以下是为您提供的七天入门 AI 的计划建议： 第一天： 开始接触李宏毅的生成式人工智能课程。 资源：在 B 站直接搜索《李宏毅 2024 春《生成式人工智能导论》。 第二天至第十四天： 抽空陆续花 2 周时间学完李宏毅的课程。 第五天： 研究并开始使用 Kimi。 参考资料： 。 抱着每天向 kimi 问 100 个问题的心态，调整自己的思考模式，在工作和生活中养成有问题问 AI 的习惯。您还可以参考公众号文章【每天问 Kimi 们 100 个问题，你就 AI 入门了】。 在学习过程中，建议做好笔记，总结所学知识和心得体会，以便更好地掌握和应用。

以下是使用 AI 将老照片变高清的步骤： 1. 给老照片上色：为做到颜色与内容统一，可启用 cutoff 插件，按顺序设置好颜色提示词。不了解该插件的可参考文章。 2. 使照片人脸变清晰：将照片放入后期处理，使用 GFPGAN 算法，可参考文章。但此步骤无法使头发、衣服等元素变清晰。 3. 放大照片：将图片发送到图生图中，打开 stableSR 脚本，放大两倍。此放大插件是所有插件中对原图还原最精准、重绘效果最好的，可参考文章。切换到 sd2.1 的模型进行修复，vae 选择 vqgan，提示词可不写以免干扰原图。 4. 显存不够时：启用 MutiDiffusion 插件，不开放大倍数，仅使用分块渲染功能帮助放大图片。 5. 处理复杂照片：对于人物多、场景复杂、像素低的照片，可先在 ps 里调整角度和裁切，然后上色。若直接上色效果不佳，可放弃人物服装颜色指定，只给场景方向，让 AI 自行决定。还可加入第二个 controlnet 控制颜色，使用 t2ia_color 模型，给出简单关键词，如“蓝天、绿树、灰石砖”。最后进行脸部修复和放大。

以下是让老照片变清晰的方法： 1. 将照片放入后期处理中，使用 GFPGAN 算法使人脸变清晰。您可以参考文章。 2. 将图片发送到图生图中，打开 stableSR 脚本，放大两倍。此放大插件是所有插件中对原图还原最精准、重绘效果最好的。您可以参考文章。 3. 切换到 sd2.1 的模型进行修复，vae 选择 vqgan，提示词可以不写以免对原图产生干扰。 4. 启用 MutiDiffusion 插件，不开放大倍数，仅使用分块渲染的功能，能在显存不够的情况下将图片放大到足够的倍数。 5. 对于复杂的照片，可先在 ps 里面进行角度调整和照片裁切，然后使用上述步骤进行上色。若直接上色效果不佳，可放弃人物服装的颜色指定，只给场景方向，让 AI 自行决定。还可加入第二个 controlnet 来控制颜色，使用 t2ia_color 的模型，给出简单的关键词，如“蓝天、绿树、灰石砖”。 另外，进行超清无损放大修复需要准备以下文件和操作： 1. 使用 StabilityAI 官方的 Stable Diffusion V2.1 512 EMA 模型，放入 stablediffusionwebui/models/StableDiffusion/文件夹中。 2. 将 StableSR 模块（约 400M 大小）放入 stablediffusionwebui/extensions/sdwebuistablesr/models/文件夹中。 3. 将 VQVAE（约 750MB 大小）放在 stablediffusionwebui/models/VAE 中。

WaytoAGI 网站具有以下功能： 1. 和 AI 知识库对话：您可以在此询问任何关于 AI 的问题。 2. AI 网站：集合了精选的 AI 网站，可按需求找到适合您的工具。 3. AI 提示词：集合了精选的提示词，能复制到 AI 对话网站使用。 4. 知识库精选：将每天知识库的精华内容呈现给大家。 总之，WaytoAGI 网站和 WaytoAGI 知识库相互独立又有关联，希望成为您学习 AI 路上的好助手。

以下是一些热点的大模型微调蒸馏工具： FLUX.1：包括 FLUX.1（可商用，为本地开发和个人使用定制，生成速度快，内存占用小，在 Apache 2.0 许可下公开提供，支持在 Replicate、fal.ai 和 Comfy UI 等平台使用，且支持用户根据自己数据集微调）。其训练参数高达 120 亿，在图像质量、提示词跟随等多方面超越流行模型，工作原理基于混合架构，结合变换器和扩散技术。 基于阿里云 PAI 平台：可复现 R1 蒸馏及蒸馏训练模型过程。部署 32b 的蒸馏模型展示效果，包括模型部署（如选中模型卡片后的操作、选择 vLLM 部署、涉及竞价系统等）、蒸馏数据获取（在本地 python 环境或 notebook gallery 建立实例执行代码获取蒸馏数据集）等。 DeepSeek：PaaS 平台支持多机分布式部署，满足推理性能要求，能一站式完成模型蒸馏。可登录 Pad 控制台通过 model gallery 进行部署，如 Deepseek R1 模型，可选择 SG 浪或 Vim 推理框架，根据资源出价部署，部署后可在模型在线服务 EAS 查看状态。还介绍了模型 API 调用、服务关停、蒸馏概念、应用场景及部署实操等。

以下是国内一些好用的文档排版 AI 工具： 1. Grammarly：不仅是语法和拼写检查工具，还提供排版功能，可改进文档整体风格和流畅性。 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，保持原意。 3. Latex：虽不是纯粹的 AI 工具，但在学术论文排版方面广泛使用，有许多 AI 辅助的编辑器和插件简化排版过程。 4. PandaDoc：文档自动化平台，使用 AI 帮助创建、格式化和自动化文档生成，适合商业和技术文档。 5. Wordtune：AI 写作助手，重新表述和改进文本，使其更清晰专业，保持原始意图。 6. Overleaf：在线 Latex 编辑器，提供丰富模板和协作工具，适合学术写作和排版。 选择合适的工具取决于您的具体需求，如文档类型、出版标准和个人偏好。对于学术论文，Latex 和 Overleaf 受欢迎；对于一般文章和商业文档，Grammarly 和 PandaDoc 等可能更适用。 此外，还有一些与文档相关的 AI 工具，如文章润色工具： 1. Wordvice AI：集校对、改写转述和翻译等功能于一体，基于大型语言模型提供全面的英文论文润色服务。 2. ChatGPT：由 OpenAI 开发的大型语言模型，可用于多方面写作辅助。 3. Quillbot：人工智能文本摘要和改写工具，可用于快速筛选和改写文献资料。 4. HyperWrite：基于 AI 的写作助手和大纲生成器，帮助用户在写作前进行头脑风暴和大纲规划。 5. Wordtune：AI 驱动的文本改写和润色工具，优化文章语言表达。 6. Smodin：提供 AI 驱动的论文撰写功能，可根据输入生成符合要求的学术论文。 制作 PPT 的 AI 工具： 1. Gamma：在线 PPT 制作网站，通过输入文本和想法提示快速生成幻灯片，支持嵌入多媒体格式。 2. 美图 AI PPT：由美图秀秀开发团队推出，通过输入简单文本描述生成专业 PPT 设计，包含丰富模板库和设计元素。 3. Mindshow：AI 驱动的 PPT 辅助工具，提供自动布局、图像选择和文本优化等智能设计功能。 4. 讯飞智文：科大讯飞推出的 AI 辅助文档编辑工具，利用语音识别和自然语言处理技术优势，提供智能文本生成、语音输入、文档格式化等功能。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

以下为您推荐几个可用于病案质控的 AI 工具及其使用方法： 1. Scite.ai：这是一个为研究人员、学者和行业专业人员打造的创新平台，旨在增强他们对科学文献的洞察。它提供了一系列工具，如引用声明搜索、自定义仪表板和参考检查，这些都能简化您的学术工作。您可以通过访问使用。 2. Scholarcy：这是一款科研神器，主要为做科研、学术、写论文的人准备。它可以从文档中提取结构化数据，并通过知识归纳引擎生成文章概要，精炼地呈现文章的总结信息，分析中包含关键概念、摘要、学术亮点、学术总结、比较分析、局限等板块的内容。您可以通过使用。 3. ChatGPT：这是一个强大的自然语言处理模型，可以提供有关病案质控的修改意见。您可以向它提供您的文章，并提出您的问题和需求，它将尽力为您提供帮助。您可以通过使用。 这些工具可以帮助您从不同的角度审视和改进您的病案质控工作，您可以根据自己的具体需求选择合适的工具进行尝试。请注意，内容由 AI 大模型生成，请仔细甄别。

构建 ComfyUI 动画片工作流的步骤如下： 1. 打开 Comfyui 界面后，右键点击界面，找到 Comfyui LLM party 的目录。您可以学习手动连接节点来实现最简单的 AI 女友工作流，也可以将工作流文件拖拽到 Comfyui 界面中一键复刻提示词工程实验。 2. 从 ollama 的 github 仓库找到对应版本并下载。启动 ollama 后，在 cmd 中输入 ollama run gemma2 将自动下载 gemma2 模型到本地并启动。将 ollama 的默认 base URL=http://127.0.0.1:11434/v1/以及 api_key=ollama 填入 LLM 加载器节点即可调用 ollama 中的模型进行实验。 3. 若 ollama 连接不上，很可能是代理服务器的问题，请将 127.0.0.1:11434 添加到不使用代理服务器的列表中。 此外，还有以下相关工作流搭建的信息供您参考： 1. 搭建艺术二维码工作流：打开 ComfyUI 导入相应工作流。工作流所用到的节点包括大模型节点（可选择如 AWPainting、primemixanything、xxmix9realistic v40 等，并提供了相应链接）、关键词节点、Lora 节点、ControlNet 节点（选用 qrcode_monster V2 版本，下载链接：https://huggingface.co/monsterlabs/control_v1p_sd15_qrcode_monster/tree/main/v2 ）、采样器节点（Step 选择高步数，35 50 即可，采样器默认的 euler a/dpmpp 2m sde ）。 2. 搭建 ComfyUI 基础工作流：从零开始搭建时，首先准备加载大模型的节点，在工作区鼠标右键点击，选择 Add Node > 选择 loaders > 选择 Load Checkpoint，并选择对应的模型。然后加载 Conditioning（条件），在工作区鼠标右键点击，选择 Add Node > 选择 Conditioning > 选择 CLIP TEXT Encode，输入正反向提示词。添加采样器时，部分参数设置与 WEB_UI 有所不同，如 seed 值只有固定、随机、每次增加、每次减少这四个选项，采样器和调度器是分开的。

AI 行业的产业链大致可分为上游的基础设施层（数据与算力）、中游的技术层（模型与算法）、下游的应用层（应用与分发）。 上游基础设施层：布局投入确定性强，但涉及海量资金投入，入行资源门槛高，未来国内可能更多由“国家队”承担重任。普通人若无强资源，可考虑“合作生态”的切入机会。 中游技术层：处于技术爆炸阶段，迭代速度极快。规模不大的团队或个人需慎重考虑技术迭代风险，基础通用大模型非巨无霸公司不建议考虑，竞争激烈，最终赢家通吃。 下游应用层：是广阔蓝海，尽管从业者增加并涌现出一些产品，但针对行业/细分领域的成熟应用产品不多，“杀手级”应用稀少。普通个体和小团队强烈推荐重点布局，拥有超级机会和巨大发展空间。 此外，据 SensorTower 统计，2024 全年全球 AI 移动应用内付费收入预计为 30 亿美元，图像和视频类 AI 应用占据主导地位，对话机器人类别排名第二。从地区分布来看，北美和欧洲贡献了三分之二的市场份额。 美国红杉资本指出，AI 供应链从下到上分为六层，各层盈利能力存在显著差异。第一层的芯片代工厂和第二层的芯片设计商保持高利润水平；第三层的工业能源供应商受益良多；第四层云厂商处于重金投入阶段；第五层的 AI 模型开发商面临亏损；第六层的应用服务商充满潜力，但市场规模有限。大型云厂商是整个供应链的“链主”。行业格局方面，头部阵营基本稳定。

目前模型的分类方式多种多样，以下为您介绍几种常见的分类角度： 1. 从来源角度：根据模型的出处，可分为来自行业（如 Google、Meta、OpenAI 等公司）、学术界（如清华大学、麻省理工学院、牛津大学等）、政府（如英国的艾伦·图灵研究所、阿布扎比的技术创新研究所等）以及研究团体（如艾伦研究所、弗劳恩霍夫研究所等非营利性 AI 研究组织）。在 2014 年之前，学术界在发布机器学习模型方面领先，此后行业占据主导。 2. 从整体架构角度： 基础层：为大模型提供硬件支撑和数据支持，例如 A100、数据服务器等。 数据层：包括企业根据自身特性维护的静态知识库和动态的三方数据集，而非用于基层模型训练的数据基集。 模型层：分为 LLm（如 GPT 等大语言模型，一般使用 transformer 算法实现）和多模态模型（如文生图、图生图等模型，训练数据为图文或声音等多模态数据集）。 平台层：如大模型的评测体系或 langchain 平台等，是模型与应用之间的组成部分。 表现层：即应用层，是用户实际看到的部分。 此外，像 OpenAI o3mini 模型，在 OpenAI 的准备框架中被分类为中等风险，并采取了相应的保障和安全缓解措施。