品的测评比较: Perplexity很快但仍没有实时的信...去小宇宙查看完整单集简介在小宇宙查看该单集文稿

用AI做副业真的能赚到钱吗?这一期,晓晓和老洪将为大家深入分析用AI进行副业赚钱的可行性, 并教你从本质上如何判定一个行业是否能赚钱!通过数据分析和理论实验,我们详细探讨了两种主要的AI赚钱方式:流量账号变现和贩售AI生成的产品或服务。重点关注普通人在这些领域中获得可持续收入的可能性以及AI副业的市场前景。此外,本期节目还对产品市场匹配PMF, 进行了实际应用和演练。内容丰富,干货满满, 欢迎大家的收听并在节目下方留言提问, 加入我们的讨论~Timeline* 00:17 普通人, 通过AI副业赚钱是否可行？* 00:27 定义副业赚钱的标准：每天收入100元，月收入3000元* 01:20 两种AI赚钱方式：流量账号变现与贩售AI产生的产品/服务* 01:56 复习上一期的学习内容: 用产品市场匹配（PMF）框架来分析AI副业的市场情况* 03:31 实验方法以及实验对...去小宇宙查看完整单集简介在小宇宙查看该单集文稿

创业早期唯一重要的事情—产品市场匹配（PMF）本期博客,我们将带领大家深入学习产品市场匹配（PMF），也是创业早期至关重要的环节。我们探讨了红杉资本的一篇经典文章，并原创总结出了一个简单易懂的需求/产品四象限模型，帮助大家更好地理解市场需求与产品的契合度。此外帮助理解,也涵盖了科技产品领域的多个实际案例，深入分析了PMF的应用，帮助大家在创业路上少走弯路。时间线：* 00:10 - 产品市场匹配（PMF）的基本概念* 00:11 - 常见的失败原因（为何找不到PMF）* 00:25 - PMF是否等同于市场需求分析？* 01:05 - 红杉资本文章解析：《The Ark Product Market Fit Framework》* 01:21 - 三种基本原型分析：01:31 - Hair On Fire 紧急需求：技术壁垒与差异化竞争的关键 02:42 - Hard F...去小宇宙查看完整单集简介在小宇宙查看该单集文稿

这期节目详细讨论了微信在人脉管理功能上的潜在市场和商业动机.从市场和产品的角度切入，带领大家一起体验一次商业产品设计(peer design), 并系统性地设计出一款能够简化小微企业主和个体经营者人脉管理流程的解决方案.00:10微信忽略了的微小企业以及个体经营者用户覆盖需求01:09人脉管理功能的市场需求和痛点01:23 可能的盈利模式02:43 功能模块设想: 联系人信息共享、用户资料管理和日历任务提醒。03:45 联系人整合:微信和LinkedIn的联系人信息资料互享, 如何解决Graph Conflation05:23 用户资料管理:快速搜索和自动对联系人进行分类分组08:03 互动和通知:推送通知和生成式AI功能增强用户互动在小宇宙查看该单集文稿

想象一下如果能够通过编辑文本的形式，直接编辑语音内容，让语音视频的编辑自动根据文本完成, 这是不是众多剪辑者的理想场景? 对, 现如今语音编辑技术实现这个功能完全不在话下, 它将使音视频编辑变得更加简单高效，极大提升创作者的体验。我们这一期节目详细介绍语音编辑的现阶段能力,实现原理以及难点突破~欢迎小伙伴们收听,订阅我们的频道, 跟着我们一起了解这个创新如何改变音频剪辑的游戏规则00:08 语音可以像文字一样随意编辑的吗02:31 生成相似音色难度和声音克隆谁的更大05:51 Transformer的填充词检测08:56 如何进行填充词的检测12:25 如何处理音调的变换和统一16:03 替换语音的过程如何保证对话的流畅和自然在小宇宙查看该单集文稿

欢迎收听本期播客！今天我们来聊聊持续集成和持续交付CI/CD从繁琐耗时的手动测试部署,到CICD带来的快速集成，我们会揭示CI/CD如何加速上线、减少错误，并大大提升团队协作的效率. 这期节目都将带你了解CI/CD的关键优势，以及如何在自己的项目中成功实施. 感谢大家的聆听, 也欢迎在留言区和我们继续探讨和提问. 01:29 持续集成和持续交付的最大特点 02:44 持续集成/交付的挑战和风险把控 04:09: 什么是回滚机制？它在CI/CD中有多重要 05:48 降低CI/CD风险的-从单元测试到集成测试 07:55 如何帮助不同企业自我定位CICID的需求 08:17 CI/CD的重要性 13:10 使用Kubernetes和CI/CD的区别‘ 15:00 利用 AI 提高 CI/CD Pipeline效率 18:06 AI 在CI/CD的应用在小宇宙查看该单集文稿

你是否曾想过，如果能够复制某位名人的声音，会是怎样的体验？或者，你是否好奇声音克隆在科技、艺术和娱乐领域的应用？本期播客深入讨论了声音克隆(Voice Cloning)的基本原理和技术实现细节,我们将深入探讨声音克隆技术的奥秘。别担心，我们会为你揭开这个神秘面纱。0:39 什么是声音克隆3:00 声音克隆的原理和技术6:20 个性化声音 (声学模型的妙用)7:30 高质量的音源 预处理和预判断8:55 语音克隆技术将如何处理语音语调韵律的变化12:58 不同声学模型的不同表达力的差异14:30 如何弥补训练数据不足16:56 如何解决口语化的声音合成19:25 虚拟歌手 AI孙燕姿的技术解读和思考在小宇宙查看该单集文稿

本期主题是流处理 Stream Processing, 我们很荣幸的邀请到了Brook, 一线科技大厂Software Engineer Manager, 一起探讨流处理与传统批处理 Batch Processing的区别、应用场景以及主流数据处理引擎的分享讨论. 欢迎大家参与留言或者踊跃提问, 一起加入我们的讨论~* 0:35 流处理的概念及其相对传统批处理的实时性优势* 2:16 详细探讨流处理在处理非结构化数据中的应用* 3:27 比较流处理和传统批处理的实际应用场景* 4:42 流处理的应用: 优化广告展示* 6:10 为何流处理可以适应分布式系统并行化的优势特点* 9:20 流处理在大企业和大数据处理中的重要性* 11:17 热点话题 Trending Topic的流处理应用* 15:18 企业报告下载数据总量的限制* 21:05 数据处理引擎 Spark和Fl...去小宇宙查看完整单集简介在小宇宙查看该单集文稿

欢迎和我们一起EnterAI!在本期中，我们探讨了一个非常有趣的话题：大型模型学习面临的数据即将用尽的我们何去何从?我们从大语言模型出现之前 AI 学习的预处理标注开始，逐步深入到 AI 模拟进行的自监督式学习，以及 AI 是否能像人类一样产生智能的探讨。我们还探讨了 AI 到底能够学习多少内容，以及自监督式学习所涵盖的知识和理解能力。同时我们还分享了一些关于如何提高预训练数据利用效率的方法，并讨论了准备训练数据教材时可能遇到的难题。最后，我们探讨了如何加强模型对长距离依赖学习和深层次模式识别的能力，以及生成合成数据的可行性和挑战。不要错过这一期内容丰富、引人深思的讨论！我们也期待听到您的想法和见解，欢迎留言分享您的想法、提出问题或者分享您的经验。感谢您的收听!01:30大语言模型出现前AI学习需要预处理标注05:59AI模拟进行自监督式学习07:39AI是否能像人类一样产生智...去小宇宙查看完整单集简介在小宇宙查看该单集文稿