Merge pull request #99 from FallenYing/master

Update

4.人工智能/4.10科研论文写作.md

@@ -12,13 +12,13 @@
 
 我分为两大块：先想清楚你干了什么，在训练好你表达的规范性
 
-<font color=green>大白话 -》提取后的逻辑链条</font> -》<font color=red>科研写作 -》英文翻译</font>
+<font color=green>大白话 -> 提取后的逻辑链条</font> -> <font color=red>科研写作 -> 英文翻译</font>
 
 <strong>干了什么：</strong>
 
 1. 如果没有想清楚要做的是什么，要写什么，可以先用大白话，在草稿上写，有利于理清思路，抽丝剥茧
 
-    失败案例：一上来直接英文【】‘’写作，一会 we want ，一会 80 个词语的长难句，思路英语都不清晰
+    失败案例：一上来直接英文[ ]  ' '写作，一会 we want，一会 80 个词语的长难句，思路英语都不清晰
 
 2. 先列出 Outline 每一个科研 section 你打算做什么，尝试去回答问题
 
@@ -33,9 +33,11 @@
 
     1: How do we verify that we solved it:
 
-    1a) Experimental results1b)
+    1a) Experimental results
 
-    TheoryExtra space? Future work!Extra points for havingFigure 1
+    1b) Theory Extra space? Future work!
+
+    Extra points for having Figure 1
 
     on the first page
 
@@ -51,7 +53,6 @@
 
 2. 迭代式写作，尝试多次更改写作的内容，优秀的作品都是改出来的，在把一部分的意思表达清晰知识
 
-
 上述内容是写作的怎么去写，而下面则是内容层面，什么样的文章算是一篇好的文章
 
 ::: warning 📌

4.人工智能/4.11从 AI 到 智能系统 —— 从 LLMs 到 Agents.md

@@ -6,7 +6,7 @@ author:廖总
 
 先声夺人：AI 时代最大的陷阱，就是盲目考察 AI 能为我们做什么，而不去考虑我们能为 AI 提供什么
 
-### <em>免责声明</em>
+## <em>免责声明</em>
 
 本文纯文本量达 16k（我也不知道字数统计的 28k 是怎么来的），在这 游离散乱的主线 和 支离破碎的文字 中挣扎，可能浪费您生命中宝贵的十数分钟。
 
@@ -43,7 +43,7 @@ author:廖总
 
 仅作展望。
 
-# 引言
+## 引言
 
 在开启正式讨论之前，我们希望从两个角度分别对 AI 进行讨论，从而夹逼出我们 从 AI 到 智能系统 的主题
 
@@ -56,7 +56,7 @@ author:廖总
 
 以前只知前边两句，现在才知精髓全在后者
 
-## 形而下者器：LLMs + DB 的使用样例
+### 形而下者器：LLMs + DB 的使用样例
 
 （为了不让话题一开场就显得那么无聊，我们先来谈点有意思的例子）
 
@@ -77,7 +77,7 @@ author:廖总
 
 （后面会给出更多关联的讨论，这里就先不赘叙了）
 
-## 形而上者道：对 LLM 既有智能能力及其局限性的讨论
+### 形而上者道：对 LLM 既有智能能力及其局限性的讨论
 
 这一节中，想讨论一下人工智能与人类智能的碰撞（）
 
@@ -99,7 +99,7 @@ ChatGPT Plugins 在两篇论文两个角度的基础上，对 LLMs 的能力的
 - 为 AI 提供接口，为 AI 拓展能力
 - 建模自身问题，促进有效生成
 
-### 从人工智能到人类智能
+#### 从人工智能到人类智能
 
 在上面的论断中，我们看似已经能将绝大多数智能能力出让予 AI 了，但我还想从另一角度对 AI 与人类的能力进行展开讨论：
 
@@ -109,7 +109,7 @@ ChatGPT Plugins 在两篇论文两个角度的基础上，对 LLMs 的能力的
 - “人工”智能：辅佐 AI 实现的智能
 - 人类智能：于人类独一无二的东西
 
-### AI 智能的形态
+#### AI 智能的形态
 
 大语言模型的原始目的是制造一个“压缩器”，设计者们希望他能有效地学习世界上所有信息，并对其进行通用的压缩。
 
@@ -120,11 +120,11 @@ ChatGPT Plugins 在两篇论文两个角度的基础上，对 LLMs 的能力的
 > “人总是要死的，苏格拉底也是人，所以苏格拉底是要死的”<br/>这是一个经典苏格拉底式的三段论，其中蕴含着人类对于演绎推理能力的智慧。<br/>假设上面的样本是 LLM 既有学习的，而这时来了一个新的样本：<br/>“人不吃饭会被饿死，我是人，所以我也是要恰饭的嘛”<br/>那么对于一个理想的智能压缩器而言，其可能发现新句与旧句之间的关联，并有效学习到了句子的表征形式及其背后的逻辑
 
 $$
-S1=<(人,苏格拉底,死),三段式推理>
+S1=<(人，苏格拉底，死),三段式推理>
 $$
 
 $$
-S2=<(人,我,恰饭),三段式推理> 
+S2=<(人，我，恰饭),三段式推理>
 $$
 
 > 而随后，压缩器会倾向于储存三段式推理这一智能结构，并在一定程度上丢弃后来的（人，我，恰饭）这一实体关系组，仅简单建模其间联系，并在生成时按需调整预测权重。
@@ -144,7 +144,7 @@ LLM 的实质上还是通过“语言结构”对“外显人类智能”进行
 
 而也正是这些固有缺陷，为人类的自我定位和进一步利用 AI 找到了立足点。
 
-### 赋能 AI 实现智能
+#### 赋能 AI 实现智能
 
 作为上面一点的衍生，我们可以从大体两个角度去辅助 AI 智能的实现：
 
@@ -200,13 +200,13 @@ LLM 的实质上还是通过“语言结构”对“外显人类智能”进行
 
 简而言之，我希望能追随着 AI 的发展，讨论是否能构建这样一个通用的 AI 框架，并将其引入工作生产的方方面面。希望能讨论及如何对生产信息进行有效的管理，也包括如何让我们更好调用 AI，如何让 AI 满足我们的生产需要。
 
-# LLMs：生成原理及能力考察
+## LLMs：生成原理及能力考察
 
 相信无论是否专业，各位对 LLMs 的生成原理都有着一定的认知
 
 简单来说，这就是一个单字接龙游戏，通过自回归地预测“下一个字”。在这个过程的训练中，LLMs 学习到了知识结构，乃至一系列更复杂的底层关联，成为了一种人类无法理解的智能体。
 
-## In-Context Learning / Chain of Thought
+### In-Context Learning / Chain of Thought
 
 经过人们对模型背后能力的不懈考察，发现了一系列亮点，其中最瞩目的还是两点：
 
@@ -233,8 +233,7 @@ COT 为输出增加关联
 
 进一步的，ICL 的发现，让 LLMs 能避免过多的传统 Finetune，轻易将能力运用在当前的情景中；COT 的发现，使得通过 LLMs 解决复杂问题成为可能。此二者的组合，为 LLMs 的通用能力打下了基础。
 
-
-## TaskMatrix.AI
+### TaskMatrix.AI
 
 微软对 [TaskMatrix.AI](https://arxiv.org/abs/2303.16434) 这一项目的研究，很大程度上展示了 LLMs 基于 ICL 和 COT 所能展现的能力
 
@@ -261,7 +260,7 @@ TaskMatrix 的生态愿景
 
 （当然，硬要说的话，对 ICL 和 COT 两种能力都有一个狭义与广义之争，但这不重要，因为我喜欢广义）
 
-### ICL for TaskMatrix
+#### ICL for TaskMatrix
 
 > 狭义的 ICL：从输入的既有样例中学习分布和规范<br/>广义的 ICL：有效的将输入内容有效运用到输出中
 
@@ -295,13 +294,13 @@ TaskMatrix 自动围绕目标拆解任务
 
 TaskMatrix 自动为任务创建 API 调用链
 
-## 初步考察
+### 初步考察
 
 基于上述的简单介绍，我们已经初步认识了 AI 在实际情景中的高度可用性
 
 而接下来，我们继续从工程的角度揭示这种可用性的根源 —— 其源自一项通用的 Prompt 技术
 
-# Prompt Decomposition：方法论
+## Prompt Decomposition：方法论
 
 我们可以认为，TaskMatirx 的能力极大程度上依托于 Prompt Decomposition 的方法
 
@@ -309,7 +308,7 @@ TaskMatrix 自动为任务创建 API 调用链
 
 [[2210.02406] Decomposed Prompting: A Modular Approach for Solving Complex Tasks (](https://arxiv.org/abs/2210.02406)[arxiv.org](https://arxiv.org/abs/2210.02406)[)](https://arxiv.org/abs/2210.02406)
 
-## 原始 Decomp
+### 原始 Decomp
 
 Decomp 的核心思想为将复杂问题通过 Prompt 技巧，将一个复杂的问题由 LLMs 自主划分为多个子任务。随后，我们通过 LLMs 完成多个任务，并将过程信息最终组合并输出理想的效果
 
@@ -335,15 +334,15 @@ Decomp 方法执行样例
 
 我们也可以认为，在每个子任务中，我们通过 Prompt 将 LLMs 的能力进行了劣化，从而让其成为一个专职的功能零件。而这种对单个 LLMs 能力迷信的削减，正延伸出了后续的发展趋势。
 
-## Decomp 衍生
+### Decomp 衍生
 
 Decomp 的原始功能实际上并不值得太过关注，但我们急需考虑，该方法还能用于处理些什么问题。
 
-### 递归调用
+#### 递归调用
 
 我们可以构建规则，让 Decomp 方法中的分解器递归调用自身，从而使得一个可能困难的问题无限细分，并最终得以解决
 
-### 外部调用
+#### 外部调用
 
 通过问题的分解和通过“专用函数”的执行，我们可以轻易让 LLMs 实现自身无法做到的调用 API 工作，例如主动从外部检索获取回答问题所需要的知识。
 
@@ -355,7 +354,7 @@ Decomp 方法调用外部接口样例
 
 基于此，我们还希望进一步研究基于这些机制能整出什么花活儿，并能讨论如何进一步利用 LLMs 的能力
 
-## 回顾：HuggingGPT 对 Decomp 方法的使用
+### 回顾：HuggingGPT 对 Decomp 方法的使用
 
 [HuggingGPT](https://arxiv.org/abs/2303.17580) 一文也许并未直接参考 Decomp 方法，而是用一些更规范的手法完成该任务，但其充分流水线化的 Prompt 工程无疑是 Decomp 方法在落地实践上的最佳注脚
 
@@ -373,7 +372,7 @@ HuggingGPT
 
 接下来，我们会讨论一个很新的，在为 Agent 模拟任务构建框架上，把 Decomp 和 Prompting 技术用到登峰造极的样例。
 
-# Generative Agents：社群模拟实验
+## Generative Agents：社群模拟实验
 
 [[2304.03442] Generative Agents: Interactive Simulacra of Human Behavior (](https://arxiv.org/abs/2304.03442)[arxiv.org](https://arxiv.org/abs/2304.03442)[)](https://arxiv.org/abs/2304.03442)
 
@@ -383,7 +382,7 @@ Generative Agents 一文通过的自然语言框架 AI 构建出了一个模拟
 
 因为，其本质是一个信息管理框架的实验。
 
-## 简要介绍
+### 简要介绍
 
 简单介绍该项目构建的框架：
 
@@ -399,7 +398,7 @@ Generative Agents 构建了一套框架，让 NPC 可以感知被模块化的世
 
 根据 NPC 的决策，NPC 能反向更新自身所使用的记忆数据库，并提炼总结出高层记忆供后续使用。
 
-## 世界沙盒的构建
+### 世界沙盒的构建
 
 相比角色信息的构建是重头戏，世界沙盒的构建使用的方法要相对朴素一些
 
@@ -419,7 +418,7 @@ Generative Agents 的场景信息管理
 
 同时，空间信息会被自动组成自然语言 Prompt，用于帮助 Agent 更好地理解外部信息。甚至当 Agent 希望获取空间信息时，其能主动递归调用世界信息，从而让 NPC 能准确找到其希望抵达的叶子节点。
 
-## Agent 构建
+### Agent 构建
 
 模型中的 Agent 由 数据库 + LLMs 构建
 
@@ -431,13 +430,13 @@ Generative Agents 的场景信息管理
 
 而对于过去经验的输入，则是文章的一大亮点
 
-## 记忆模式
+### 记忆模式
 
 对于 Agent 的记忆，依托于一个储存信息流的数据库
 
 数据库中核心储存三类关键记忆信息 memory, planning and reflection
 
-### Memory
+#### Memory
 
 对于 Agent 每个时间步观测到的事件，会被顺序标记时间戳储存进记忆数据库中
 
@@ -449,7 +448,7 @@ Generative Agents 的场景信息管理
 
 对于对记忆数据库进行索引的情况，会实时评估上述三个指标，并组合权重，返回对记忆索引内容的排序
 
-### Reflection
+#### Reflection
 
 反思机制用于定期整理当前的 memory 数据库，让 npc 构建对世界和自身的高层认知
 
@@ -465,7 +464,7 @@ Generative Agents 的场景信息管理
 
 进一步的，我们将这些洞察以相同的形式重新储存至记忆库中，由此模拟人类的记忆认知过程
 
-### Planning
+#### Planning
 
 Planning 的核心在于鼓励 Agent 为未来做出一定的规划，使得后续行动变得可信
 
@@ -475,13 +474,13 @@ Planning 的核心在于鼓励 Agent 为未来做出一定的规划，使得后
 
 在此基础上，Agent 也需要对环境做出反应而调整自己的计划表（例如自身判断外界交互的优先级比当前计划更高。
 
-## 交互构建
+### 交互构建
 
 基于上述记忆框架，进一步实时让 Agent 自行感知并选择与其它 Agent 构建交互
 
 并最终使得复杂的社群在交互中涌现
 
-## 启发
+### 启发
 
 Generative Agent 框架主要带来了一些启发，不止于 AI-NPC 的构建，其操作的诸多细节都是能进一步为我们在实际的工程中所延拓的。
 
@@ -497,7 +496,7 @@ Generative Agent 框架主要带来了一些启发，不止于 AI-NPC 的构建
 - AI x 信息自动化系统的构建：基于 AI + 软件系统而非基于人工对数据进行收集和管理
 - etc...
 
-# AutoGPT：自动化的智能软件系统
+## AutoGPT：自动化的智能软件系统
 
 [Torantulino/Auto-GPT: An experimental open-source attempt to make GPT-4 fully autonomous. (](https://github.com/Torantulino/Auto-GPT)[github.com](https://github.com/Torantulino/Auto-GPT)[)](https://github.com/Torantulino/Auto-GPT)[github.com/Torantulino/Auto-GPT](https://github.com/Torantulino/Auto-GPT)
 
@@ -530,7 +529,7 @@ AutoGPT 主要特性如下：
 
 （如下是 AutoGPT 的基础 Prompt）
 
-```
+```txt
 [
     {
         'content': 'You are Eliza, an AI designed to write code according to my requirements.\n'
@@ -613,7 +612,7 @@ AutoGPT 主要特性如下：
 ]
 ```
 
-# 回归正题：AI 作为智能系统
+## 回归正题：AI 作为智能系统
 
 作为正题的回归，我们需要重新考虑什么是一个 AI，一个能帮助我们的 AI 应当处于什么样的现实形态？
 
@@ -625,7 +624,7 @@ AutoGPT 主要特性如下：
 
 接下来，我们会围绕此进行展开
 
-## 意识理论之于 AI：全局工作空间理论
+### 意识理论之于 AI：全局工作空间理论
 
 全局工作空间理论（英语：Global workspace theory，GWT）是美国心理学家伯纳德·巴尔斯提出的[意识](https://zh.wikipedia.org/wiki/%E6%84%8F%E8%AF%86)模型。该理论假设意识与一个全局的“广播系统”相关联，这个系统会在整个大脑中广播资讯。大脑中专属的智能处理器会按照惯常的方式自动处理资讯，这个时候不会形成[意识](https://zh.wikipedia.org/wiki/%E6%84%8F%E8%AF%86)。当人面对新的或者是与习惯性刺激不同的事物时，各种专属智能处理器会透过合作或竞争的方式，在全局工作空间中对新事物进行分析以获得最佳结果，而意识正是在这个过程中得以产生。
 
@@ -649,7 +648,7 @@ AutoGPT 主要特性如下：
 - 知觉系统（现在）
 - 运动系统（未来）
 
-### 例子：意识系统 For Generative Agent
+#### 例子：意识系统 For Generative Agent
 
 单独解释的话，或许会比较麻烦，毕竟我对认知科学并不专业
 
@@ -673,7 +672,7 @@ AutoGPT 主要特性如下：
 
 记忆、评估、反思这几块的设计通过 Prompt 把 LLMs 劣化成专用的智能处理器单元，并系统性实现信息的整合与输出。从整体的观点上来看，Generative Agents 中的 Agent，其主体性并不在于 LLM，而是在于这个完整的系统。（相应的，LLMs 只是这个系统的运算工具和陈述工具）
 
-### 例子：AutoGPT 的考察
+#### 例子：AutoGPT 的考察
 
 我们再从相同的角度考察 AutoGPT 这一项目：
 
@@ -690,7 +689,7 @@ AutoGPT 主要特性如下：
 
 这也对应 AutoGPT 虽然看似有着极强的能力，但实际智能效果又不足为外人道也
 
-## 构建一个什么样的智能系统
+### 构建一个什么样的智能系统
 
 再次回归正题，Generative Agents 和 AutoGPT 这两个知名项目共同将 AI 研究从大模型能力研究导向了智能系统能力研究。而我们也不能驻足不前，我们应当更积极地考虑我们对于一个 AI 智能体有着什么样的需求，也对应我们需要构建、要怎么构建一个基于 LLMs 语言能力的可信可用的智能系统。
 
@@ -708,7 +707,7 @@ AutoGPT 主要特性如下：
 
 这些问题都在指导、质问我们究竟需要一个怎样的智能系统。
 
-# 予智能以信息：难题与展望
+## 予智能以信息：难题与展望
 
 回到最开始的话题，我们构建一个可用智能系统的基底，依旧是信息系统
 
@@ -724,7 +723,7 @@ AutoGPT 主要特性如下：
 
 而接下来，我们希望对其进行逐一评估，讨论他们各自将作用的形式，讨论他们需要做到哪一步，又能做到哪一步。
 
-## 知觉系统：构建 AI 可读的结构化环境
+### 知觉系统：构建 AI 可读的结构化环境
 
 知觉系统负责让智能体实现信息的感知，其中也包括对复杂输入信息的解析
 
@@ -804,7 +803,7 @@ Generative Agents 的知觉设计：关联性难题
 
 仅就这方面而言，作为一个方向性的倡议，对知觉系统的开发可能分为以下步骤
 
-### <em>数据处理/管理</em>
+#### <em>数据处理/管理</em>
 
 - 对 办公文件/数据 构建通用读取接口
 - 以同类信息为单位，设计通用的字段（由人设计和管理，AI 能力尚不至此）
@@ -828,7 +827,7 @@ Generative Agents 的知觉设计：关联性难题
   - 如储存进 mongoDB
 - （设计孪生数据的自动更新机制）
 
-### <em>知觉系统驱动</em>
+#### <em>知觉系统驱动</em>
 
 - 基于上述索引数据库，以视图为单位进行访问，并设计 视图 2 Prompt 的转化格式
 
@@ -861,7 +860,7 @@ Generative Agents 的知觉设计：关联性难题
 
 > TBD：号被 OpenAI 噶了，我也很绝望啊
 
-## 工作记忆：组织 AI 记忆系统
+### 工作记忆：组织 AI 记忆系统
 
 记忆系统的构成其实相较知觉系统等更为抽象，它用于管理 AI 运行时作为背景的长期记忆，以及定义决定了 AI 当前任务及目标的短期记忆。
 
@@ -869,7 +868,7 @@ Generative Agents 的知觉设计：关联性难题
 
 但我们依旧能从前人的工作中获得一定的参考。
 
-### AutoGPT 的记忆设计：粗放但有效
+#### AutoGPT 的记忆设计：粗放但有效
 
 在 长时记忆（过去）、评估系统（价值）、注意系统（关注）这三个要素中，AutoGPT 做得比较好的无疑只有第一个。
 
@@ -899,7 +898,7 @@ AutoGPT 的核心记忆设计依赖于预包装的 Prompt 本体，这一包装
 
 但从另一角度，其“自主将收集到的信息写入记忆”这一功能作为一个 以完成任务为目标 的 Agent 而言无疑是非常合适的架构设计。
 
-### Generative Agents 的记忆设计：精心构建的金字塔
+#### Generative Agents 的记忆设计：精心构建的金字塔
 
 区别于 AutoGPT 主动写入的记忆，Generative Agents 的记忆源自被动的无限感知和记录，因此显得更加没有目的性。也正因如此，其需要一种更妥善的管理形式。
 
@@ -915,7 +914,7 @@ Generative Agents ：基于 Reflection 构建记忆金字塔
 
 相关的更有效的记忆管理无疑很快就会被更新的项目学习。
 
-### 记忆系统的构建讨论（放飞大脑）
+#### 记忆系统的构建讨论（放飞大脑）
 
 但从某种意义上来说，对于一个我们希望其帮助我们工作的智能体而言，像 Generative Agent 这般的巨大数据库也许并未有充分的价值，何况我们所输入的内容原始层级就较高（这一层可能在前面的知觉系统中，就让一定程度上的高层洞见自主产生了），不易于进一步的堆叠。
 
@@ -933,7 +932,7 @@ Generative Agents ：基于 Reflection 构建记忆金字塔
 
 （可以遇见的，以 AutoGPT 的热度，半个月内就会有人为其设计相应的 mod）
 
-## 运动系统：让 AI 可及一切
+### 运动系统：让 AI 可及一切
 
 基于知觉系统和记忆系统，已经能构建一个使用语言解决问题的智能体了。但最为关键的改造世界部分则依旧缺席。
 
@@ -963,7 +962,7 @@ AI 能做的一切都基于我们的赋予，包括语言能力，包括思维
 - 我们不该将其当作独立的智能体看待，但能在其基础上通过构建系统创建智能 Agent
 - 为此，我们需要通过信息工程，让 AI 能够真正感知和改造世界，从而改变我们的生产进程
 
-# 寄予厚望
+## 寄予厚望
 
 感谢有人忍受了我阴间的行文和一路跑偏的思路，真能看到这里
 

4.人工智能/4.12LLMAgent之结构化输出.md

@@ -6,7 +6,7 @@ author:Marlene
 
 ## 引言
 
-自去年年底以来，GPT的迅速发展诞生了一系列大模型。出现了更新、更大、更强的GPT-4。OpenAI不断推出GPT-4，ChatGPT Plugins，代码解释器，Function calling,图片处理等等。7月的WAIC上，笔者也有幸见到了国内一众企业相继展示自家的大模型。在这段时间里，LLM从最初的PE工程走向智能体交互。而笔者从最开始考虑LLM能不能多人协作，思考”一个专家完成所有任务好还是很多人分工完成好“，到各种论文层出不穷，到如今火热的LLM Agent开发模式。可以说，如果你从大学里随便问某个人都知道GPT，甚至大部分都用过。
+自去年年底以来，GPT 的迅速发展诞生了一系列大模型。出现了更新、更大、更强的 GPT-4。OpenAI 不断推出 GPT-4，ChatGPT Plugins，代码解释器，Function calling，图片处理等等。7 月的 WAIC 上，笔者也有幸见到了国内一众企业相继展示自家的大模型。在这段时间里，LLM 从最初的 PE 工程走向智能体交互。而笔者从最开始考虑 LLM 能不能多人协作，思考”一个专家完成所有任务好还是很多人分工完成好“，到各种论文层出不穷，到如今火热的 LLM Agent 开发模式。可以说，如果你从大学里随便问某个人都知道 GPT，甚至大部分都用过。
 
 好了，前言少叙。进入正题。众所周知，Agent 基本= LLM（大型语言模型）+ 记忆 + 规划技能 + 工具使用。
 
@@ -16,7 +16,7 @@ author:Marlene
 
 现如今大部分的结构化输出工具的原理都是：告诉 GPT 要输出一个怎么样的结构即可。没错~当然，为什么会出现这么多开发工具都用来解决这个问题，明明是一个简单的原理呢？
 
-```
+```txt
 1. 通过 prompt 告知 LLM 我们所需要的返回格式，并进行生成。
 2. 通过一些规则来检查返回结果，如果不符合格式，生成相关错误信息。
 3. 将上一次的生成内容和检查的错误信息告知 LLM，进行下一次的修正生成。
@@ -255,6 +255,7 @@ LLM 的可控性、稳定性、事实性、安全性等问题是推进企业级
 我想，未来，这样的隐私问题会越来越多。
 
 ## 参考
+
 <https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650885029&idx=4&sn=ac01576a8957b41529dd3c877d262d5e&chksm=84e48fdbb39306cd8979a4fa7f7da14a9428dc28ccc47880d668ef6293b1a8b7b0964569ec36&mpshare=1&scene=23&srcid=0725w9FPsVnOOzkPGPB7lH8h&sharer_sharetime=1690303766527&sharer_shareid=d2396b329b12f49d34967e2b183540dd#rd>
 <https://mp.weixin.qq.com/s/BngY2WgCcpTOlvdyBNJxqA>
 <https://microsoft.github.io/TypeChat/>

4.人工智能/4.13本章节内容的局限性.md

@@ -12,7 +12,7 @@
 
 无数伟大的科学家究其一生的研究和探索它，但是你发现本章内容少有相关内容，还是以深度学习为主？为什么？
 
-## 原因一:时代的浪潮
+## 原因一：时代的浪潮
 
 近乎全民深度学习的浪潮下，机器学习的知识被科研界一而再再而三的抛掷脑后，大家争先恐后的刷点，并使用深度学习的解决问题，因此深度学习领域的知识材料得到了井喷式的增长，而少有人愿意投入非常长的时间去研究机器学习的每一条数学公式的背后机理。
 
@@ -34,7 +34,7 @@ ZZM 曾经尝试过投入大量时间去钻研数学以及机器学习相关的
 
 如果你阅览了本章节的数学相关知识和内容以及拓展感觉非常感兴趣并且毫无压力的话，我推荐你尝试去啃一啃大家公认的困难的书籍，比如说著名的花书，互联网上，社区内也有大量的辅助材料来帮助你更进一步的入门
 
-# 科研导向明显
+## 科研导向明显
 
 整篇教程大范围的在教怎么从科研角度去理解一些知识，感觉和工业上的逻有不符之处。
 
@@ -48,7 +48,7 @@ ZZM 曾经尝试过投入大量时间去钻研数学以及机器学习相关的
 
 因此如果你对这方面感兴趣，可能你需要别的途径去获取更多的思考和资源了。
 
-# 繁杂的知识内容
+## 繁杂的知识内容
 
 这点非常抱歉，AI 领域的知识本身就是网状的，复杂的，甚至是互相引用的，这点会导致不可避免的内容变得冗长。
 
@@ -56,8 +56,11 @@ ZZM 曾经尝试过投入大量时间去钻研数学以及机器学习相关的
 
 而不是别人强行灌输给你的
 
-# 还有更多？？？
+## 还有更多？？？
 
 联系 ZZM，我努力改
+::: tip 邮箱
+1264517821@qq.com
+:::
 
-![](https://cdn.xyxsw.site/boxcnfYSoVgoERduiWP0jWNWMxf.jpg)
+<img src=https://cdn.xyxsw.site/boxcnfYSoVgoERduiWP0jWNWMxf.jpg width=200>

4.人工智能/4.4FAQ：常见问题.md

@@ -30,9 +30,7 @@
 
 你应该更多地依赖自己而不是学校
 
-
-
-# [如果不是相关领域可以找到这个领域工作吗](https://www.quora.com/How-do-I-get-a-job-in-Machine-Learning-as-a-software-programmer-who-self-studies-Machine-Learning-but-never-has-a-chance-to-use-it-at-work)
+## [如果不是相关领域可以找到这个领域工作吗](https://www.quora.com/How-do-I-get-a-job-in-Machine-Learning-as-a-software-programmer-who-self-studies-Machine-Learning-but-never-has-a-chance-to-use-it-at-work)
 
 > “我正在为团队招聘专家，但你的 MOOC 并没有给你带来工作学习机会。我大部分机器学习方向的硕士也并不会得到机会，因为他们（与大多数工作）上过 MOOC 的人一样）并没有深入地去理解。他们都无法帮助我的团队解决问题。”Ross C. Taylor
 

4.人工智能/4.7图网络略述（intro&GCN）.md

@@ -114,9 +114,7 @@ $$
 \mathbf{U}^\mathsf{T}x
 \end{matrix}
 $$
-
-，并对其中无关输入信号 $x$ 的部分进行改写
-
+并对其中无关输入信号 $x$ 的部分进行改写
 
 $$
 \mathbf{U}\begin{matrix}\sum_{k=0}^K
@@ -163,7 +161,6 @@ x
 \end{matrix}
 $$
 
-
 作为 ChebNet 的卷积结构
 
 其中值得注意的一点是，ChebNet 的 K 值限制了卷积核的多项式次数，但是这里的多项式次数描述了什么呢？其实就是卷积的“范围”，即单次卷积内最高可获得的 K 阶相邻节点信息。在 K=n 的时候，我们从理论上可以通过单次卷积，获取一张连通图上所有结点的信息，而这也是原方法难以计算的根本原因。

4.人工智能/4.8数据分析.md

@@ -1,12 +1,14 @@
 # 数据科学
+
 author:zzm
-# 本章内容会从一个小故事开始
+
+## 本章内容会从一个小故事开始
 
 讲讲某个人在大一的悲惨经历来为大家串起来一个精简的数据科学工作包括了哪些步骤，同时给各位介绍一些优质的教程
 
 同时，这章内容将详细阐述[与人合作的生死疲劳](../1.杭电生存指南/1.5小组作业避雷指南.md)
 
-# 悲惨世界
+## 悲惨世界
 
 ::: danger 若有雷同，纯属瞎编~~根据真实事件改编
 
@@ -15,7 +17,8 @@ author:zzm
 请欣赏小故事的同时，根据自己的需求选择自己想学的教程
 
 :::
-## Day1
+
+### Day1
 
 你是一个可怜的大一学生，学校的短学期的第一天，你的心情非常好，因为要放寒假了，只要再坚持过这个短学期，你的快乐假期要来了！什么是短学期？不知道啊，也没听学长说过，好像是新研究出来的一个课程，去试试看吧。
 
@@ -23,16 +26,20 @@ author:zzm
 
 你看到 PPT 上赫然印着
 ::: tip 任务目标
-基础系统:
+基础系统：
+
 1. 淘宝客户价值分析系统，实现爬取数据，数据处理，数据分析。
 2. 二手房数据分析预测系统，实现爬取数据，数据分析，绘制图表。
 3. 智能停车场运营分析系统，实现爬取数据，数据分析，绘制图表。
 4. 影视作品分析系统，实现爬取数据，数据分析，绘制图表。
-升级系统:
+
+升级系统：
+
 1. 利用爬虫理论，实现 12306 抢票小助手系统。
 2. 利用数据分析方法，实现淘宝商品排行分析。
 3. 利用爬虫原理，爬 Google 搜索引擎分析。”
 要求实现三项以上的功能模块或三种以上的特征分析或提取。
+
 :::
 
 心中一惊，暗道不妙，这都什么玩意，怎么还有爬谷歌，淘宝和抢 12306 的票啊，这 tm 不是犯法的么！这我要能做出来我还上什么大一的学啊！🥺🥺🥺🥺
@@ -53,7 +60,7 @@ day 1 End!🤣
 
 虽然你没有学过爬虫，但是你很幸运的找到了 github 上一个现成的爬虫代码，虽然费了一翻力气，但是仍然躲过了某房价网站的爬虫，他成功爬下来了，我们就把他存在哪里呢？~~（爬虫待补充）
 
-先试试excel好了，毕竟这是大家最耳熟能详的存表格的方法，但是你貌似没有深入了解过他，打开了datawhale的[free-excel](https://github.com/datawhalechina/free-excel)，你才惊讶的发现,wow，原来他有这么多牛逼的功能啊！它除了可以将房价统计，找到它的平均价格，算出他的最高价格之类以外，竟然也可以把他可视化！甚至它还可以对房价进行多元分析！根据房屋数量面积地段等等因素帮你预测房价，甚至可以自动帮你检索和去除重复数据，实在是太好用啦！
+先试试 excel 好了，毕竟这是大家最耳熟能详的存表格的方法，但是你貌似没有深入了解过他，打开了 datawhale 的[free-excel](https://github.com/datawhalechina/free-excel)，你才惊讶的发现，wow，原来他有这么多牛逼的功能啊！它除了可以将房价统计，找到它的平均价格，算出他的最高价格之类以外，竟然也可以把他可视化！甚至它还可以对房价进行多元分析！根据房屋数量面积地段等等因素帮你预测房价，甚至可以自动帮你检索和去除重复数据，实在是太好用啦！
 
 当然，这只是一个理想状态，残酷的现实很快给你当头一棒！当你试着多爬点不同城市数据的时候，他崩了！这么脆弱的吗？！干点活就喊累的吗？！😨
 
@@ -88,7 +95,7 @@ God!No!昨天已经够累的了，今天老师还要讲课，还要早起！你
 
 你了解到 pandas 是一个开源的 Python 数据处理库，提供了高性能、易用、灵活和丰富的数据结构，可以帮助用户轻松地完成数据处理、清洗、分析和建模等任务。你使用了 DataFrame 来装载二维表格对象。
 
-用一些关键词来提取数据中隐藏的信息，例如提取“平米”前面的数字放到‘area'列，提取房价到'price’列，提取位置到'locate'里面,当然你也遇到了可怕的bug，提取所有“室”和“厅”前面的数字，他总是告诉你有bug，全部输出之后才发现你提取到了“地下室”结果他没法识别到数字所以炸了！
+用一些关键词来提取数据中隐藏的信息，例如提取“平米”前面的数字放到‘area'列，提取房价到'price’列，提取位置到'locate'里面，当然你也遇到了可怕的 bug，提取所有“室”和“厅”前面的数字，他总是告诉你有 bug，全部输出之后才发现你提取到了“地下室”结果他没法识别到数字所以炸了！
 
 将数据勉强弄得有序之后，你提取了平均数填充到缺失数据的房屋里面，将一些处理不了的删掉。
 
@@ -96,11 +103,13 @@ God!No!昨天已经够累的了，今天老师还要讲课，还要早起！你
 
 不论怎么说，你勉强有了一份看得过去的数据，你看了看表，已经晚上十一点半了，今天实在是身心俱疲！
 
-问问队友吧，什么，他们怎么还是在python语法？！你就像进了米奇不妙屋~队友在想你说“嘿~你呀瞅什么呢~是我！你爹~”
+问问队友吧，什么，他们怎么还是在 python 语法？！你就像进了米奇不妙屋~队友在说
 
-此时你像一头挨了锤的老驴，曾经的你有好多奢望，你想要GPA，想要老师的认同，甚至想要摸一摸水里忽明忽暗的🐟，可是一切都随着你的hadworking变成了泡影。
+~~“嘿~你呀瞅什么呢~是我！你爹~”~~
 
-可是步步逼近的截止日期不允许你有太多的emo期，说好的七天时间，最后一天就剩下展示了！也就是说实际上只有6天的开发时间，也就是说你必须得挑起大梁了
+此时你像一头挨了锤的老驴，曾经的你有好多奢望，你想要 GPA，想要老师的认同，甚至想要摸一摸水里忽明忽暗的🐠，可是一切都随着你的 hardworking 变成了泡影。
+
+可是步步逼近的截止日期不允许你有太多的 emo 时间，说好的七天时间，最后一天就剩下展示了！也就是说实际上只有 6 天的开发时间，也就是说你必须得挑起大梁了
 
 > 世界上只有一种真正的英雄主义，那就是看清生活的真相之后，依然热爱生活
 
@@ -116,8 +125,8 @@ day 3 end!👿 👹 👺 🤡
 
 加上 Plotly 绘制一些复杂的图，让你的图有着更漂亮的交互效果，然后加上看起来很牛逼的英语描述
 
+你找到了下面的教程：
 
-你找到了下面的教程
 [matplotlib 奇遇记文字教程](https://github.com/datawhalechina/fantastic-matplotlib)
 
 [极好的 Plotly 文字教程：](https://github.com/datawhalechina/wow-plotly)
@@ -148,13 +157,13 @@ day 4 end!~🤤
 
 你对着他啃了半天，觉得很多东西你都能看懂了，你脑子里已经有了很多思路，你想按使用高级的机器学习的算法！
 
-但是！时间还是太紧张了!你没有办法从头开始实现了！
+但是！时间还是太紧张了！你没有办法从头开始实现了！
 
-你想尝试[pytorch文字教程](https://github.com/datawhalechina/thorough-pytorch)，但是时间也不够让你去重整数据去训练了。你随便塞在线性层里的数据梯度直接爆炸，你这时候还不知道归一化的重要性，紧张之下把几万几十万的房价往里面塞，结果结果烂成💩了，并且你没有波如蝉翼的基础知识并不够让你去解决这些个bug，只能疯狂的瞎挑参数，可是结果往往不如人意~
+你想尝试[pytorch 文字教程](https://github.com/datawhalechina/thorough-pytorch)，但是时间也不够让你去重整数据去训练了。你随便塞在线性层里的数据梯度直接爆炸，你这时候还不知道归一化的重要性，紧张之下把几万几十万的房价往里面塞，结果结果烂成💩了，并且你那薄如蝉翼的基础知识并不够让你去解决这些个 bug，只能疯狂的瞎调参数，可是结果往往不如人意~
 
 时间来到了晚上八点，明天就要最后验收了，走投无路的你把目光看向了远在几十千米外已经入职了的大哥，晚上跟他打电话哭诉你最近的遭遇，你实在搞不懂，为什么十二生肖大伙都属虎，就你属驴。
 
-大哥嘎嘎猛，连夜打车过来，我在因疫情封校的最后两个小时赶出了学校，和大哥一起租了个酒店，通宵奋战，他采取了更多更为优雅的特征工程和模型调参的方式，让模型优雅的收敛到了一定程度，再用春秋笔法进行汇总，在半夜两点半，终于将内容搞定了
+大哥嘎嘎猛，连夜打车过来，你在因疫情封校的最后两个小时跑出了学校，和大哥一起租了个酒店，通宵奋战，他采取了更多更为优雅的特征工程和模型调参的方式，让模型优雅的收敛到了一定程度，再用春秋笔法进行汇总，在半夜两点半，终于将内容搞定了😭
 
 终于你可以睡个好觉了~
 
@@ -162,7 +171,7 @@ day 5 end!😍 🥰 😘
 
 ## Day 6
 
-验收日，老师端坐在底下，宛如一尊大佛，提出了一系列无关紧要的问题，比如问我们能不能拿这个程序给老年人查资料？？？
+验收日，老师端坐在底下，宛如一尊大佛，提出了一系列无关紧要的问题，比如问“我们能不能拿这个程序给老年人查资料？？？”
 
 等等问题和技术一点关系都没有！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！
 
@@ -172,9 +181,9 @@ day 5 end!😍 🥰 😘
 
 The End~~~~~~~~~~
 
-# 事后总结
+## 事后总结
 
-你在那个暑假详细了解和学习一下数据科学竞赛,发现他的含金量在职场领域有时候相当高，并且对提升自身的实力也有相当大的帮助！
+你在那个暑假详细了解和学习一下数据科学竞赛，发现他的含金量在职场领域有时候相当高，并且对提升自身的实力也有相当大的帮助！
 
 [数据竞赛 Baseline & Topline 分享](https://github.com/datawhalechina/competition-baseline)
 
@@ -186,7 +195,6 @@ The End~~~~~~~~~~
 
 例如：[使用公开的 arXiv 论文完成对应的数据分析操作](https://github.com/datawhalechina/team-learning-data-mining/tree/master/AcademicTrends)
 
-
 想到如果你早做准备，没有荒废大一的时光，也许你不但能圆满的通过这次课程，也可以开辟更为广阔的新世界了吧~
 
 同时，你也初窥了数学＋机器学习世界的瑰丽传奇，你想更为深入的对其有一个了解，并且做出点东西，希望对你日后的学习生活有个见证~~
@@ -195,14 +203,14 @@ The End~~~~~~~~~~
 
 ::: danger 再次警告，本章内容有很多瞎编的内容，不要全信
 
-比如说一天学完pandas,一天学完sql之类的都是很不现实的！希望大家注意！
+比如说一天学完 pandas，一天学完 sql 之类的都是很不现实的！希望大家注意！
 
 当然你也可以在需要用的时候再研究，也来得及，就是很累
 
 不要打击到大家的自信心！
 :::
 
-# 补充内容：下个定义
+## 补充内容：下个定义
 
 数据分析是独立于开发和算法岗的另一个方向，它主要是通过<strong>应用</strong>机器学习和深度学习的<strong>已有算法</strong>来分析现实问题的一个方向
 
@@ -210,11 +218,9 @@ The End~~~~~~~~~~
 
 数据这门科学就像中西医混合的一门医学，既要有西医的理论、分析模型以及实验，又需要有中医的望闻问切这些个人经验。
 
-
 > 这世界缺的真不是算法和技术，而是能用算法、技术解决实际问题的人
 
-
-# 什么是数据科学
+## 什么是数据科学
 
 数据科学是当今计算机和互联网领域最热门的话题之一。直到今天，人们已经从应用程序和系统中收集了相当大量的数据，现在是分析它们的时候了。从数据中产生建议并创建对未来的预测。[在这个网站中](https://www.quora.com/Data-Science/What-is-data-science)，您可以找到对于数据科学的更为精确的定义。
 
@@ -222,6 +228,6 @@ The End~~~~~~~~~~
 
 <Bilibili bvid='BV1ZW4y1x7UU'/>
 
-# Datawhale的生态体系
+## Datawhale 的生态体系
 
 在与 Datawhale 开源委员会的负责人文睿进行一翻畅谈之后。zzm 受震惊于其理念以及已经构建的较为完善的体系架构，毅然决然的删除了本章和其广泛的体系比起来相形见绌的内容。为了更大伙更好的阅读以及学习体验，我们决定在本章内容引入了[datawhale 人工智能培养方案数据分析体系](https://datawhale.feishu.cn/docs/doccn0AOicI3LJ8RwhY0cuDPSOc#)，希望各位站在巨人的肩膀上，争取更进一步的去完善它。

4.人工智能/4.9如何做研究.md

@@ -1,16 +1,15 @@
 # 如何做研究
 
-# 0. 讲在前面
+## 0. 讲在前面
 
 Author：任浩帆
 
 Email: yqykrhf@163.com
-
 术语介绍的补充：Spy
 
 仅供参考，如有不足，不吝赐教。
 
-# 术语的介绍
+## 术语的介绍
 
 <strong>Benchmark：</strong>评测的基准。通常会是一些公开的数据集。
 
@@ -44,9 +43,9 @@ Email: yqykrhf@163.com
 
 我们的系统的图片加入大量的噪声，已经旋转平移缩放以后，仍然能正确的分类，这表明了我们的工作具有一定的鲁棒性。
 
-# 坐而论道
+## 坐而论道
 
-## 2.1 研究是什么
+### 2.1 研究是什么
 
 从实际的几个例子讲起：
 
@@ -73,7 +72,7 @@ Step 3. 验证解决方案的有效性。
 
 有些问题是一直存在，但没有彻底解决的。这一类的问题通常，就不存在 Step 1。从事这一课题的研究者经常会在 2，3 之间来回反复。
 
-## 2.2 如何做研究
+### 2.2 如何做研究
 
 从上一小节的几个例子当中，其实不同的人做研究所需要完成的工作是完全不一样的。很多时候只需要做 step 3 即可，从功利的角度来讲这是性价比最高的。
 
@@ -84,7 +83,7 @@ Step 3. 验证解决方案的有效性。
 3. 本身足够 solid，可以作为 meta algorithm。比如 Mask-RCNN
 4. 是一个大家没有引起足够重视，却非常棘手且非常迫切的问题。比如相机快速运动下的重建，[MBA-VO](https://openaccess.thecvf.com/content/ICCV2021/papers/Liu_MBA-VO_Motion_Blur_Aware_Visual_Odometry_ICCV_2021_paper.pdf)
 
-### 2.2.1 如何去找一个好的问题
+#### 2.2.1 如何去找一个好的问题
 
 如何确保自己选的问题是一个好的问题？这需要和指导老师及时的反馈。如果指导老师不给力，那么一些方法仅供参考。
 
@@ -96,7 +95,7 @@ Step 3. 验证解决方案的有效性。
 
 这个过程在是一个相对比较痛苦的过程，因为调研的过程中你会发现很多问题，想到很多所谓创新的解决方法，但是实际上你会发现你的解决方法已经有很多人做过了。这一阶段调整心态很重要，切忌急于求成。
 
-### 2.2.2 如果提出解决方法
+#### 2.2.2 如果提出解决方法
 
 这个阶段需要百折不挠，小步快跑了。一下是有一些可能有帮助的技巧：
 
@@ -104,7 +103,7 @@ Step 3. 验证解决方案的有效性。
 2. 读一些基础，跨领域的论文。把其他领域的方法搬过来直接用。直接用通常情况下会存在一些问题，那么需要针对性的做一些改进。
 3. 从历史出发。将你面对的问题抽象成数学问题，这个数学问题可能过去很多人都遇到过，去看一看他们是如何解决的，从中获取一些灵感。
 
-### 2.2.3 如果做实验
+#### 2.2.3 如果做实验
 
 做实验的目的是为了快速的验证想法的正确性。以下两个东西最好要有
 
@@ -113,7 +112,7 @@ Step 3. 验证解决方案的有效性。
 
 剩下就是一些工程习惯的问题，比如出现错误用 `std::cerr` 而不是 `std::cout`。这是一个需要实践积累的部分，与做研究有些脱节，之后有时间会在其他小节做一些补充。
 
-# 快速出成果的捷径与方法
+## 快速出成果的捷径与方法
 
 如何快速的出成果，不管别人如何帮你，前提是你自己要足够的强。不能存在 <strong>“靠别人” </strong>的想法。
 
@@ -121,7 +120,7 @@ Step 3. 验证解决方案的有效性。
 
 对于一个本科生来讲，当然是跟着指导老师的脚步去做。但是如果指导老师只是把你当成一个工具人，一直打杂货的话。你想发论文，一种所谓的捷径是 A+B。就是把一个方法直接拿过来用在另一个地方，大概率这样会有一些问题，那么你就可以针对性的改进，如何针对性的改进？不好的方式是 A+B 套娃，好一些的方式是分析这个不好的原因在哪里，现有的方法多大程度可以帮助解决这个问题，或者现有的方法解决不了这个问题，但是其中的一个模块是否是可以参考的。
 
-## 3.2 学习别人是如何改进网络的（Beta）
+### 3.2 学习别人是如何改进网络的（Beta）
 
 自 UNet 提出后就有许多的魔改版本，如 UNet++, U2Net, 而这些 UNet 的性能也十分优异。
 

4.人工智能/4.人工智能.md

@@ -1,5 +1,7 @@
 # 4.人工智能
+
 ## 开篇
+
 对于所谓 AI 的开篇该怎么写，我思考了很久，因为这实在是太过于宏大的话题了，从 2012 年开始这个行业迎来了所谓的技术爆炸阶段
 
 > 宇宙的时间尺度来看，一个文明的技术在科技发展的过程中，可能短时间内快速发展、科技发展速度不断增加的现象                                                                                            --------《三体》
@@ -77,7 +79,8 @@
 
 <Bilibili bvid='BV11c41157aU'/>
 
-## 看山是山
+## 看山还是山
+
 > 孟德尔出生于奥地利帝国（今天的捷克共和国）的西里西亚，是现代遗传学的创始人。尽管几千年来农民就知道动植物的杂交可以促进某些理想的性状，但孟德尔在 1856 年至 1863 年之间进行的豌豆植物实验建立了许多遗传规则，现称为孟德尔定律。
 
 在孟德尔那个时代，人们不知道基因，人们也看不到那么小的东西，他给基因取了个名字叫遗传因子。他没能掌握“真实的规律”，可是我们不得不承认的是，他是一个真正有科研精神的人的科研人。                                                                             -
@@ -86,27 +89,26 @@
 
 我看到了南大的课程，我去看一生一芯，去看 jyy 老师的 OS，我听到了蒋老师对未来 AI 的发展充满了信心，我虽然很崇拜他，但我仍对此嗤之以鼻，我不相信。
 
-一直到有一天，相先生在实验室玩一个叫chatGPT的东西，虽然之前懵懵懂懂的有了解过GPT3之类的东西，但是都对此行的发展没有什么了解，只是知道他又非常大的参数的语言模型，在好奇之下，我去亲自体验chat GPT,我受震惊于他能准确无误的理解我的意思，甚至能替我写代码，只要将问题拆解，他几乎可以就任何一个问题给出一个反而化之的答案。
+一直到有一天，相先生在实验室玩一个叫 chatGPT 的东西，虽然之前懵懵懂懂的有了解过 GPT3 之类的东西，但是都对此行的发展没有什么了解，只是知道他又非常大的参数的语言模型，在好奇之下，我去亲自体验 chat GPT，我受震惊于他能准确无误的理解我的意思，甚至能替我写代码，只要将问题拆解，他几乎可以就任何一个问题给出一个反而化之的答案。
 
-随后没过多久，GPT4与new bing应运而生，可以理解用户的意图和情感，根据用户的偏好和反馈来调整输出，甚至利用网络搜索来增强其的知识和回答能力，他们还结合了CV的功能，可以让他们来进行图像的生成工作。作为科研人的最高追求，大一统，一通半通的解决所有问题的模型竟然真的可能在我的有生之年实现，不由得震惊至极。同时，大模型也进入了CV领域，出现了segmenting anything这样可以做到零样本迁移这样的神奇功能，auto GPT出现了在电脑主机上直接替人解决问题甚至是完成某一项工程任务的GPT，以及可以在手机上本地做的mini GPT,技术的爆炸以及变革似乎一瞬间到来了，但是当我回过头展望的时候，正是我最看不起的沙砾，堆叠成了如此强大石之巨人，并且随着资本的涌入，他还在不断强大！！！
+随后没过多久，GPT4 与 new bing 应运而生，可以理解用户的意图和情感，根据用户的偏好和反馈来调整输出，甚至利用网络搜索来增强其的知识和回答能力，他们还结合了 CV 的功能，可以让他们来进行图像的生成工作。作为科研人的最高追求，大一统，一通半通的解决所有问题的模型竟然真的可能在我的有生之年实现，不由得震惊至极。同时，大模型也进入了 CV 领域，出现了 segmenting anything 这样可以做到零样本迁移这样的神奇功能，auto GPT 出现了在电脑主机上直接替人解决问题甚至是完成某一项工程任务的 GPT，以及可以在手机上本地做的 mini GPT，技术的爆炸以及变革似乎一瞬间到来了，但是当我回过头展望的时候，正是我最看不起的沙砾，堆叠成了如此强大石之巨人，并且随着资本的涌入，他还在不断强大！！！
 
-2012年，被我们认定为人工智能学习的开篇之作,Alex net诞生了，由Alex Krizhevsky和他的导师Geoffrey Hinton以及Ilya Sutskever设计，在2012年的ImageNet大规模视觉识别挑战赛中获得了冠军，展示了深度学习在图像分类方面的强大能力，并且正式启动了深度学习的革命，在当时他也引发了大量的争议，奉承这符号主义的大师们对着他指指点点，可是他们并不能阻碍时代的巨石碾过一切非议，并且在各个领域都爆发出极其强大的生命力。
+2012 年，被我们认定为人工智能学习的开篇之作，Alex net 诞生了，由 Alex Krizhevsky 和他的导师 Geoffrey Hinton 以及 Ilya Sutskever 设计，在 2012 年的 ImageNet 大规模视觉识别挑战赛中获得了冠军，展示了深度学习在图像分类方面的强大能力，并且正式启动了深度学习的革命，在当时他也引发了大量的争议，奉承这符号主义的大师们对着他指指点点，可是他们并不能阻碍时代的巨石碾过一切非议，并且在各个领域都爆发出极其强大的生命力。
 
 想起在学操作系统的时候，linus 在几十年前被大老师 tanenbaum 狂喷，说整了什么垃圾玩意儿。当时的 minix 基本上可以说是横扫江湖，linus 却坚持说用户只考虑用户态是否好用而不在乎内核有多牛逼，当时的论战基本上把各类大神都炸出来，结果几十年后的如今我们发现原来遍布世界的居然是宏内核/混合内核。
 
 时代的发展连大佬都可以拍死在沙滩上！
 
-
-
 从短期来看，也许未来 GPT 会接管小 AI 形成一套上下左右俱为一体的 AI 智能模型，在所谓自动驾驶，智能家居领域发挥极其卓越的作用。
 
 从长远来看，不由得联想起 AI 在围棋方面 alpha zero 的论文里面提到过，当他们不适用人类的知识的时候，反而模型的效果好很多，有没有可能 AI 在短短的未来总结出一套人类自然语言的规则后，自发创造出一个全新的语言，最终就彻底脱离人类变成一种全新的生命形式，从而彻底颠覆人类以公理为基础的数学，创造一套全新的数学体系，数学体系重做，物理学是否也会迎来质变？
 
 AI 是一个复杂且多样化的研究领域，他能取得如此长远的发展，并非是仅仅一个两个人靠着所谓的理论研究就可以推动起来的，它伴随着底层的硬件设施配套的完善，算力的突破性增长等等，发展本身，也许就是兼容并蓄的，我们应该在这个发展的洪流前，找到自己的位置以更为谦卑谨慎的姿态，进行更为长远的思考和学习吧。
 
-> 三花聚顶本是幻，脚下腾云亦非真。大梦一场终须醒,无根无极本归尘。
+> 三花聚顶本是幻，脚下腾云亦非真。大梦一场终须醒，无根无极本归尘。
 
 ## 结语
+
 让我们回到最开始的那几句话
 这是一个最好的时代（AI 技术正在改变人们的生活）
 
@@ -146,7 +148,7 @@ AI是一个复杂且多样化的研究领域，他能取得如此长远的发展
 
 而这些都不会使他停滞
 
-**这是本讲义想做的第三件事，拥有学习新技术，跟上时代的能力**
+<strong>这是本讲义想做的第三件事，拥有学习新技术，跟上时代的能力**</strong>
 
 而愿不愿意在这激荡翻腾的年份，贡献出你的力量，让世界变得更好/更坏，就取决于你的选择了！
 

4.人工智能/FunRec概述.md

@@ -1,10 +1,10 @@
 # FunRec 概述
 
-# 序言
+## 序言
 
 这是一篇 datawhale 的相当优秀的推荐系统教程，因此特别废了九牛二虎之力把 FunRec 的半套内容，较为完整的移植到了本 wiki 中。
 
-## 为什么要专门移植这篇？
+### 为什么要专门移植这篇？
 
 zzm 个人以为推荐系统是一个非常有趣的横向和纵向都有很多应用的领域（放到外面是因为放到某一个模块下会因为次级链接太多把 wiki 撑爆了）
 
@@ -18,7 +18,8 @@ zzm个人以为推荐系统是一个非常有趣的横向和纵向都有很多
 
 再次感谢 Datawhale 的大伙做出了如此卓著的贡献
 
-# 正文
+## 正文
+
 本教程主要是针对具有机器学习基础并想找推荐算法岗位的同学。教程内容由推荐系统概述、推荐算法基础、推荐系统实战和推荐系统面经四个部分组成。本教程对于入门推荐算法的同学来说，可以从推荐算法的基础到实战再到面试，形成一个闭环。每个部分的详细内容如下：
 
 - **推荐系统概述。** 这部分内容会从推荐系统的意义及应用，到架构及相关的技术栈做一个概述性的总结，目的是为了让初学者更加了解推荐系统。