第一批抢跑的人,用AI搞了上千万?

精选十大免费高质量PPT模板网站,三分钟搞定专业演示文稿 在数字化办公与演示领域,高效制作专业演示文稿是职场与学术场景的核心需求。其原理在于利用预先设计好的模板框架,快速统一视觉风格与排版结构,从而将创作者的重心从繁琐的美工调整转移到内容逻辑的构建上。这项技术的核心价值在于显著提升内容生产效率与呈现的专业度,广泛应用于工作汇报、学术答辩、产品发布及个人展示等场景。本文聚焦于解决模板资源获取的痛点,针对性地推荐了包括OfficePlus、Slidesgo等在内的多个优质资源平台,这些平台提供的模板均具备规范的母版设置与丰富的版式,能有效帮助用户规避版权风险与质量陷阱 阅读详情

前言

敢赚钱的人,在任何时代都能赚到钱。从下海经商、房地产、外贸、移动互联网,他们追逐一个又一个风口,只不过当下的风口是AI——存量经济下少有的新增量。

当很多人对AI无动于衷或者恐惧时,AI淘金者已经冲过一个又一个浪头了——AI赛道内部日新月异。

研发AI底层大模型是烧钱的游戏,2024年大模型厂商的竞争格局已定,资金向几大AI大模型独角兽和互联网大厂聚拢。据智东西统计,2024年1月-6月,我国大模型产业有35起亿元级融资,融资总额超300亿元,这个体量相比于十年前的移动互联网时代不可同日而语。融资金额最大的仍是大模型独角兽月之暗面,在2月拿下超70亿元融资。

独角兽们尚且需要融资续血,还在摸索商业化落地的应用场景,而新生的AI公司们则更难拿到融资。

最先赚到钱的,是找到商业化场景的小生意,来自一群野蛮生长的个体户们:有个体开发AI工具的,有用AI做自媒体的,有用AI辅助做跨境电商的,有用AI做设计图的,有用AI“复活”去世亲人的……

这群个体户属于“小B大C”,本质上是C端,是AI工具的消费者,但这些普通人用AI赚钱,进化为有商业化能力的超级个体,又具有一定的小B端的付费能力。

这是虎嗅AI星火第16篇报道。AI星火系列将持续追踪这些正在影响AI未来走向的参与者。

整理和输出教程属实不易,觉得这篇教程对你有所帮助的话,可以点击👇二维码领取资料😘在这里插入图片描述

01底层野蛮生长

清早7点左右,熬夜晚睡的调酒师陈子豪(化名)还在睡梦中时,常常会被朋友发消息催起床——学习如何搞钱。

陈子豪的搞钱大法,是用AI做自媒体号。

“去年7月份时,起号、涨粉很快。”陈子豪说。

陈子豪是北京朝阳区一家酒吧的调酒师,98年生人,笑起来有小虎牙,心怀志向:先还完几年前因炒虚拟货币所欠的债,赶在28岁之前创业,开一家自己的酒吧。

用AI养自媒体号,是他的一大副业。养矩阵号、带货、卖号,是商业化的几大步骤。

他曾制作一篇故事——在月球上活了一千年的人怎么送快递。给Chat-GPT一行提示词,它就自行续写:月球快递小哥本职工作需要多少光年,休息多少光年,工作日配送到地球,怎么从地球到火星再到土星……

之前Chat-GPT还没出免费版的时候,陈子豪让自己一位懂技术的发小,帮忙搞到了免费的GPT-4的接口。

用Chat-GPT生成文字小说,又把文字投喂给文生图片模型、图片生视频模型,最后制作成视频。AI主导或者辅助全流程,人需要在其中与AI对话、调整提示词,最后需要人力在剪辑、配音上做很多调整。

一个亘古不变的吸引流量的捷径是:色情与擦边。陈子豪的AIGC自媒体账号,走情感向,美女图片多。同时在抖音、小红书、视频号三端分发。

作为草根AI自媒体,陈子豪用AI生成的美女图片引流。图片来源:受访者提供

至于变现,首选是带货,陈子豪卖情趣用品。其次是流量分成,他在视频下附上原小说链接,用户每点击一次链接,自己就分到几毛、几块钱。

除了情感向视频号,陈子豪还调研过新闻号(他和朋友们会去做市场调研)。有些大学生用Chat-GPT生成短新闻,发到今日头条,做新闻号。据报道,用AI自动生成文案,做今日头条图文号,可以日入500。

“有个做新闻号的学生跟我说,一个月能赚到9万多。如果批量做100个、1000个账号,岂不是来钱更多?”陈子豪说。

用AI做视频号、新闻号,都是赶风口,吃头菜。“如果有太多人去做新闻号,今日头条会被刷爆,就没有什么利润了。”

等到去年11月份,用AI做自媒体号的已经太多了,起号变难了,陈子豪开始卖号退场。一个养到7万多粉丝的账号,卖了1万多元,另一个号卖了8千多。

陈子豪只是在业余时间,追完一个风口,再赶往下一个。

02顶层的厮杀

“专职搞,才能挣到钱。人家吃肉,我们跟在后面喝汤。”陈子豪说。

但是当行业卷起来,“草根”难分到汤了,“吃肉”的人在顶层厮杀,每个细分赛道都开始有了头部。

AI博主们已卷出多个细分赛道:“土豆人”接奢侈品、消费品广告,“数字生命卡兹克”飞快追新闻热点,“野菩萨”和“Zho”的特色是干货教程,“闲人一坤”做商业预告片,“海辛”做AI电影……

不同于“草根”AI自媒体画风的粗糙,头部博主们个个武艺高强,都有非常能打的长板:商业化如“土豆人”,AI绘图常常将产品和LOGO调到最大,近似“巨物崇拜”;认知启蒙向如“野菩萨”,将历史上经典的绘画/摄影/电影风格流派运用到AI绘图中,用“非理性的”“玄学”的提示词,制作出没有烂俗AI味的绘画;技术干货向如“Zho”,用视频教程构建了堪比教科书的知识大厦……

头部博主,大多本职做内容/创意行业,主业资源也能给AIGC的副业输血。

据业内人士介绍,头部博主“土豆人”的商业化路径很清晰,只接奢侈品、消费品的大牌的单子,不断用奢侈品的AI绘图来打样,小牌子给钱再多也不接。于是在奢侈品AI广告的细分赛道上,成为头部,后来者很难挤进。

一位AIGC博主“野菩萨”是85后,十几年的从业经历中,做过广告业、传播业、甲方产品公司,目前在外企大甲方当管理层。在2022年底ChatGPT、Midjourney V4出来后,他开始副业做AIGC博主。目前,他做博主的年营业额相当于一家中小型广告公司。

他的营收路径是To-B企业服务、课程与社区运营、内容营销。其中企业服务占60%-70%,课程占20%左右,内容营销占5%到10%。

“野菩萨”的副业也依靠主业输血。他曾经在甲方产品公司做产品经理,对于消费品的设计、传播很熟悉,猎头们也知道他副业在做AIGC,会给他推荐一些活儿——来自尝试AI做传播的消费品公司。他现在在外企大甲方当管理层,也有业余时间,“感谢公司关键时刻拉了一把,promote(升职)我。”

“野菩萨”有两个年单企业客户,提供企业服务:用他的自媒体账号与品牌方做营销活动,也可以直接用AI绘图为企业提供产品营销图,以及为企业的商业环节加速,即降本增效,“以前头脑风暴想创意时,不知道把狗和赌场放在一起会怎样,现在把idea扔到AI里,立马生成一个完美方案,甚至几种不一样的方案。头脑风暴省点成本,做结案报告、PPT时省点成本,每个环节都省一点,整体效率就提升了。”

降本增效之下,图库行业受AI冲击很大。一位广告行业人士透露,以前每年要花60万元-80万元买版权图片,现在只需要买一两万块的AI账号就可以平替。

作为自媒体,最直接的变现方式是广告,为品牌定制产品图片或视频。一名在小红书上有数万粉丝的AIGC博主文渠(化名)透露,其客单价为图文一条5万左右,视频一条8万左右。但他接单少,只占整体收入的5%到10%,不靠这个赚钱,因为“不太想做执行类的”。他做一条几十秒到几分钟的AI视频,只需要三四小时,但跟品牌沟通修改需要一周。有一单赚一单,难以长期转化。

更长期的变现方式是课程+社群运营。文渠形成了一套成体系的课程,总GMV达到800万-1200万,在资源方(负责投流)、课程主理方(运营、销售转化)、课程内容方(课程导师)、知识产权方之间分配,文渠作为知识产权方可以分到一两百万。

文渠积累了一批学员,形成了创作者社群,定期举行不同主题的创作大赛。这种社群,一方面学员能训练产出能力,把UGC(User Generated Content)转化为PUGC(Professional User Generated Content),一方面优秀的学员作品能吸引品牌商合作和投放。

市场嗅到了AI的气息,开始尝试为之买单,但既有拥抱AI的,也有对AI迟疑的。

一位AIGC博主明宇(化名)接触到的品牌方中,拥抱AI的品牌往往有创新基因,类似英伟达、英特尔等AI强相关的科技公司,或者像福特汽车这种虽是百年老店、但有创新基因的公司。

PR公关们开始尝试投放AIGC制作的广告,但对AIGC既爱又怕。公司底下做事的人在观望,想行动,推流程到上层,但上层又容易审核不过。

一家鞋服类的百年老店,其员工曾找到明宇,尝试做AIGC的广告,但推进流程后,国外总部又叫停了,总部称自家是百年品牌,讲究手工制作,如果用AI做广告,手艺人们会跳脚的。另一些品牌则觉得,AI的伦理道德还不清晰,不想贸然使用AI来商业化。

AI的风,吹动了市场,但还没有形成普遍共识,这时做AI业务的团队就要承担教育市场的成本。

明宇发现,很多单子到最后都流产,相当于在沟通中为对方企业做了免费咨询,后来如果对方不太懂AI,就不接单,“我就跟客户说,建议你懂了再来。”

一拨人还在迟疑中试探,而整体的AIGC市场已经滚滚向前了。互联网大厂早已布局AIGC营销:阿里妈妈的万相实验室用AIGC制作商品图、服饰模特图;百度推出了AI广告平台“擎舵“;抖音、快手则主攻AIGC短视频,生成短视频脚本/成片、数字人视频。其中抖音博主“琳琅姐”用数字人做短视频带货,以极低的运营成本,已售出8万件商品。据报道,快手人士透露,相比今年1月,今年6月快手平台的AIGC广告收入规模提升了12倍。

03下一波浪头

也有人已经从AI自媒体赛道抽身而出了。

曾经做AI自媒体的陈子豪就是其中一个。做“草根”AI自媒体的陈子豪,到了2023年11月,发觉起号变难,于是转移阵地。他和一帮一起搞钱的发小讨论决定,转移重心到跨境电商。

他们什么货都卖,跟着季节卖,比如在夏天卖防晒衣、墨镜、凉帽。进货从全国各地的厂家进。一个发小常驻义乌,跟当地商家学做抖音电商。

做跨境电商,AI能派上用场。在AI里输入文字,就能用AI自动生成产品图,还能用AI把产品标题、产品介绍翻译成英文。

逗猫激光笔出海亚马逊,售价翻数倍

陈子豪卖一款红外线激光灯,逗猫用的。一款批发价一两块的激光笔,贴上“猫”的标签,再出海,就能身价翻倍。据查询,这种简易版的红外线激光笔,在1688上批发价最低在1.5元,在拼多多上单价在2-10元,在亚马逊上售价在6-10美元,精致一些的逗猫用激光笔在Temu(拼多多海外版)加拿大站上可售30加币。

AI把“钥匙扣逗猫灯”翻译为“Key ring funny cat light”,图片来源:受访者提供

这款逗猫激光笔,产品图片上的英文就是AI翻译的,但还很粗糙,比如“Key ring funny cat light”,笔者推断原文是“钥匙扣逗猫灯”。但是野蛮生长的商家们管不了这么多,先用上再说。

用AI来给跨境产品P图,既省了模特,还能省去场景、摄影、灯光等费用。

但也有AI还不能理解的跨国文化。例如产品图要符合当地的情景和气候,“卖帽子到夏威夷,你就不能P个冰山。如果卖到法国,你就不能P个黑人上去。”陈子豪说。

陈子豪有一个搞钱小团体,是一帮从小一起长大的发小们,父母大多是做生意的,这帮发小也对赚钱充满干劲。那位常常在早上7点催他起床的,就是小团体里的大哥,一位挣钱狠人——每天工作到凌晨2点,工作完再回回消息、学学工具,三四点睡下,第二天早上7点起来继续赚钱。

为了激励伙伴的斗志,大哥常常给陈子豪发来视频:视频里大哥坐在自己挣来的豪车里,把两摞十几厘米厚的红色人民币,在镜头前掂量晃悠。

大哥的目标是,赚到7000万——赚一会儿、休息一会儿没意思,要休息就挣够钱再休息一辈子,靠利息生活。

发小们分散在天南海北,陈子豪在北京酒吧打工还债,有一位在义乌学做电商,有一位在四处进货,有一位在越南挖矿。他们大约每周打一次线上视频电话,大哥分配大家的商业任务。我见到陈子豪的上一周,他们刚刚在视频电话里确立了新的战略重心——跨境电商。大哥管仓库,陈子豪做Shein和Temu,其他人做亚马逊和TikTokShop。

有个发小是团队里的技术高手,开发了VPN,为大家收集各种AI工具,集合成一个网站,还替大家搞到了免费的GTP-4接口。

陈子豪的一位发小用AI做室内家居设计图,图片来源:受访者提供

另一个发小用AI做室内家居设计图,一个月能接4-5单,每单几千到几万块之间不等。赚的是数字游民的钱——客户大多是年轻人,要么四处旅居,要么离开大城市、迁往环境优美的乡村,自建农家院或小别墅,需要找人帮忙设计室内装修。

“我们这群人,都是有志向的。”陈子豪说。

2024年的AI大模型之战,从模型层卷到了应用层,但是能赚到钱的AI应用,还凤毛麟角。

其中一个赚了钱的AI应用,是一款美食记录APP“胃之书”,创始人是个人开发者赵纯想。他做产品是UI驱动而非产品驱动,这意味着这款app在功能上不一定多么齐全完善,但一定要看上去美丽。

成本方面,接入大模型厂商的API,而大模型都在打价格战,使用大模型API的成本越来越低,而胃之书的开发者只有一个人,即创始人本人,几乎可以说是0成本。

据AI产品黄叔测算,胃之书近期一个月(7月)收入在47000元左右,虽然数额不大,但几乎是纯利润。

胃之书的营收,靠付费订阅。在付费卡点的设置上,在初创期,永久会员与年度会员同价,刺激用户心理来付费。

据报道,作为付费内购app,胃之书在刚上线的五月,收入就达到了1.2万美金,冲到苹果美食佳饮分类里的第三名(第一名是下厨房)。

胃之书的思路,是找到自己的应用场景和用户,而非拿着锤子找钉子。胃之书针对的需求,类似小红书里的一人食记录。用户不会因为它是AI就额外多花时间。一款AI应用的竞品不是另一家AI,而是小红书、B站、游戏等其他早已找到场景的应用。

赵纯想在小红书上build in public,实时分享应用迭代的动态,小红书的用户群体与胃之书的群体刚好匹配,都是二十多岁的年轻女性,而赵纯想的帖子下,女性用户们最多的评价是“你的设计好美”。

草根AIGC自媒体、AI应用个体开发者们搞钱的热情,打开了我的思维,让我看到新世界。

他们不是因为用AI才赚到钱。以他们的嗅觉和干劲,在任何时代都能赚到钱。

人家在创业,把义乌小商品卖到三十多个国家,凭一己之力打通全球商业闭环,而我只会写AI的稿子,本质还是打工。

我开始畅想自己的搞钱路子。

我英语挺好,提出可以帮他们校对产品的英文翻译。陈子豪说,“AI翻译就大差不差了,大哥这么忙(凌晨三四点睡,早上7点起),都没想过雇人。”

是啊,AI不就是来代替人工的嘛。

我还辅导过学生申请留学,是某种英语辅导+创作咨询+心理咨询的结合,打电话聊到凌晨三四点都不累,还价值感爆棚。

陈子豪说,我好像看到你的赚钱路子了,你为什么不在小红书上做个人IP呢?

他嗅到了商业合作的机会,跟我说:如果你做个人IP,我们可以合作,我帮你做小红书、抖音号。

我有点激情澎湃了。

“你先别激情澎湃,你先做起来再说。”他说。


这里分享给大家一份Adobe大神整理的《AIGC全家桶学习笔记》,相信大家会对AIGC有着更深入、更系统的理解。

有需要的朋友,可以点击下方免费领取!

在这里插入图片描述

AIGC所有方向的学习路线思维导图

这里为大家提供了总的路线图。它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。如果下面这个学习路线能帮助大家将AI利用到自身工作上去,那么我的使命也就完成了:
在这里插入图片描述

AIGC工具库

AIGC工具库是一个利用人工智能技术来生成应用程序的代码和内容的工具集合,通过使用AIGC工具库,能更加快速,准确的辅助我们学习AIGC
在这里插入图片描述

有需要的朋友,可以点击下方卡片免费领取!

在这里插入图片描述

精品AIGC学习书籍手册

书籍阅读永不过时,阅读AIGC经典书籍可以帮助读者提高技术水平,开拓视野,掌握核心技术,提高解决问题的能力,同时也可以借鉴他人的经验,结合自身案例融会贯通。

在这里插入图片描述

AI绘画视频合集

我们在学习的时候,往往书籍源码难以理解,阅读困难,这时候视频教程教程是就很适合了,生动形象加上案例实战,科学有趣才能更方便的学习下去。

在这里插入图片描述

利用Python爬虫获取淘宝商品评论:实战案例分析 在数字化时代,数据的价值日益凸显,尤其是对于电商平台而言,商品评论作为用户反馈的重要载体,蕴含着丰富的信息。本文将详细介绍如何利用Python爬虫技术获取淘宝商品评论,包括代码示例和关键步骤解析。 阅读详情

相关推荐

小程序强制更新避坑指南:手把手教你实现无缝升级

本文详细解析小程序强制更新的实现方法,重点介绍wx.getUpdateManager API的使用技巧,帮助开发者规避冷热启动机制下的版本管理陷阱。通过实战案例展示如何设计多级更新提示策略,确保用户无缝升级,提升小程序版本更新率。

star的博客 280

19个免费的ppt制作网站

免费ppt制作网站

HH112586的博客 1228万+

FPGA从入门到精通(2) - LUT

LUT:(look up table) 查找表 今天我要讲的与FPGA CLB相关的第一节LUT。根据上一节课的课程大纲,讲CLB应该是讲SLICEL(SLICEM)。不过当我打开用户手册,看了一下SLICE的结构(图一),一眼望去,这是分分钟会劝退入门者。为了让读者更好的接受以及理解,所以我打算先讲清楚它里面的每一个基本单元(LUT, 进位链,MUX,寄存器,几乎所有的FPGA器件的SLICE都是这四大件组成,只是组合不太一样而已),然后再将他们联系在一起,和读者一步步推倒出SLICE的结构。 图1​

Jasper灬兰的博客 1万+

免费ppt成品网站!附3个做ppt必备的AI工具推荐!

熬夜加班做PPT却没有头绪?别再自己憋着想了!现在凡事主打一个“抄作业”,想做ppt却没想法,可以去到ppt成品网站搜集PPT模板,或是使用时下流行的AI生成PPT工具,只需输入PPT主题,即可快速生成一份PPT演示文稿。今天这篇文章,我们将介绍常用的免费ppt成品网站,同时推荐3个做ppt必备的AI生成工具,帮助你快速制...

weixin_35915385的博客 34万+

VBA解决Excel批处理任务之:批量修改Sheet名称

针对需要批量处理大量的Sheet改名的场景,使用VBA是非常便捷的方式。 简单介绍几种方法: 1. 录制宏法: 录制宏是用Excel自带的工具把改名改成一个可以复制操作的动作。 这里选择录制,会弹出一个宏设置窗口: 这里设置好宏名称就好,然后确定就可以开始录制你的操作。操作完成之后,再进入到宏窗口点击结束录制: 这样就可以通过执行来运行了,运行方法: 1. 通过选择宏: ...

跬步至千里 1万+

星辰超级智能体TeleClaw桌面版深度体验:央企出品的本地AI生产力助手

中国电信星辰超级智能体TeleClaw桌面版是一款本地化AI生产力助手,主打数据安全、自主高效和深度协同。作为程序员,作者实测其核心功能包括本地数据处理、长期记忆、定时任务和代码开发辅助,特别适合敏感数据处理和日常办公自动化。相比在线AI工具,TeleClaw在数据安全、合规性和自动化能力方面优势明显,但技能生态和响应速度仍有提升空间。总体评价为务实高效的本地AI助手,尤其适合对数据安全有要求的企业用户。

研究中.... 1355

PPT小白必看的成品PPT宝藏网站,免费付费全盘点

制作PPT时,从零设计往往面临结构、配色、字体等多重隐性门槛,而成品PPT模板能够帮助快速跨越设计障碍。理解模板的价值原理,学会筛选优质模板资源,并掌握替换颜色、字体、配图等修改技巧,能够有效提升PPT的视觉质量与制作效率。针对不同使用场景,选择免费或付费的PPT模板网站,搭配iSlide等工具进行二次优化,可满足汇报、路演、答辩等多种需求。同时,注意版权授权与下载安全,避免踩坑。本文从PPT制作痛点切入,系统梳理实测靠谱的成品PPT网站,并提供模板改造与避坑建议。

weixin_42522009的博客 6万+

Nginx反向代理HTTPS服务报错排查:The plain HTTP request was sent to HTTPS port

在Web服务架构中,反向代理是连接客户端与后端应用的关键组件,它通过转发请求实现负载均衡和安全隔离。其工作原理涉及监听端口、解析协议头部,并根据配置将请求路由至上游服务器。这一机制的技术价值在于提升系统可扩展性、简化部署,并增强安全性。在HTTPS场景下,代理服务器需正确处理SSL/TLS终止与传递,若配置不当,常引发协议不匹配问题。例如,当Nginx将解密后的HTTP请求转发至期待HTTPS的后端,或客户端直接向SSL端口发送明文请求时,便会出现经典报错“The plain HTTP request wa

weixin_33391446的博客 397

新手入门指南:在快马平台从零构建你的第一个成片ppt网站

一个输入框用于填写PPT标题,另一个是多行文本框,让用户输入内容大纲(每行文字代表一张幻灯片的内容)。这里需要注意表单的布局和样式设计,我用了简单的CSS让表单居中显示,并添加了内边距让界面更美观。这里需要处理边界情况,比如到达第一张时禁用"上一张"按钮,到达最后一张时禁用"下一张"按钮。从简单的项目入手,逐步理解每个环节的实现原理,是学习编程的好方法。这个PPT生成网站虽然功能基础,但已经包含了完整的前端开发流程,非常适合作为新手的第一个实战项目。通过这个实践,我对前端开发流程有了更清晰的认识。

SapphireOwl29的博客 17万+

基于R-CNN深度学习的常见手势识别系统:数据集、模型和UI界面的完整实现

卷积神经网络(CNN):用于从图像中提取特征。区域提议网络(RPN):用于生成可能包含手势的候选区域。:将候选区域调整为固定大小,并进行进一步的分类和回归。接下来,我们需要加载一个预训练的Faster R-CNN模型,并对其进行微调。我们将使用# 加载预训练的Faster R-CNN模型# 获取分类器的输入特征数# 替换分类器头部,设置为我们数据集的类别数(假设有5类手势)

YOLO 1000

YOLO26改进策略【Neck】| 关键点检测:SDFM 表层细节融合模块,利用通道-空间注意力机制,实现深层与浅层特征融合,抑制噪声干扰

本文记录的是利用SDFM 模块改进 YOLO26 的颈部融合部分,专门用于关键点检测。SDFM模块(Surface Detail Fusion Module,表层细节融合模块) 通过在特征提取网络的浅层引入通道-空间注意力机制,动态生成深层与浅层特征融合权重。该模块可自适应保留不同模态中的独特信息,抑制背景噪声与光照干扰,实现低层细节的精准对齐与互补增强,为后续检测提供高保真度的底层特征表示,从而提升模型在复杂场景下的目标检测鲁棒性与定位准确性。Rethinking the necessity of ima

Limiiiing的博客 176

太香了,第一批用AI电商的人已经搞了上千万?

“AI电商时代刚刚开始,对谁都是机会,也是挑战。”去年底,马云曾提出这个判断,阿里也在去年确定的两大战略——用户为先,AI驱动。

m0_56144365的博客 766

100:vue+cesium: 加载glb文件,随机位置加载2000架飞机

本示例在 Vue + cesium 项目中随机位置加载2000架飞机,飞机是glb文件,每个大小为571kb。这个示例属于性能优化的范畴内,通常如果用entity加载glb只能显示几个飞机,这里采用primitive的方法来加载。直接复制下面的 vue+cesium源代码,操作2分钟即可运行实现效果.

大剑师兰特的GIS世界 706

第一批用AI做生意的年轻人已年入千万

在这个无数创业者感叹“生意难做”、“内卷严重”的时代,这些年轻的创业者都有一个强大的“生意新搭子”——AI,他们的实践,不仅验证了AI在具体业务中的巨大赋能潜力,更昭示着一个AI深度参与、重构商业规则的“AI to B”新时代正在加速到来:第一批用AI重塑生意逻辑的年轻人,有人已经真真切切地年入千万了。

m0_59163425的博客 1865

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

AI 时代最残酷的真相:第一批学 AI 的人正在被时代抛弃

更残酷的是,大厂们正在用每月一次的迭代速度,将中小开发者的生存空间挤压成纳米级的缝隙。当 GPT-5 开始编写自己的升级代码,当 Sora 可以生成逼近现实的虚拟世界,我们终于意识到:AI 革命的终极命题不是 "机器如何更像人",而是 "人类如何更像人"。记住,在这个算法重新定义一切的时代,保持人性的温度与思想的锐度,才是我们最后的诺亚方舟。真正需要修炼的,是与 AI 协作的元能力 —— 如何将模糊需求转化为精准指令,如何在人机对话中保持批判思维,这些底层认知框架远比记住某个插件的快捷键重要百倍。

具身机器人和通用AI 812

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

收藏级干货:2025年用AI经营1人公司,从入门到年入百万,看这篇就够了!

**2025年普通人还有赚钱的机会吗?** 也许你会觉得现在赚钱越来越难,基本找不到什么好的赚钱的机会......

Python_cocola的博客 8538

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

雷军花千万抢人背后,第一批 AI 毕业生现状曝光:有人年薪200万,有人失业.....

猎聘《2025 AI 技术人才供需洞察报告》显示,30.97% 的 AI 技术岗位年薪超 50 万,顶尖人才年薪可达 200 万。

kaka0722ww的博客 994

AI Insight:放弃幻想,搞 AI 必须过数学关

作者 | 子白 从2012年“大数据”概念兴起到2016年人工智能大热,已经四五年时间了,该看的热闹看到了,该爆炒的话题炒够了,该沉淀的也沉下来了。现在越来越多的人已经放下质疑,相信这一届 AI 确实靠谱,该找找门道了。最近好多关注 AI 的公众号都发表了文章谈数学学习的问题,这就真的上道了。如果你是技术人员,特别是程序员,想成为 AI 工程师,那么只要你稍微花点时间研究一下 AI 的门道,就会...

喜欢打酱油的老鸟 3260

第一批被AI累死的人

“有多少智能,就有多少人工。”这似乎是AI进化必须经历的过程。一双眼睛的局部细节图出现在电脑屏幕上,小慧对着放大的眼睛,一步步地做好标记点。一眼望过去,一排排的电脑屏幕上...

程序员之家 711

[特殊字符]【三重惊喜,千万Token】ModelGate让AI能力真正惠及每个人

**摘要:**ModelGate推出AI创新赋能计划,通过聚合主流AI模型提供一站式API服务,降低开发者门槛。注册用户可获1000万Token试用多种AI功能,邀请好友双方各得千万Token,形成创新互助生态。统一API技术打破调用壁垒,支持多场景开发。限时活动面向前10万用户,旨在构建普惠型AI创新环境,让开发者专注创意而非底层技术。平台强调这不是简单福利,而是推动AI普惠发展的生态实验。(149字)

moon061020的博客 550

雷军千万年薪“抢人”!传95后AI天才加盟小米,或将领导大模型团队

整理 | 郑丽媛出品 | 优快云(ID:优快云news)上周,国产大模型 DeepSeek-V3 的发布在国内外 AI 技术圈掀起热议:可比肩 GPT-4o 的性能 + 仅 600 万美元的极低训练成本,使得 DeepSeek-V3 凭借极高性价比获得一众 AI 大佬的肯定。而作为 DeepSeek-V2 的核心开发者之一,近日罗福莉这个名字也再度引起广泛关注:据媒体报道,雷军已开出千万年薪将...

优快云资讯 1938

这3年内,50%的人可能会,离开城市,回到农村!AI人工智能将取代多人就业岗位!

这3年内,50%的人都会离开城市回到农村。听到这句话很多人可能不信,会喷我,大家先别急,听我跟你慢慢分析。不管你是白领、工人还是大学生,以后大部分人都要回老家。

m0_59236602的博客 1019

海珠区人工智能领域政策补贴兑现:研发补贴/租金全免/千万奖励速领!

在人工智能技术飞速发展的当下,为推动人工智能产业蓬勃发展,广州市海珠区出台了一系列极具吸引力的政策补贴。目前,人工智能大模型应用示范区政策补贴(第二批)兑现工作已启动,这对于人工智能领域的企业和从业者而言,无疑是一次重大机遇。以下将详细介绍此次政策补贴的关键信息。:大模型企业若首次完成国家级生成式人工智能(大语言模型)上线备案,可获得最高100万元的一次性奖励;首次完成国家级境内互联网信息服务算法备案或深度合成服务算法备案,最高能拿到20万元一次性奖励。

meidaoliha的博客 995

最近,第一批因AI失业的人,正在疯狂出现。。。

大家好,我是微笑哥。大家应该也发现了,最近我在公号这边更新了不少关于DeepSeek的内容,包括DeepSeek的使用攻略、搞钱方式等。这几天我看大家都玩出花了,除了寻常的画画写诗,还有拉着DeepSeek跟ChatGPT一起PK玩游戏啥的。很多小伙伴们玩得开心的同时,也有些紧张,陷入了惯性思维:是不是又多了一个抢饭碗的?毕竟这几年AI井喷式增长,能写诗词和代码,论才华和能力都不赖,颇有取代你我之...

纯洁的微笑 795
上一篇: AI变现:AI行业生存现状摸底!哪些公司在挣钱?能挣多少钱?普通人怎么用AI搞钱?有哪些坑?
下一篇: 普通人用 AI 变现的4大方向!
壹只小小码农
博客等级 码龄5年 8101粉丝 1334原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值