【AI 学习笔记】第二章:国内套壳犹如雨后春笋,贩卖焦虑成最大赢家

简介: 【AI 学习笔记】第二章:国内套壳犹如雨后春笋,贩卖焦虑成最大赢家

  关于AI的新闻和各种视频在网络上实在是太多太杂了,于是我开始更新这个专栏【AI学习笔记】,本专栏是以用通俗易懂的语言,以我们普通人小白测试人的视角,领略2023年的最大黑马人工智能领域,记录每天发生的巨变,希望大家能够喜欢。关于AI的新闻,全局的认识,未来的把控,看这一个专栏就足够了,所以要马上点赞收藏哦~

  “纵使这世界上有一万个悲惨,也还有一百个美好值得你活下去。”

   -----某网友

   最近我的短视频app已经被chatGPT攻陷了,大概刷十个,就会有八个都是国产gpt的广告,注意,这里并不是指文言或千问那种自研AI,而是声称调用了国外gpt3.5 - 4.0接口的套壳软件。

   一开始见到的时候,还是很震惊的。我料到了国内会有一大批选手,趁着国人无法访问gpt官网的机会,研发套壳产品,借此大规模敛财。但是没想到他们会这么快...但是他们估计都忘了为什么访问不了?这样的操作,让郭嘉的墙措施毫无意义,担心和风险全部出现。

   再加上诸如【gpt淘汰百万人,一键生成app,瞬间秒了原画师,轻松生成动画电影,真人模特全部下岗】等标题的漫天宣传的焦虑,让他们暴富了一波,却留下了一地鸡毛,数以千万的人们因此焦虑,对未来丧失信心,甚至诞生出了上学无用论这种危险想法。比如在网上经常刷到一些连代码都没写过几句的其他行从业者,张口就来【三秒钟一键生成app,程序员们全要下岗了】 这种视频,真就外行看热闹,内行看笑话。评论区全是呵呵... 点赞最多的评论是:“请问是生成一个全是bug的计算器demo,还是一个压根不能运行的原神?为什么我们不去github直接下载现成完整的项目呢?”

   但你以为这些up主是真不懂么?难道他们不知道自己在说什么笑话么?不,他们当然知道,而且他们是故意的。因为这样说可以贩卖焦虑...归根结底,不是为了流量就是为了小钱钱。

   果然,任何时代靠信息差赚钱都是王道。国外研发了一个工具,国内却很多人以违法途径先浅浅体验了工具为荣,甚至都没亲自测试只不过复制粘贴别人的文案录个露脸解说视频,就自以为就高人一等,就是科技先锋,就是AI教父了,难道他们不觉得穿着一身长衫喝着茶做着手串生意的博主突然来讲解chatGPT淘汰程序是一种何其尴尬的画面么?起码你换个格子衬衫都可以吧......

   各种培训gpt使用,咒语的课程也雨后春笋出现。殊不知,在这场动态的革命中,战场形式瞬息万变,前脚你努力花钱学的gpt使用说辞,后脚就被某个小自动化轻松替代,这并不是危言耸听,autoGPT就是对人类无法准确提问而开发出来的自动化提问工具,可以帮你彻底的榨干chatGPT的资源,这个工具以后再细说,关注这个系列,可以让你不再迷茫。

   总结起来一句话:只有对一个行业足够的无知,才能轻描淡写的评论一个行业的存亡。

   国内套壳软件诞生的速度还是很可怕的,有app,有网站,有小程序,粗略估计一下,差不多两千多个吧?当然,无一例外都是收费而且比gpt要贵的多的多,还利用官网无限注册赠送的免费额度来降低成本,还用gpt3.5来改个按钮的innerTEXT就冒充gpt4.0等等诈骗操作。

   这种软件统一的一个特点就是,不稳定,随随便便就突然失灵,让你的充值变成打水漂(那些冲年会员的脑子进了多少水,能稳定服务你一周都悬),当然,软件失灵之后,开发者骗一波钱就跑路成了最近最多的新闻。如此混乱的局面,自行想象吧。

   你要问为什么那么多人宁可被骗也要疯狂的充值?原因只有一个,还是拜那群up主的焦虑贩卖所赐,他们说现在不学gpt,以后不是失业那么简单了,直接变成无用物种了... 这句话和gpt的强大,甚至让我乡下五十多岁的姑姑都拼着血本去充值买各种渠道的gpt服务,前后被骗了差不多十几次吧,什么魔法工具,什么套壳工具。到今天,她还在熬夜刷着短视频,购买一切可以买的工具和软件。她坚信,未来种地的种子选择应该让gpt来选。这情形,和每年来乡下宣传老年人保健品的感觉很像... 国人gpt在国内被那些骗子玩出了新高度。

   当我问她,为什么不选用国产模型,比如一言,她却说:那个太垃圾了,网上那些视频博主都做过对比了,啥也不是,白扯。

   但其实,她连用都没真正用过,就盲目的相信了那些流量博主的话,虽然不否认其中部分观点是事实,但差距也没想的那么悬殊。就好像给你一台gtx4080显卡电脑,一台3060显卡电脑。价格差距非常大,但你只是用来玩连连看,额外的成本其实没有必要,你认为有必要选4080,那只是别人告诉你的,无中生有,放大差距,避重就轻,偷梁换柱他们最擅长了。

   讲个小故事,我曾经在一家智能穿戴设备公司工作,这个小设备挺牛的,可以同时根据gps、wifi、基站来智能推断定位,算法也是经过我测试了很久很久,确保世界顶级准确度,各种技术上的突破和优点可以说好几十页。但它只有一个无法解决的难题,那是世界物理学都没有突破的问题,就是放在纯金属密封小盒子中,会丧失信号,国外也没有竞品可以搞定这个问题,这是无解的。但现实中,是不会有这种环境出现的。后来我无意中关注的一个所谓评测博主,居然突然评测了我们这个智能穿戴设备。而且他的测试,全程一半多都是放在密封小铁盒中,然后自然得出结论:不好用就砸喽!而且这个过程中,他一次也没有提金属盒,铁盒。只是轻描淡写看似寻常的说,不小心把它遗落在了不起眼的角落中.... 让粉丝们以为,这么寻常的情况都会失联,果然是垃圾....  那一刻,我突然发现,这是高手啊...  开发老大在我旁边说道:这人他知道,是我们竞品公司前几天花重金请的。

   再联想国内铺天盖地的关于国产gptVS国外gpt的所谓评测对比,内行看完真的觉得这误导性还是挺高的。

   而国产gpt模型和chatGPT模型的差距本质原因,是汉语vs全世界语言、国内资源vs全人类资源的问题,并不是技术差距,卷积模式下没什么质的飞跃,都是一个山上的狐狸,一只公一只母罢了,这个问题我之后章节会细说。

   总之一句话,现在各位不用太焦虑,没用。大风大浪下个人的努力没有什么改变,毕竟我们只是普通人,只要默默地围观就好了。关注这个【AI 学习笔记】系列,带你用普通人的视角,掌控AI的一切情报。

   

相关文章
|
3月前
|
人工智能 测试技术 API
AI计算机视觉笔记二十 九:yolov10竹签模型,自动数竹签
本文介绍了如何在AutoDL平台上搭建YOLOv10环境并进行竹签检测与计数。首先从官网下载YOLOv10源码并创建虚拟环境,安装依赖库。接着通过官方模型测试环境是否正常工作。然后下载自定义数据集并配置`mycoco128.yaml`文件,使用`yolo detect train`命令或Python代码进行训练。最后,通过命令行或API调用测试训练结果,并展示竹签计数功能。如需转载,请注明原文出处。
|
3月前
|
JSON 人工智能 数据格式
AI计算机视觉笔记二十六:YOLOV8自训练关键点检测
本文档详细记录了使用YOLOv8训练关键点检测模型的过程。首先通过清华源安装YOLOv8,并验证安装。接着通过示例权重文件与测试图片`bus.jpg`演示预测流程。为准备训练数据,文档介绍了如何使用`labelme`标注工具进行关键点标注,并提供了一个Python脚本`labelme2yolo.py`将标注结果从JSON格式转换为YOLO所需的TXT格式。随后,通过Jupyter Notebook可视化标注结果确保准确性。最后,文档展示了如何组织数据集目录结构,并提供了训练与测试代码示例,包括配置文件`smoke.yaml`及训练脚本`train.py`,帮助读者完成自定义模型的训练与评估。
|
3月前
|
人工智能 并行计算 PyTorch
AI计算机视觉笔记十八:Swin Transformer目标检测环境搭建
本文详细记录了Swin Transformer在AutoDL平台上的环境搭建与训练过程。作者从租用GPU实例开始,逐步介绍了虚拟环境的创建、PyTorch安装、mmcv及mmdetection的配置,并解决了安装过程中遇到的各种问题,如cython版本冲突等。最后,通过修改代码实现目标检测结果的保存。如需了解更多细节或获取完整代码,请联系作者。原文链接:[原文链接](请在此处插入原文链接)。
|
3月前
|
机器学习/深度学习 人工智能 PyTorch
AI计算机视觉笔记三十二:LPRNet车牌识别
LPRNet是一种基于Pytorch的高性能、轻量级车牌识别框架,适用于中国及其他国家的车牌识别。该网络无需对字符进行预分割,采用端到端的轻量化设计,结合了squeezenet和inception的思想。其创新点在于去除了RNN,仅使用CNN与CTC Loss,并通过特定的卷积模块提取上下文信息。环境配置包括使用CPU开发板和Autodl训练环境。训练和测试过程需搭建虚拟环境并安装相关依赖,执行训练和测试脚本时可能遇到若干错误,需相应调整代码以确保正确运行。使用官方模型可获得较高的识别准确率,自行训练时建议增加训练轮数以提升效果。
|
3月前
|
人工智能 开发工具 计算机视觉
AI计算机视觉笔记三十:yolov8_obb旋转框训练
本文介绍了如何使用AUTODL环境搭建YOLOv8-obb的训练流程。首先创建虚拟环境并激活,然后通过指定清华源安装ultralytics库。接着下载YOLOv8源码,并使用指定命令开始训练,过程中可能会下载yolov8n.pt文件。训练完成后,可使用相应命令进行预测测试。
|
3月前
|
传感器 人工智能 算法
AI计算机视觉笔记二十七:YOLOV8实现目标追踪
本文介绍了使用YOLOv8实现人员检测与追踪的方法。通过为每个人员分配唯一ID,实现持续追踪,并可统计人数,适用于小区或办公楼出入管理。首先解释了目标检测与追踪的区别,接着详细描述了使用匈牙利算法和卡尔曼滤波实现目标关联的过程。文章提供了基于IOU实现追踪的具体步骤,包括环境搭建、模型加载及追踪逻辑实现。通过示例代码展示了如何使用YOLOv8进行实时视频处理,并实现人员追踪功能。测试结果显示,该方法在实际场景中具有较好的应用潜力。
|
3月前
|
人工智能 PyTorch 算法框架/工具
AI计算机视觉笔记二十二:基于 LeNet5 的手写数字识别及训练
本文介绍了使用PyTorch复现LeNet5模型并检测手写数字的过程。通过搭建PyTorch环境、安装相关库和下载MNIST数据集,实现了模型训练与测试。训练过程涉及创建虚拟环境、安装PyTorch及依赖库、准备数据集,并编写训练代码。最终模型在测试集上的准确率达到0.986,满足预期要求。此项目为后续在RK3568平台上部署模型奠定了基础。
|
3月前
|
人工智能 TensorFlow 算法框架/工具
AI计算机视觉笔记十七:实例分割
本文介绍了计算机视觉中的实例分割技术,通过结合目标检测和语义分割的方法,实现对图像中不同实例的精确区分与标记。以识别多只猫为例,详细描述了使用Mask R-CNN模型进行实例分割的过程,并提供了相关代码及环境搭建指南。通过实例演示,展示了如何利用该技术成功识别并分割出图像中的各个对象。
|
3月前
|
人工智能 并行计算 测试技术
AI计算机视觉笔记三十一:基于UNetMultiLane的多车道线等识别
该项目基于开源数据集 VIL100 实现了 UNetMultiLane,用于多车道线及车道线类型的识别。数据集中标注了六个车道的车道线及其类型。项目详细记录了从环境搭建到模型训练与测试的全过程,并提供了在 CPU 上进行训练和 ONNX 转换的代码示例。训练过程约需 4 小时完成 50 个 epoch。此外,还实现了视频检测功能,可在视频中实时识别车道线及其类型。
|
3月前
|
人工智能 测试技术 PyTorch
AI计算机视觉笔记二十四:YOLOP 训练+测试+模型评估
本文介绍了通过正点原子的ATK-3568了解并实现YOLOP(You Only Look Once for Panoptic Driving Perception)的过程,包括训练、测试、转换为ONNX格式及在ONNX Runtime上的部署。YOLOP由华中科技大学团队于2021年发布,可在Jetson TX2上达到23FPS,实现了目标检测、可行驶区域分割和车道线检测的多任务学习。文章详细记录了环境搭建、训练数据准备、模型转换和测试等步骤,并解决了ONNX转换过程中的问题。
下一篇
DataWorks