EnterAI

EnterAI

By xiaoxiaoTechnology
Download on the App Store

All EnterAI episodes

  • EP09 AI搜索就是RAG?深挖估值30亿的独角兽Perplexity的底层逻辑

    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息

    10:01Perplexity不错的数学计算能力, (Meta AI (llama3.1-400b) 最牛)

    11:31提升数学运算效率:KV Cache技术应用提高吞吐速度

    13:04搜索的终极形式和未来体验是什么, 对于独立开发者意味什么

    15:17AI搜索+社区模式的一点看法, AI知乎是否有前途

    18 min
  • EP08 [避坑系列]你用AI做副业赚钱了吗?求解AIGC副业的盈亏

    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象的选取: 同类推测?
    • 04:30 实验假设1&结论: 前20%的流量账号的数据观察分析
    • 04:38 实验假设2&结论: 前20%的力流量账号是否可以match之前预估的月入3K标准
    • 06:40 假设1已打破, 那前3%是否能赚到3K呢?
    • 07:28 为何只看到近几个月的新账户? (头部玩家的游戏且收入可持续性稳定不足)
    • 08:49 结论: AI副业可能实现小额收益,但难以达到理想收入
    • 09:03 AI生成图和头像的市场收益情况
    • 13 min
    • EP07 聊聊PMF的核心,它真的不能拿着锤子找钉子吗

      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 Fact:非刚需产品,需改变用户习惯
        03:19 - Future Vision:未来愿景,科幻小说般功能,案例分析iPhone和特斯拉
      • 04:00 - 市场需求与产品的四象限分析模型(原创分享)04:29 - 现有产品,已有需求:取胜关键在于差异化竞争
      • 05:27 - 明确需求与愿景产品,案例分析:特斯拉的FSD
        06:25 - Unrealized需求与已有产品:教育用户的重要性
      • 07:45 - AI产品属于哪一类?探索AI产品的PMF策略
      • 09:16 - 为什么“拿着锤子找钉子”是AI初创公司唯一有效的市场策略?
      • 其余reference:

        The Arc Product-Market Fit Framework | Sequoia Capital

        13 min
      • EP06 产品设计的脑洞清单:被忽略的微信功能创意碰撞

        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)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 Conflation

        05:23 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

        10 min
      • EP02 深入了解流处理的力量

        本期主题是流处理 Stream Processing, 我们探讨了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,提问, 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Flink
        • 32 min
        • EP01 数据会被大模型用完吗

          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能

          10:39AI到底可以学习多少内容

          11:21AI自监督式能学会的是什么(知识和理解能力)

          13:08训练数据遇到瓶颈的担心是不必要的

          15:00通过提高数据的质量来帮助模型更好的理解

          20:46如何加强预训练的数据利用效率

          21:04准备训练数据教材:又易到难

          22:46提高模型对于长距离的依赖学习和深层次模式的识别

          28:44提升模型的抽象学习能力

          27:46生成合成数据的可行性如何,挑战是什么

          43 min