怎么学人工智能？要想学人工智能需要什么基础？

以下是为您整理的相关内容： 《促进创新的人工智能监管方法》：包含了关于通用人工智能价值链、相关案例研究以及对人工智能监管框架的探讨等内容。 陶力文律师关于律师写好提示词用好 AI 的方法：包括初始化的欢迎语、遵循的规则、获取案例洞察报告和目标群体、输出纲要和写作方案、根据用户反馈调整等流程。 开幕式主持稿：涉及基地代表发言的时间、主题、物料配合和人员配合等信息。 但这些素材似乎与为中国移动准备市委书记致辞稿所需的素材关联不大。一般来说，为撰写市委书记在中国移动人工智能生态大会上的致辞稿，中国移动可能需要准备以下素材： 1. 本次大会的详细介绍，包括主题、目标、议程安排等。 2. 中国移动在人工智能领域的发展成果、战略规划和未来愿景。 3. 中国移动人工智能生态的构建情况，如合作伙伴、合作项目等。 4. 本次大会在第八届数字峰会中的地位和作用。 5. 相关行业的人工智能发展现状和趋势。 6. 福州市在人工智能领域的发展情况和与中国移动合作的展望。

以下是一些常见的人工智能软件： 1. 在自然语言处理和神经科学应用方面，大型语言模型取得了进展，拥有更先进的工具用于解码大脑状态和分析复杂脑部活动。 2. 在艺术创作领域，有涉及知识产权保护的相关软件，如软件工程师在设计时应确保生成内容合法合规、注重用户知识产权保护等。创作者使用此类软件时，应了解自身权利并做好保护。 3. 在线 TTS 工具方面，如 Eleven Labs（https://elevenlabs.io/）、Speechify（https://speechify.com/）、Azure AI Speech Studio（https://speech.microsoft.com/portal）、Voicemaker（https://voicemaker.in/）等。这些工具可将文本转换为语音，具有不同的特点和适用场景。但请注意，相关内容由 AI 大模型生成，请仔细甄别。

通用人工智能（AGI）是指具有人类水平的智能和理解能力的 AI 系统。它有能力完成任何人类可以完成的智力任务，适用于不同的领域，同时拥有某种形式的意识或自我意识。 目前 AGI 还只是一个理论概念，没有任何 AI 系统能达到这种通用智能水平。 OpenAI 在其内部会议上分享了 AGI 的五个发展等级： 1. 聊天机器人（Chatbots）：具备基本对话能力的 AI，主要依赖预设脚本和关键词匹配，用于客户服务和简单查询响应。 2. 推理者（Reasoners）：具备人类推理水平的 AI，能够解决复杂问题，如 ChatGPT，能够根据上下文和文件提供详细分析和意见。 3. 智能体（Agents）：不仅具备推理能力，还能执行全自动化业务的 AI。目前许多 AI Agent 产品在执行任务后仍需人类参与，尚未达到完全智能体的水平。 4. 创新者（Innovators）：能够协助人类完成新发明的 AI，如谷歌 DeepMind 的 AlphaFold 模型，可以预测蛋白质结构，加速科学研究和新药发现。 5. 组织（Organizations）：最高级别的 AI，能够自动执行组织的全部业务流程，如规划、执行、反馈、迭代、资源分配和管理等。 常见名词解释： AGI：通用人工智能（Artificial General Intelligence）能够像人类一样思考、学习和执行多种任务的人工智能系统。 NLP：自然语言处理（Natural Language Processing），就是说人话。 LLM：大型语言模型（Large Language Model），数据规模很大，没钱搞不出来，大烧钱模型。

2025 年人工智能大模型的技术提升可能体现在以下几个方面： 1. 视频生成能力：如 2024 年推出的多个先进的 AI 模型能够从文本输入生成高质量视频，相比 2023 年有显著进步。 2. 模型规模与性能：更小的模型能驱动更强的性能，如 2022 年最小能在 MMLU 上得分高于 60%的模型是具有 5400 亿参数的 PaLM，到 2024 年，参数仅 38 亿的微软 Phi3mini 也能达到相同阈值。 3. 推理能力：尽管加入了如思维链推理等机制显著提升了大语言模型的性能，但在一些需要逻辑推理的问题上，如算术和规划，尤其在超出训练范围的实例上，这些系统仍存在问题。 4. AI 代理：在短时间预算设置下，顶级 AI 系统得分高于人类专家，但随着时间预算增加，人类表现会超过 AI。 5. 算法变革：如 DeepSeek 的出现标志着算力效率拐点显现，其通过优化算法架构显著提升了算力利用效率，同时 2025 年发布的大模型呈现低参数量特征，为本地化部署到 AI 终端运行提供了可能，其训练过程聚焦于强化学习，提升了模型的推理能力。

人工智能的工作原理可以通过以下动画来描述： 在一个动画场景中，首先有一个传统工作流的部分，就像精心搭建的积木城堡，每一块积木的位置和形状都被精确设计和控制，这代表着传统工作流的可控性和高成本、慢速度。 然后是 AI 工作流的部分。想象一下，有一团混乱的色彩在飞舞，这团色彩代表着随机和不可控。但在这混乱中，有一种力量在尝试引导和塑造，就像在狂风中努力抓住风筝线一样，这就是在随机性中寻找可控性。 比如在一个生成音频与视频同步的例子中，动画展示了一个系统。首先，系统将视频输入编码成压缩的表示形式，就像把一大包东西压缩成一个小包裹。然后，扩散模型从随机噪声中不断改进音频，就像在混沌中逐渐塑造出清晰的声音。这个过程受到视觉输入和自然语言提示的引导，最终生成与提示紧密配合的同步逼真音频。最后，音频输出被解码，变成音频波形，并与视频数据完美结合。 总的来说，传统工作流在可控中寻找创新的随机，而 AI 工作流更多是在随机中寻找可控，两者各有优劣，结合起来能创造出更出色的成果。

人工智能作为一个领域始于二十世纪中叶。最初，符号推理流行，带来了如专家系统等重要进展，但因方法无法大规模拓展应用场景，且从专家提取知识并以计算机可读形式表现及保持知识库准确的任务复杂、成本高，导致 20 世纪 70 年代出现“人工智能寒冬”。 随着时间推移，计算资源变便宜，数据增多，神经网络方法在计算机视觉、语音理解等领域展现出卓越性能。过去十年中，“人工智能”常被视为“神经网络”的同义词，因多数成功案例基于神经网络方法。 以下是人工智能发展历程中的一些重要节点： 1969 年：经历低潮。Marvin Minsky 和 Seymour Papert 阐述因硬件限制，几层的神经网络仅能执行基本计算，AI 领域迎来第一次泡沫破灭。 1960 1970 年代：早期专家系统。此时期 AI 研究集中在符号主义，以逻辑推理为中心，主要是基于规则的系统，如早期专家系统。 1980 年代：神经网络。基于规则的系统弊端显现，人工智能研究关注机器学习，神经网络根据人脑结构和操作创建和建模。 1997 年：深蓝赢得国际象棋比赛。IBM 深蓝战胜国际象棋冠军卡斯帕罗夫，新的基于概率推论思路广泛应用于 AI 领域。 1990 2000 年代：机器学习。AI 研究在机器人技术、计算机视觉和自然语言处理等领域取得显著进展，21 世纪初深度学习出现使语音识别、图像识别和自然语言处理进步成为可能。 2012 年：深度学习兴起。Geoffrey Hinton 开创相关领域，发表开创性论文引入反向传播概念，突破感知器局限。 2012 年：AlexNet 赢得 ImageNet 挑战赛。引发深度学习热潮。 2016 年：AlphaGo 战胜围棋世界冠军。DeepMind 的 AlphaGo 战胜李世石，标志着人工智能在围棋领域超越人类，对人类理解产生深远影响。

对于零基础想要学习 AI 从而进入 AI 行业的人，以下是一些建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的定义、主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出自己的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 如果希望继续精进，对于 AI 可以尝试了解以下内容作为基础： 1. AI 背景知识： 基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 2. 数学基础： 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 3. 算法和模型： 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 4. 评估和调优： 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 5. 神经网络基础： 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。

以下是关于 AI 视频的基础知识： 1. 概念 生成式 AI 生成的内容称为 AIGC。 2. 相关技术名词 AI：即人工智能。 机器学习：电脑找规律学习，包括监督学习、无监督学习、强化学习。 监督学习：使用有标签的训练数据，算法目标是学习输入和输出之间的映射关系，包括分类和回归。 无监督学习：学习的数据没有标签，算法自主发现规律，经典任务如聚类。 强化学习：从反馈中学习，以最大化奖励或最小化损失，类似训小狗。 深度学习：一种参照人脑的方法，具有神经网络和神经元，因层数多而称为深度，神经网络可用于监督学习、无监督学习、强化学习。 生成式 AI：可以生成文本、图片、音频、视频等内容形式。 LLM：大语言模型。对于生成式 AI，生成图像的扩散模型不是大语言模型；对于大语言模型，生成只是其中一个处理任务，如谷歌的 BERT 模型，可用于语义理解（不擅长文本生成），如上下文理解、情感分析、文本分类。 3. 技术里程碑 2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它完全基于自注意力机制（SelfAttention）处理序列数据，不依赖于循环神经网络（RNN）或卷积神经网络（CNN）。

以下是关于 AI 基础知识的介绍： AI 背景知识： 基础理论：明确人工智能、机器学习、深度学习的定义以及它们之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 数学基础： 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等基本概念。 概率论：掌握基础的概率论知识，如条件概率、贝叶斯定理。 算法和模型： 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：了解其基本概念。 评估和调优： 性能评估：知道如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习使用网格搜索等技术优化模型参数。 神经网络基础： 网络结构：理解包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）等基本结构。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 对于新手学习 AI，建议： 了解 AI 基本概念：阅读「」部分，熟悉术语和基础概念，了解其主要分支及联系，浏览入门文章。 开始学习之旅：在「」中找到为初学者设计的课程，推荐李宏毅老师的课程，通过在线教育平台按自己节奏学习并获取证书。 选择感兴趣的模块深入学习：AI 领域广泛，可根据兴趣选择特定模块，如掌握提示词技巧。 实践和尝试：理论学习后进行实践，尝试使用各种产品并分享作品。 体验 AI 产品：与如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其工作原理和交互方式。

以下是从零基础学习成为一名 AI 产品经理所需学习知识内容的排序： 1. 入门级： 通过 WaytoAGI 等开源网站或一些课程了解 AI 的概念。 使用 AI 产品并尝试动手实践应用搭建。 2. 研究级： 技术研究路径：对某一领域有认知，根据需求场景选择解决方案，利用 Hugging face 等工具手搓出一些 AI 应用来验证想法。 商业化研究路径：熟悉行业竞争格局与商业运营策略。 3. 落地应用： 有一些成功落地应用的案例，产生商业化价值。 同时，AI 产品经理还需要具备以下技能和知识： 1. 理解产品核心技术：了解基本的机器学习算法原理，有助于做出更合理的产品决策。 2. 与技术团队有效沟通：掌握一定的算法知识，减少信息不对称带来的误解。 3. 评估技术可行性：在产品规划阶段，能准确评估某些功能的技术可行性。 4. 把握产品发展方向：了解算法前沿，更好地把握产品的未来发展方向。 5. 提升产品竞争力：发现产品的独特优势，提出创新的产品特性。 6. 数据分析能力：掌握相关知识，提升数据分析能力。 此外，了解技术框架，对技术边界有认知，关注场景、痛点、价值也是很重要的。

以下是为您推荐的从 0 基础学习搭建自己的 Coze 来完成业务工作的学习路径和学习计划： 学习路径： 1. 了解 Coze AI 应用的背景和现状，包括其发展历程、适用场景和当前的局限性。 2. 熟悉创建 AI 应用的操作界面，包括学习业务逻辑和用户界面的搭建。 3. 掌握前端和后端的基础知识，了解其在 Coze 应用中的作用。 4. 学习容器的操作和页面布局技巧。 学习计划： 1. 资料获取途径：可以通过飞书知识库获取相关学习资料。 2. 资料推荐： “90 分钟从 0 开始打造你的第一个 Coze 应用:证件照 2025 年 1 月 18 日副本”，其中包含智能纪要和智能章节，详细介绍了 Coze 应用的创建过程、界面讲解、前端与后端基础及界面组件布局、容器操作与页面布局等内容。 （筹划中）「Agent 共学」之“两天学会用 AI 建站”，其中的共学日程表可能会提供相关的学习安排和指导。 在学习过程中，建议您重点熟悉桌面网页版的用户界面，按照资料中的步骤逐步实践，遇到问题及时查阅资料或寻求帮助。祝您学习顺利！

以下是为零基础的您提供的 AI 学习路径： 1. 了解 AI 基本概念： 建议阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的定义、主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，您可以找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。 一定要掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 此外，像二师兄这样的案例也可供您参考。二师兄在二月因七彩虹售后群老哥的分享，要了 SD 秋叶安装包，下载了教学视频，迈出 AI 学习的第一步。三月啃完 SD 的所有教程并开始炼丹，四月尝试用 GPT 和 SD 制作图文故事绘本、小说推文的项目，五月加入 Prompt battle 社群，开始 Midjourney 的学习。 如果您是零基础小白，还可以： 找网上的基础课程进行学习。 观看科普类教程。 阅读 OpenAI 的文档，理解每个参数的作用和设计原理。 利用一些练手的 Prompt 工具。

以下是一些 AI 常用专业术语的名词解释： Agents（智能体）：一个设置了一些目标或任务，可以迭代运行的大型语言模型。与大型语言模型在像 ChatGPT 这样的工具中的通常使用方式不同，Agent 拥有复杂的工作流程，模型本质上可以自我对话，无需人类驱动每一部分的交互。 ASI（人工超级智能）：尽管存在争议，但通常被定义为超越人类思维能力的人工智能。 Attention（注意力）：在神经网络的上下文中，有助于模型在生成输出时专注于输入的相关部分。 Bias（偏差）：AI 模型对数据所做的假设。“偏差方差权衡”是模型对数据的假设与给定不同训练数据的模型预测变化量之间必须实现的平衡。归纳偏差是机器学习算法对数据的基础分布所做的一组假设。 Chatbot（聊天机器人）：一种计算机程序，旨在通过文本或语音交互模拟人类对话。通常利用自然语言处理技术来理解用户输入并提供相关响应。 CLIP（对比语言图像预训练）：由 OpenAI 开发的 AI 模型，用于连接图像和文本，使其能够理解和生成图像的描述。 Gradient Descent（梯度下降）：在机器学习中，是一种优化方法，根据模型损失函数的最大改进方向逐渐调整模型的参数。 Hallucinate,Hallucination（幻觉）：在人工智能的背景下，指模型生成的内容不是基于实际数据或与现实明显不同的现象。 Hidden Layer（隐藏层）：神经网络中不直接连接到输入或输出的人工神经元层。 Hyperparameter Tuning（超参数调优）：为机器学习模型的超参数（不是从数据中学习的参数）选择适当值的过程。 Inference（推理）：使用经过训练的机器学习模型进行预测的过程。 Instruction Tuning（指令调优）：机器学习中的一种技术，其中模型根据数据集中给出的特定指令进行微调。 Latent Space（潜在空间）：在机器学习中，指模型创建的数据的压缩表示形式。类似的数据点在潜在空间中更接近。 Compute（计算）：用于训练或运行 AI 模型的计算资源（如 CPU 或 GPU 时间）。 CNN（卷积神经网络）：一种深度学习模型，通过应用一系列过滤器来处理具有网格状拓扑（例如图像）的数据。通常用于图像识别任务。 Data Augmentation（数据增强）：通过添加现有数据的略微修改的副本来增加用于训练模型的数据量和多样性的过程。 Double Descent（双降）：机器学习中的一种现象，其中模型性能随着复杂性的增加而提高，然后变差，然后再次提高。 EndtoEnd Learning（端到端学习）：一种不需要手动设计功能的机器学习模型。该模型只是提供原始数据，并期望从这些输入中学习。 Expert Systems（专家系统）：人工智能技术的应用，为特定领域的复杂问题提供解决方案。 XAI（可解释的人工智能）：Explainable AI，人工智能的一个子领域专注于创建透明的模型，为其决策提供清晰易懂的解释。

以下是一个关于自动化出视频工作流的详细介绍： 优势： 全自动化处理，解放双手。 40 秒快速出片，效率提升。 成本低廉，每条仅需 0.0x 元。 输出质量稳定专业。 DeepseekR1 保证文案质量。 还能改进，例如可以加入配套 BGM，让视频更有感染力；增加更丰富的画面内容和转场效果；使用免费节点替代付费插件，进一步降低成本；优化模板样式，支持更多展示形式；增加自动化程度，支持批量处理。 工作流程： 1. 可以在扣子商店体验，建议自己搭建。 2. 工作流调试完成后，加入到智能体中，可以选择工作流绑定卡片数据，智能体则通过卡片回复。 3. 选择发布渠道，重点如飞书多维表格，填写上架信息（为了快速审核，选择仅自己可用），确认发布等待审核，审核通过后即可在多维表格中使用。 4. 创建飞书多维表格，添加相关字段，配置选择“自动更新”，输入相关字段后，“文案视频自动化”字段捷径会自动调用工作流，生成视频。 5. 表单分享，实现“填写表单，自动创建文案短视频”的效果。 6. 全自动视频合成使用多视频融合插件，一键导出成品。但需注意节点产生的视频是异步生成，可能无法马上展现，需耐心等待几秒。 如果您还有其他疑问或需要进一步的帮助，请随时联系。

在论文写作中，以下是一些常用的 AI 工具： 1. 文献管理和搜索： Zotero：结合 AI 技术，能自动提取文献信息，便于管理和整理参考文献。 Semantic Scholar：由 AI 驱动的学术搜索引擎，提供文献推荐和引用分析。 2. 内容生成和辅助写作： Grammarly：通过 AI 技术进行文本校对、语法修正和写作风格建议，提升语言质量。 Quillbot：基于 AI 的重写和摘要工具，可精简和优化论文内容。 3. 研究和数据分析： Google Colab：提供基于云的 Jupyter 笔记本环境，支持 AI 和机器学习研究，方便进行数据分析和可视化。 Knitro：用于数学建模和优化，助力复杂数据分析和模型构建。 4. 论文结构和格式： LaTeX：虽不是纯粹的 AI 工具，但结合自动化和模板，能高效处理论文格式和数学公式。 Overleaf：在线 LaTeX 编辑器，有丰富模板库和协作功能，简化论文编写。 5. 研究伦理和抄袭检测： Turnitin：广泛使用的抄袭检测工具，确保论文原创性。 Crossref Similarity Check：检测潜在抄袭问题。 利用 AI 写课题的步骤和建议如下： 1. 确定课题主题：明确研究兴趣和目标，选择有价值和创新性的主题。 2. 收集背景资料：使用学术搜索引擎和文献管理软件等 AI 工具搜集相关文献和资料。 3. 分析和总结信息：借助 AI 文本分析工具提取关键信息和主要观点。 4. 生成大纲：用 AI 写作助手生成包括引言、文献综述、方法论、结果和讨论等部分的大纲。 5. 撰写文献综述：利用 AI 工具确保内容准确完整。 6. 构建方法论：根据研究需求，采用 AI 建议的方法和技术设计研究方法。 7. 数据分析：若涉及数据收集和分析，使用 AI 数据分析工具处理和解释数据。 8. 撰写和编辑：借助 AI 写作工具撰写各部分，并检查语法和风格。 9. 生成参考文献：使用 AI 文献管理工具生成正确格式。 10. 审阅和修改：用 AI 审阅工具检查逻辑性和一致性，根据反馈修改。 11. 提交前的检查：使用抄袭检测工具确保原创性，做最后的格式调整。 AI 文章排版工具方面： 1. Grammarly：不仅检查语法和拼写，还具备一定排版功能，可改进文档风格和流畅性。 2. QuillBot：AI 驱动的写作和排版工具，能改进文本清晰度和流畅性。 3. Latex：常用于学术论文排版，使用标记语言描述格式，有 AI 辅助的编辑器和插件简化过程。 4. PandaDoc：文档自动化平台，用 AI 帮助创建、格式化和自动化生成文档，适用于商业和技术文档。 5. Wordtune：AI 写作助手，重新表述和改进文本，使其更清晰专业。 6. Overleaf：在线 Latex 编辑器，提供丰富模板和协作工具，适合学术写作排版。 选择合适的 AI 文章排版工具需考虑文档类型、出版标准和个人偏好。学术论文常用 Latex 和 Overleaf，一般文章和商业文档则 Grammarly 和 PandaDoc 等可能更适用。

以下是使用秋叶整合包搭建本地部署的步骤： 1. 下载整合包：可以从。 2. 复制启动器到下载仓库的目录下。 3. 打开启动器，可一键启动。如果有其他需求，可以在高级选项中调整配置。 显存优化根据显卡实际显存选择，不要超过当前显卡显存。xFormers 能极大地改善内存消耗和速度，建议开启。 4. 准备工作完毕后，点击一键启动即可。等待浏览器自动跳出，或是控制台弹出本地 URL 后说明启动成功。 如果报错提示缺少 Pytorch，则需要在启动器中点击配置。 5. Stable Diffusion webui 的更新比较频繁，请根据需求在“版本管理”目录下更新，同时注意插件的更新。 在 webui 的“扩展”选项卡下，可以安装插件。点击“加载自”后，目录会刷新，选择需要的插件点击右侧的 install 即可安装。安装完毕后，需要重新启动用户界面。 具体安装方法： 1. 打开整合包链接（https://pan.baidu.com/s/1hY8CKbYRAj9RrFGmswdNiA?pwd=caru ，提取码：caru），下载《1.整合包安装》，存放到电脑本地。 2. 打开保存到电脑里的文件夹。 3. 打开文件夹《1.秋叶整合包主包》，鼠标右击文件，点击“解压文件”。 4. 选择解压到 D 盘或者 E 盘（避免 C 盘被占满），点击确定。 5. 解压完成后，来到第二个文件夹，双击里面的文件，点击安装。 6. 打开刚刚解压保存的 SD 的根目录，找到启动器，鼠标右击启动器，点击“发送到”，选择桌面快捷方式，方便下次进入。 7. 双击启动器，等待更新，接着点击左边第二个“高级选项”，在显存优化里，根据自己电脑的显存选择。 8. 回到第一个一键启动，点击右下角的一键启动。出现代码页面不用管，等待 SD 的主界面在网页上自动弹出。如果出现报错，可以回到最开始的界面，在左边点击“疑难解答”，再点击右边的“开始扫描”，最后点击“修复”按钮。

以下是为您提供的自学 AI 知识并成为 AI 产品经理的行动方案： 1. 应用方面： 深入了解 Prompt，选择适合自己的 AI 对话、绘画和语音产品，每天使用并用于解决实际问题或提升效率。 2. 分析方面： 大量阅读各类文章、视频以及行业报告，理解各知识之间的关系。 3. 掌握相关技能： 了解目前 AI 提示词工程师岗位的招聘技能要求，例如： 本科及以上学历，计算机科学、人工智能、机器学习相关专业背景。 熟悉 ChatGPT、Llama、Claude 等 AI 工具的使用及原理，并具有实际应用经验。 熟练掌握 ChatGPT、Midjourney 等 AI 工具的使用及原理。 负责制定和执行 AI 项目，如 Prompt 设计平台化方法和模板化方法。 了解并熟悉 Prompt Engineering，包括常见的 Prompt 优化策略（例如 CoT、Fewshot 等）。 对数据驱动的决策有深入的理解，能够基于数据分析做出决策。 具有创新思维，能够基于业务需求提出并实践 AI first 的解决方案。 对 AI 技术与算法领域抱有强烈的好奇心，并能付诸实践。 对 AIGC 领域有深入的理解与实际工作经验，保持对 AI 技术前沿的关注。 具备一定的编程和算法研究能力，能应用新的 AI 技术和算法于对话模型生成。 具有一定的编程基础，熟练使用 Python、Git 等工具。 4. 了解产品经理工作： 调研市场、思考需求、转化需求、思考解决方案、设计解决方案、分配任务、进行测试、实现解决方案。 像善用提示词工程的人一样，将需求抽象再具象成产品。 总之，要成为 AI 产品经理，需要不断学习和实践，适应行业的发展和变化。