Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
其实在GPT的大模型里边的知识是非常大的
我们在现在只不过是Activator的其中一点点
然后是通过这种instruct或者说是chat的方式
去让这个模型的输出变得更 palatable to human
就是我们更容易理解
它的思维模式可能远远在我们所能理解之上
其实有一个问题就是你的prompt
你要去让chatGPT完成各种各样的任务
那到底是一个工程技巧还是一个PM技巧
就是你是要交给chatGPT怎么用呢
还是你是要告诉chatGPT做什么
再说一些过往的历史
就是chatGPT这件事不是一个真的prediction
它只不过是历史很多颠覆科技的重复
hello 大家好
之前我不是写过一个文章吗
关于chatGPT的五个问题
我发现我其实写了一个slides
然后才去年的三月份
今天我就会结合这个slides里的内容
然后和我们这一年的观察
给大家重问一下这五个问题
然后带来一些新的见解
像大家看到的
我现在其实是在一个狗公园旁边
然后我就坐在狗公园旁边去给大家看
我们可以先看一下它的
一个immersive mode
在狗公园里边我瞬间就来到了
乔布斯发布会的那个现场
然后我在这里就可以去
给大家去讲我的这个PPT
第一个问题
好像这样还是不太好玩
我们还是回到我们原来的那个模式吧
这样的话就给大家一边看
我们做的这个一边看狗狗在那里
玩
好
是哪五个问题
然后为什么这五个问题都很重要呢
第一个就是chatGPT到底是什么
它是一个汉式突破吗
我们在这个vision pro出来的时候
在iphone出来的时候
在一个新科技出来的时候
我们在这个vision pro出来的时候
在iphone出来的时候
在一个新科技出来的时候
这都是一个我们最需要问的问题
为什么这个问题重要
因为它只有汉式突破
它能带来一个十倍百倍的机会
如果你在原有的基础之上
做一个小范围的突破
而不是一个汉式突破的话
那它其实能带来的机会是有限的
因为汉式突破
它可以让你做到之前完全不可能做到的事情
而不是在原有的基础之上将本增效
第二个就是我们怎么样子去了解
大跃模型的impact到底是什么
第三个就是我们如何去制造一个大跃模型
第四个问题是我们如何使用大跃模型
第五个是我们人类和大跃模型有什么不一样
这四个问题都是瞬间的
就是我们了解了它到底能产生什么样的影响
尤其是站在这个技术刚刚出现的时候
我们要去想象它5年后10年后的影响
这样的话我们才可以知道
它给我们带来的机会在哪里
带来有影响之后我们想抓到这个机会
那接下来就是说它的难度是如何
这样一方面我们可以了解它的发展速度
另一方面也能了解我们在这里面应该做什么
那现在说假设我们不是作为大模型的生产方的话
那我们应该怎么去使用它
才能更好地让它去改变我们的生活
抓住这里面的机会
最后其实是一个纠结问题了
就是我们站到这个技术已经发展到
技术已经发展到完全非常成熟的时候
那人类和这个技术还有什么不一样
就是说我们还应该去做什么
才是不会被这个技术所改变的
就是为什么这5个问题是这样的顺序
和为什么这5个问题这么重要
不连网上很多东西都是noise嘛
那在这个noise之外到底还有什么东西是重要的
有一些技术细节是必须要知道的
我们这就进行一些最最最简单的技术普及
那最简单的就是
Chai GPT它其实是一个几个关键词
我把它放大一点
还可以再远一点吗
再来
好像也就这么远了
Chai GPT它是一个叫做
Generative Autoregressive Large Language Models
它是一个大语言模型
然后这个大语言模型它的本质是一个生成式的
然后它是一个autoregressive就是自回归式的
那这个具体怎么理解
就是它是这个是一个就是
Stefan Warframe的一个图
我觉得他讲得很好
它的底层的那个模型GPT
它要做的事情就是你去generate the next word
那这有一个好处就是
它人类有海量的文本去训练这个模型
就是它在小光设法生成下一个次
然后你这样自然而然就可以把人类已知的文本和它去进行一个匹配
看它生成的对不对
这样的话你就有海量的标签好的数据去帮助你这个模型去学习
之后就是这个他们非常重要的skilling law的这个observation
我在这稍微再多解释
就在这里就多解释一下吧
为什么generative这个任务如此是重要
有两个点
第一个就是过去的Models它都不generate
它只能做一个非常简单的任务
那它做一个简单的任务就是你告诉它一个目标
然后你能告诉它做得好还是不好
那它就可以去学习
在这方面可以做得很好
但是问题是你所有的告诉它做得好还是不好的这些数据都必须要标注
都是所谓的labeled
包括你的这个就是unsupervised learning
其实你在一定程度上也必须要告诉这个模型的做得好还是不好
那这样的数据其实是有限的和人需要去生成的
也就是说你不能让模型去举一反三
你只能让模型去做一个已经限定好的任务下去进行优化
可是generative这个事情就变得非常的
在文本上的generation就变得非常的普世
因为人类有海量的文本
那你只要告诉
你就什么都不用想
你甚至不用去定义这个任务
你只要把这个海量的文本
只要你的质量还是可以的
所以说你的这个数据量一下就可以多了很多
那接下来你需要去做的就是去想方设法
把这个模型变大
让它可以多学到这里边的知识和多给模型一位高质量的文本
接下来就是一个labeled phase
你会相信这么一个大模型能产出好的结果
这个labeled phase非常的重要
但是openAI的人很明显是有这样的一个信仰的
他们也做到了
这些技术细节我们就不多聊了
就是接下来那一个技术很重要的点就是in-context learning
然后这一点其实是非常重要的
就是fan tuning和in-context learning的区别是什么
尤其是fan tuning和fuel shot的区别是什么
因为乍一看他们其实可能是差不多的
这也是很多过去的machine learning scientist在这方面会出现问题的地方
在这个概念上会出现问题
因为其实你说in-context learning是不是fan tuning
从一定程度上也是可以这么说的
因为fan tuning这个词并不是特别的精确
所以我们这儿就发现fan tuning其实是一个过度browth
过度宽泛的一个词
那我们怎么样去区别呢
我们就区别过去的machine learning model
是需要change the weight of the base model
但是in-context learning其实是activate the different weights in the base model
它不需要change the weights of the base model
就是你用GBT出来的东西你其实是不改变的GBT的
你是拿着GBT这个模型然后去提炼出来了一个不一样的东西
是通过alignment这一层去提炼出来了不同的东西
而可以activate不同的weight
但是你没有回去做一个不同的任务
就要去把GBT给改变一次
这个是很重要的
这就是区别了
区别来就traditional如果说一个high level的解释的话
traditional ML是new task需要new model
in-context learning可以让你做到new task same model different alignment
然后第三个重要的点就是emergence就是涌现
大模型的涌现是一个非常非常重要的点
就是它不是线性的一点一点变好的
而是过了一个节点突然就变得很好了
这个点是很重要的就是
它会让你的工程变得不是那么可控
我们不知道为什么我们也不能particulate
但是我们知道它好像你给他足够多的数据
足够大的模型它就出现了
这些我们就一个一个过我们就不多说了
你如果想看的话可以了解
那所以这个时候你就是这个图像很可怕
但是我觉得其实讲的还是有点道理的
就是我们在背后呢是整个就是GBT的这个所谓的unsupervised learning
当然这个词也不是完全准啊
我觉得更准的是把这个unsupervised learning变成那个GBT
就是它的base model
然后supervised fine tuning呢
我们把它叫做就是alignment吧
然后reinforcement learning with human feedback
这个可以是alignment中间的一环
是alignment的其中一种方法
我就不太多去详细解释它了
但是总之呢就是
其实在GBT的这个大模型里面的知识是非常非常大的
我们在现在呢只不过是activate它的其中一点点
然后是通过这种instruct或者说是chat的方式
去让这个模型的输出变得更palatable to human
就是我们更容易理解
或者说我们更容易appreciate
其实它的思维模式可能远远在我们所能理解之上
只不过我们没有办法理解模型在想什么
我们需要用chat的方式去理解模型在想什么
最后就是这个reinforcement learning with human feedback
其实如果大家去看instructGBT和chatGBT的paper的话
你会发现他们的整个范式是非常非常接近的
基本上就是这个蓝色和绿色的区别
但是其他的就是你怎么样去用这个reward function
你怎么去用这个policy
然后怎么样去做reward model
都是几乎是一样的方式
其他的所有的点都是一样的
只不过是这个它到底是instruct去做align还是去用chat做align
这就是未来其他很多模型
就是OpenAI会出现很多模型的方法
就是它不一定要用instruct或者chat
它可以有别的方式去align这个模型
然后去输出对应的效果来适配不同的任务种类
最后一个就是我们把所有刚才说的东西给总结到一起
我们在最底层会有一个pre-trend这个foundation model
然后我们可以去翻tune来change rate的话
就是你拿到一个GBT你训练好了一个GBT
然后你需要根据新的任务去翻tune
然后把整个GBT的foundation model都改了
那就是traditional ML的做法
那不是我们现在的做法
我们要在左边那条路径上画个叉
接下来我们是翻tune to activate different weights
其实我们就把这一层其实应该改成叫alignment
因为GPT有了in-context learning的这样的一个涌现出来的能力
导致我们可以通过alignment去activate不同的weight
在这个之下我们再用不同的方式
我们接下来会说就是我们现在所看到的
不管是GPT store也好还是这个agents也好
都是在tryGBT之下的一个方式
那我们回头再展开就好
我打一个比方
就是我们在了解了以后我们可以用一个比方再去理解
我不喜欢用比方来开头
因为那个时候会带来一些误解
就是我们整个GBT的printrand这个base foundation model
其实是钢铁侠的那个反应核心就是它那个arc
它中间这个反应核心有了以后你才有可能做出钢铁侠
其实上面那些武器人类都已经有了
或者说tony stark industry已经有了
你没有中间的那个核心
那就像下面这张图一样是那个什么hamley industry
就是他试图做出来一堆长得像ehrman的东西
可是他没有那个核心
你有了核心以后你通过不同的alignment
也能把它调教成不同的任务
就是这里边我们看到刚才在山里边的不同的钢铁侠
它可以适配不同的任务
但是前提都是要有那个核心
那个核心的质量是最重要的
这个时候很多时候大家忽视
或者大家会用各种各样的开源的模型去做出来一个看上去也不错的这个核心
但是其实它的核心的质量比钢铁侠差很远
其实就是钢铁侠2里边的那个鞭侠
用鞭子的那个人
你可以把它理解成一个开源模型
它也能做出来一个核心
然后它做的这个核心的效果也能似是而非
但是它不是钢铁侠的这个核心
它也不能像钢铁侠在接下来的漫威里边
我们叠带出来那么多的TAC
因为它的这个核心是不够强的
然后它的这个研发能力也是不够强的
这个我在后援视频里边有讲过
就是为什么OPEN AIC现在是站在一个指数增长的环节上
这个LOM的历史我就不多说了
就是它到底是过去的发展
Transformers的它到底是什么
Transformers的这个发展
我这儿之前都有兴趣的话
其实应该去看俊林老师的那个文章
就是我绝大多数的对这个知识是通过他的文章传起来的
包括T5
怎么样子把所有的TASK扔成generative task
这是一个非常重要的点
还有一些其他的退口的东西
比如说GBT是怎么开始的
然后这个就是GBT和Bert在PKGBT完败的情况下
大家是怎么样子去stick with GPT的
然后Chain of Thoughts就是里边的作用
还有Gate在这里边扮演的关键角色
就是在GPT3到3.5到拆GPT的时候
Bert Geiss在这里边其实扮演了非常重要的角色
他在里边有说我也不多说了
那接下来就进入我们的正式环节
就是这五个问题
第一个就是它是不是一个只是一个更好大于模型
这个其实是乐困的观点
就是GPT其实没有什么不一样的
它是一个更好的模型
它没有反射突破
那我接下来要问的问题就是
我们人类是不是只是一个更聪明的猴子
答案肯定不是
那我们就要抱着这个观点
就是说你不能因为我们看不出来人类和猴子的大脑有什么不一样
而去否定人类和猴子不一样
拆GPT似乎从原理上和其他大于模型不一样
但是我们要接受拆GPT有可能不一样的可能性
过去的Masenner Model是什么
就是我们要知道不一样的话
我们就要知道过去的Masenner Model是什么
那过去的Masenner Model它其实就是Find Correspondence
它是在数据里面寻找一些规律
那你可以告诉它你这个规律寻找的对不对
最简单的就是你给它一对X
给它一对Y
然后把X给Map到Y
那接下来它选好了这个X和Y之间的关系以后
你再给它一对新的X和一对新的Y
看它能不能Map的好
你可以在这里边有各种各样的方式
设计各种各样的Lost Function
去帮助它和你的机制
去帮助它去把这个Correspondence找的比较好
找到你想要的Correspondence
而不要找那些Overfitting或者说是Underfitting的东西
同时你再把它和其他的计算机的功能给结合起来
你就可以让它做很多的事情
就是过去的Masenner Learning
但是Masenner Learning它有一个问题
就是它只会英武学舍
它不能理解
当然这两个词都非常的重
所以说我们接下来就要去讲这个什么是理解
在这里边有一个Window Grad Schema
它非常好的去讲了这里边的理解
我觉得最好的就是朱松淳老师所说的乌鸦和英武的区别
就是在一个城市里边乌鸦可以通过观察车观察人
它想要达到一个打开一个坚果的这样的一个任务
它就发现车是可以在红绿灯前面停下来的
车可以压碎它的坚果
然后它就会把坚果Drop到这个红绿灯前面
让车去把它压碎
然后等到红灯的时候再去把这个坚果给Pick up起来
在这里边它只有一次任务
就是它如果被车撞了就被撞死了
所以说它所有这些东西都是通过它的Inference
都是通过它的理解
都是通过它的Comprehension
然后它自己在脑子里边Ran了一个Simulation
然后发现它觉得这样可以
它才去做的
而不是通过试错来试出来的
大家如果说是一个Masenner Learning Scientist
你就可以代入到Masenner Learning的工作方式
你可以知道过去的Masenner Learning
过去的Masenner Learning是不可能做这种东西的
因为它没有办法得到这样的数据
过去的Masenner Learning你只能通过1000个乌鸦
10000个乌鸦
100万个乌鸦
反复的去Randomly尝试
各种各样的Pattern找到了以后
然后再进化
可是这样的代价就是必须让你要死这么多个乌鸦
你是没有办法去在脑子里边
Simulate出来不同的效果
最后得到完成这个任务的
就是所谓的Deduce and Inference
拆JPT是可以做到这件事情的
而且它拆JPT
就是这个JPT3.5
和JPT3和以前的Masenner Learning Model
有一个很不一样的
就是以前的大羽模型
和很多哪怕现在的开源的大羽模型
有很大的区别就是
它可以做In Context Correction
就是说
它跟你说了一个东西
然后你跟它说你这说的不对
它马上说我说的不对
我来改
这是一个非常强的推理能力
这在JPT3.5之前
是没有一个模型
哪怕JPT2和JPT3都没有展现出来的能力
展现出来的这个以后
我们觉得JPT确实和过去是不一样的
它有了一个真正的理解的能力在
接下来就遇到了
就是去年我在出这个的时候的
一个巨大的debate
当然是乐坤为首
和一大堆数据科学家
一大堆Masenner Learning Scientist
都持这一派观点
现在大家听到的这个争论越来越少了
乐坤似乎也不这么想了
但是是不是大家真的被说服了呢
就是我们回来就去想JPT是不是真的有意识
这又是一个很重要的问题
就是如果JPT能理解的话
那JPT具备意识吗
如果JPT能理解的话
又具备意识
那它的这个模型我们又知道
就是你在这样的一个
autoregressive generative language models
的范式之下能不能培养出来一个意识呢
这就回到了一个哲学问题
就是意识到底是什么
其实我们不知道意识是什么
这个是哲学的
哲学给我们的启示
哲学是说我们并不知道人类到底是否有意识
然后这我这里边有链接
就是20世纪最重要的几个科学问题
就是意识到底是什么
人类到底是不是真的有意识
但是在Cognitive Science
里边我们就会发现了一个观点
就是人其实和猴子
和其他的动物biologically
其实不是特别的不一样
就是说我们
就是你如果光看我们和猴子的大脑的区别
你不会觉得你不会得出一个结论
说人类就是和猴子完全不一样的东西
那这样看起来我们的意识其实是emerge的
这个是一个Cognitive Science的观点
这个词大家就很熟悉了
就是JPT虽然它的结构和
其他的模式能力没有那么不一样
或者其他的大语模型不那么不一样
但是它似乎emerge出来了一些不一样的东西
那我们现在不要去深究
就是为什么JPT不一样
我们也不要去深究人类为什么不一样
我们只要去关注
它有可能是不一样的就好了
第二个就是
我们说JPT和以前是一个
完全不一样的范式更新
JPT到底是一个什么样的东西呢
这个其实我在我的视频里面总结
Gaze和Altman的说法
就是只有AIDA、Morris Law for everything
第一个就是它是一个
Near Perfect Abstraction of Internet Technologies
就是我们其实在过往的这个计算机呢
就是我们在算力和storage和存储上
进行了很多的颠覆和advancement
我们在数据的generation和利用上
进行了很多进步
然后我们是把这两个事儿给结合得很好
那其实GUI它就解决了很多
specific purpose的东西
比如说我现在在看的这些东西
都是跟GUI相关的
我去刷抖音
抖音是一个GUI去解决我的
就是产生视频
然后产生我的喜好
把该我喜欢的视频推送到我面前
然后高效率的去刷
它都被GUI解决得很好
但是拆JPT呢
它可以解决一个general purpose的东西
就是说我之前我抖音响很好
但是我跟他说
我想用抖音的这个能力去干一些别的事情
那我就需要去编程
但是这个编程的门槛是非常非常之高的
现在拆JPT呢
是可以让我去用自然语言去调动一个编程
这就是我左上角的这个例子
就是你来做一个Linux terminal
之后我们可能就跟拆JPT说
我要做一个什么
那JPT就可以帮助你调用算力存储数据
来去实现你的目的
我有另外一个比喻
就是GUI是山
然后拆JPT是水
水涨船高
迟早会淹没很多山的
那我们接下来就是说
说就是intellectual
就是我们智能的分发
过去是非常非常之贵的
因为智能是通过人
然后人能面对的人是有限的
可是我们接下来就可以进行智能的分发
把智能分发的编辑成本降为零
那一个医生
我就在过去也说了
就是医生律师等等的这些人
他可以同时服务无限度的人
而不只需要服务他面前的这个用户
我希望在一两年之后
我的JPT是可以做一个非常非常好的数据分析师
或者数据科学家的
这就是刚刚说的
就是你做出来一个Element之后
你给他再加一个差不多的大脑
那他其实自动的就可以去做很多很多的任务
这个就是那个Outron对吧
但是这是一个好版的Outron
就是曾经如果说是完美的情况下
Outron所能干的是什么事情
就是这样的一个事情
就是一下子出现了
就是unlimited Element
Element自己一个人能干的事情是有限的
我相信有了Outron大剧影后
Thunders是不可能打过他们的
就像在那个《飞虹女巫》的那个宇宙
就是有光明会的那个宇宙一样
那接下来就是如何
这个他有多难制造
这个我就简单的跳过吧
因为其实我已经说过很多遍了
第四个
就是我们应该怎么去使用它
其实就是说你在
浏览器刚出来的时候
不要去再造一个浏览器
而是应该去做网页
这是回到刚才的那个文章
我把最下面的打开
其实我们就是一年前
看的这一年的所有的变化
和这个几乎是完全走在剧本上
就是没有什么超出意想的东西
为什么呢
因为当时New Bean和Microsoft Copilot
其实已经把这个路线探索的很好了
就是你能Access to Tools
然后这个Prompt as a Configuration
你在开放这一层
就是你开放
你开放XGBT可以去调用别的东西
你可以写代码
你可以去改变系统
然后你再开放给一些
指定的指令给XGBT
那它就能干很多事
再往上是开放你的这个Alignment这个接口
这我就不再多说了
我们就直接看这一年的发布就好了
相信都已经说了
就是这一年的发布
非常好地验证了我一年前的这些预测
这里有一个问题
就是我们如果说调用XGBT的能力很重要的话
其实有一个问题就是你的Prompt
你要去让XGBT完成各种各样的任务
那到底是一个工程技巧还是一个PM技巧
就是你是要交给XGBT怎么用呢
还是你是要告诉XGBT做什么
我的想法是
在一开始你一定要有很强的工程能力
去告诉XGBT怎么用
然后在未来越来越重要的是
告诉XGBT做什么
我其实在这一年用XGBT做了很多
尤其是我的数据分析
我发现就是像我的一个
使用一个实习生一样去使用XGBT
你先提出问题
然后跟他一起去Align思路
然后看他的思路对不对
如果他的思路和你的思路差不多的时候
跟他说那你现在去做吧
做完了以后再跟他不断的反馈提高
这里边有非常多的要告诉XGBT做什么
他才能把这个东西做好
那之后我相信随着我的调教变多的话
如果说我已经把他非常好的调教
告诉他如何做了
那我之后再告诉他你要去做什么就行了
所以说总结一下的话
就是一开始是有很多
你要告诉这个大原模型怎么做
在未来更多的是告诉他做什么
再说一些这个过往的历史
就是XGBT这件事不是一个真的Prediction
它只不过是历史很多颠覆科技的重复
那这个颠覆科技的重复
就是当你电脑出现的时候
当互联网出现的时候
当移动互联网出现的时候
其实第一波都是把现有的东西放到新的科技上
这个是Selicon Valley把Redeal on Internet
变成Billionaire的那个A**hole
它只不过把现有的东西放到了互联网
然后就得到了巨大的财富
但是在那之后最重要的就是十倍百倍的机会
一定是新的科技做了过去科技所做不到的事情的
就比如说Google
Google在一开始的互联网上是没有用的
因为那个时候互联网上都没有什么信息
但是Google它作为一个Internet的Foundamental的科技
它是随着互联网增加的
就是你互联网的信息指数增加了以后
Google的有用程度也变得指数重要了
所以说就是一开始我们会看到很多
把现有的东西用待遇模型去实现
但是未来一定是待遇模型去实现
现在完全实现不了的东西
然后这里边最重要最重要的东西呢
就是Start with build simple things that people really want
Instagram其实之前就是一个Future app
不是一个Social media或者怎么样
现在的东西都是它做了一个人们真正需要的东西之后才出来的
你没有人们需要的东西的话其他都是白谈
你说那么多概念也没有用的
然后这就是我的一些opinion了
它到底是一个2B2C的机会呢
它是Skylight吗
我觉得不是
但是它有可能是可以crack encryption的
JBG Native applications到底是什么东西
然后这里边Personalized private search有多么的重要
就是现在我们所说的retrieved argument generation
其实Personalized private search就是这个retrieved这个环节非常重要的
其实到现在Chaggbt都没有做得很好
它也是一个未来非常重要的方向
那个Big Tech在这里边的会benefit什么
其实是的
因为他们已经有了
现有的场景他们其实可以把Chaggbt在IK使用得很好
最后一个问题就是人类和Chaggbt的区别是什么
就是Chaggbt这个是乐坤去讲的一个
我觉得他这点反而讲的很对
就是Chaggbt他其实可以知道很多东西
但是问题他不知道什么东西是对的
所以说需要人去告诉他什么东西是对的
而且这个时候其实没有一个绝对的正确
而只不过是什么东西对我更有用而已
所以说他一直需要人去告诉他什么东西对我更有用
那就是人类在这里边是需要知道什么东西真正有用的
然后去知道这个世界上缺的是什么
有一个叫做Eureka
就是阿基米德发明福利定律的那些
或者发现福利定律的事情
其实Eureka就是人类独特的能力
然后这里边大家仔细去想一下Eureka的话
会发现有两个步骤
第一个就是你要能找到那个答案
但是第二个是你要发现那个答案是重要的
拆却毕竟然很有可能他通过自己的特别强大的算力
他能找到那个答案
问题是他这个只不过是他找到的所有答案中的其中一个
你要能知道这个答案是多么重要的话
那还是需要人去
人的这种直觉去知道
我在这1000个答案里边这个答案是真正重要的
我们回到乔布斯
其实乔布斯说的这些东西就是这些疯狂的猜测
他们就是知道这个答案
知道这个答案
并且能把这个答案通过自己的conviction
然后去通过自己的行动去把它实现出来
他们是真正change the world
所以说你如果只是停留在一些表面的思考的话
那确实可以被拆却毕竟取代的
然后这就是最后一个点了
其实just make something people want
是这里边所有的答案
就是你在代语言模型中的代语言时代怎么样去抓住机会
就是just make something people want
好的 这是一些appendix
去讲这道理
这里边就是技术的演进
到底是什么样子的
这就是我给大家画了一些东西
这就不在这里边讲了
如果大家感兴趣的话可以去看
好的
这里就是我们Vision Pro的
一个
看看刚才东西有没有录上
希望大家喜欢
或者说觉得这是一个有用的东西
我的视频到那边去了
那就先这样吧
好了
我们下期见
拜拜