那些用ChatGPT写书挣钱的歪脑筋… 给我的11个AIGC工作流打打分；[合辑]新闻+AI的妙用与滥用；大模型应用层创业的13个Tips | ShowMeAI日报

👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦！

🉑 电影 | 一款发现电影的AI搜索引擎，小场景里也有机会

https://filmfinder.ai

这是一个专门推荐电影的AI搜索引擎，只需要输入关键词，就可以得到一个推荐清单，包含了电影的名称、海报和情节简介。

例如，简单输入「travel, ice land」，排名第一位就是想找的「The Secret Life of Walter Mitty (白日梦想家)」，感觉很不错！

整体使用下来，输入的提示词越清晰明确，结果就就越精准。开发者发掘的这个小场景也很不错呀！

🉑 工作 | AI已经彻底改变了我的工作方式，虽然有些不尽如人意 (带拉踩)

https://www.buzzy.buzz/post/behind-the-ai-curtain-a-founder-s-tale-of-innovation-and-illusion

Adam Ginsburg 曾经的创业项目 Aptrix 被 IBM 收购为 IBM Web Content Manager，可以说非常成功了。他目前是一位AI开发者和创业者，最近整理了以下工作中常用的AI工作流，顺手给评了一个分 🧐

1. 创意生成与验证 (5/10)：使用 OpenAI 的 ChatGPT 作为头脑风暴伙伴，帮助组织和验证想法。

• 优势：能够提供参考资料链接，加快工作流程。

• 劣势：AI有时会产生错误信息，即「幻觉」。

2. 内容创作 (8/10)：利用 ChatGPT 和 Bard (Gemini) 来撰写内容，包括段落、博客文章，并生成广告文案。

• 优势：尽管需要多次修改，但AI生成内容的过程比手工编写要快得多。

• 劣势：AI有时会产生错误信息，可能会丢失个人风格。

3. 产品搜索 (7/10)：用 ChatGPT 进行产品搜索，以避免广告内容，并直接获取所需信息。

• 优势：可以避免广告，直接搜索到相关信息。

• 劣势：AI可能会产生幻觉，或者错过一些新的重要信息。

4. 竞争分析 (7/10)：使用 ChatGPT 和 Gemini 进行竞争分析，让AI根据不同的评分标准提供竞争对手的快照。

• 优势：快速高效，能够迅速得到竞争对手的概览。

• 劣势：不能完全信任AI提供的信息，因为它可能产生幻觉。

5. 产品研究 (7/10)：通过添加文件到 ChatGPT，进行定量和定性分析。

• 优势：非常快速，节省大量时间。

• 劣势：验证AI生成结果的准确性可能需要较长时间。

6. 图像生成 (8/10)：AI生成图像，用于文章和社交媒体帖子。

• 优势：能够快速创建传达复杂概念的图像。

• 劣势：在处理设计细节，如文本和手指时，AI仍然面临挑战。

7. 营销技术 (5/10)：AI能够大量生成博客和社交媒体帖子。

• 优势：易于制作个性化内容和营销活动。

• 劣势：可能导致内容过载，降低内容质量。

8. 视频生成 (3/10)：尝试了多种视频生成工具，如 HeyGen、Veed、Synthesia 和 Runway ML。

• 优势：视频生成技术尚处于起步阶段，有一定的创新性。

• 劣势：目前的工具无法满足实时生成高质量视频的需求。

9. 设计生成 (7/10)：使用 Buzzy 和 Figma 的AI生成器快速创建应用和设计元素。

• 优势：比从头开始或使用设计套件要快得多，节省大量时间。

• 劣势：使用文字更新设计可能比较困难，通常手动编辑更为简单。

10. 代码辅助编写 (8/10)：使用 Github Copilot 和 ChatGPT 来加速编码过程。

• 优势：速度快，促进最佳实践，减少错误。

• 劣势：AI有时会生成错误代码，需要人工检查和修正。

11. 无代码辅助 (8/10)：Buzzy (作者自己的无代码平台) 根据提示生成应用程序，无需理解生成的代码。

• 优势：节省时间，无需维护底层代码，可以专注于创新和用户体验。

• 劣势：需要练习如何有效地使用提示，且可能需要与自定义代码或第三方无代码平台结合使用。

🉑 新闻 | 从业者能把AI玩出多少花样？！当然也有人玩砸了

https://www.zachseward.com/ai-news-thats-fit-to-print-sxsw-2024/

补充一份背景：传统新闻行业有一个著名的口号「All the news that’s fit to print」，即所有适合印刷的新闻，用来表明提供的信息经过了严格筛选且是值得信任的。这篇文章的标题「AI the news that’s fit to print」是对其的巧妙化用。

Zach Seward 是《纽约时报》 (The New York Times) 的AI项目总监，负责构建团队并探索使用AI提升报道效率和质量。他在 SXSW 2024 会议上分享了生成式AI在新闻行业的应用现状，既总结了行业的前沿探索，又给出了自己专业角度的解释说明。

可以说，读这一篇就基本了解「AI+新闻」行业的发展状况了 👏

🔔 AI新闻失误案例分析

• CNET (Red Ventures)：尝试用AI发布财经建议，但文章充满错误并涉嫌抄袭。六个月后，人类专家对这些内容进行修正后重新发布。

• Gizmodo and The Inventory (G/O Media)：尝试用AI创作《星球大战》时间线，但出现了失误。尽管如此，The Inventory 网站继续发布AI生成的产品推荐，并声称这些内容经过了「测试和信任」，只是在文章末尾用小字声明是由AI生成的。

• Sports Illustrated and The Street (Arena Group)：在使用AI撰写文章时，作者名字和照片也是虚构的，被读者按照蛛丝马迹发现这些文章实际上是虚假的。

• 总结：失败的AI新闻案例通常未经核实、缺乏动力、出于自私目的，并且不诚实或不透明。相反，成功的AI新闻应经过严格审核，以读者利益为先，并坚守新闻真实性和透明度的原则。

🔔 机器学习在模式识别中的应用

• Quartz：与国际调查记者联盟合作，利用AI工具处理大量法律文件，揭露海外隐藏财富的证据。

• Grist 和 The Texas Observer：这两家新闻机构运用机器学习模型分析德克萨斯和新墨西哥州的废弃油井数据，发现了数千个未记录的废弃油井。

• BuzzFeed News：运用AI识别可能的间谍飞机飞行模式，揭露了美国主要城市上空的常规监视活动。

• 华尔街日报：运用图像识别技术调查铅电缆问题，发现了大量铅电缆存在于公共区域。

• 总结：机器学习模型擅长识别文本、数据和图像中人类难以察觉的模式。

🔔 生成性AI在新闻业中的应用：

• The Marshall Project：利用 OpenAI 的 GPT-4 生成政策的摘要，帮助公众更容易地理解这些政策的主要内容。

• 菲律宾的监察报道：菲律宾记者 Jaemark Tordecilla 使用定制的 GPT 模型总结政府审计报告，帮助揭露腐败。

• Realtime：运用 LLM 为自动化数据图表提供上下文说明，帮助读者理解数据。

• WITI Recommends：使用 GPT-4 从通讯中提取产品推荐，创建了一个易于浏览的推荐数据库。

• 总结：这些案例展示了生成性AI在新闻业中的巨大潜力，尤其是在总结文本、获取信息、理解数据和创造结构方面的应用。但这一切始终需要人类的监督和指导。

👀 出版 | 亚马逊图书作者用 ChatGPT「坑蒙拐骗」新姿势：你别说，你还真别说

https://www.npr.org/2024/03/13/1237888126/growing-number-ai-scam-books-amazon

补充一份背景：Amazon KDP (Kindle Direct Publishing) 是亚马逊为创作者提供的一个自助出版平台，作者可以基于平台的系列工具，自主创建并发布电子书/平装书并获取收益。也是因为这个发行机制简单快捷，Amazon KDP 平台在短时间内成为 AIGC 电子书籍的汇聚地。

亚马逊 Amazon KDP 平台上的部分作者，是有点AI歪脑筋在身上的。

ChatGPT 和 Midjourney 问世后，一些创作者用AI批量生成并上架，靠着AI的噱头薄利多销，猛赚了一笔。但是这些「垃圾」电子图书把整个生态都搞乱了，平台终于在2023年9月出手，强制规定每名作者每天自行出版的书籍不得超过三本。

本以为这些作者们能消停一下，谁料想他们玩出了新花样：狂蹭热度 😳

具体来说就是，瞄准榜单和新书，用AI工具给「有潜力」的书籍写摘要、写作者回忆录、甚至写同名书…… 然后配上封面就在 Amazon KDP 平台开始销售，主打一个鱼目混珠。

这些「诈骗书籍」被原作者发现后，已经举报下架。

平台也开始给规则「打补丁」：要求作者在上架时必须明确告知是否包含AI生成的内容，并且开始限制「基于已有内容总结」这类图书的初版，发现滥发的账户则会暂停其权限。

🉑 教育 | AI教师 VS 人类教师：为了比较效果，我自掏腰包搞了个实验

https://danmeyer.substack.com/p/five-differences-between-human-and

OpenAI、Google、微软等等公司的负责人，都对「AI+教育」这个方向充满了壮志雄心。但是，，现在的 AI 老师和人类老师，究竟有多大差别呢？

为了搞清楚这个问题，作者借着学习 Web 技术知识的由头请了一位家教，同时也借助 ChatGPT 等AI工具继续学习，以此对二者进行比较。为了让实验更有说服力，作者还跟这些AI工具一起担任起了小学五年级弟弟的数学家教。

整体来说，人类老师远远胜出，毕竟学习是一个非常复杂的场景。以下是他总结的几个差异点：

1. 寻求背景信息：人类导师在教学过程中会寻求学生的背景信息，包括了解学生之前尝试解决问题的方法、他们在课堂上的学习情况、他们在家庭作业上的进展等。了解背景有助于导师更好地定位学习难点，从而提供更有针对性的帮助。

2. 使用多媒体：人类导师在教学时会运用多种媒体工具，如绘图、使用文档相机共享书面作业、屏幕共享进行编程等。这种多样化的教学手段能够更直观地解释复杂概念，帮助学生更好地理解和掌握知识。

3. 建立关系：人类导师会努力与学生建立个人关系，这不仅使得学习过程更加愉快和令人期待，而且有助于导师根据学生的个性和需求调整教学策略。长期的关系建立也使得导师能够更好地理解学生的情绪和学习状态，从而做出适当的反应。

4. 主动性：与AI聊天机器人的被动等待不同，人类导师会主动推进学习过程。他们会根据学生的反馈和学习进度来决定何时介入，无论是提供额外的练习题，还是在学生遇到困难时及时提供帮助。

5. 认识自己的局限：人类导师清楚自己的知识范围和专业领域，他们会根据自己的专长来调整教学内容和方法。当遇到不确定的问题时，他们会诚实地告诉学生，并可能建议查阅更多资料或寻求其他专家的帮助。

👀 创业 | 大模型应用层创业的 13 个 Tips：拿钱、增长、TMF……

极客公园基于国内外公开信息 & 对一线创业者/投资人的访谈，整理成了一份报告「解码 2024 AGI 投资：聚焦应用层创业者的崛起」，阐述了他们对于当下大模型投资和创业的观点。

以下是内容要点，感兴趣可以 ⋙ 阅读原文

1. 投入到应用的钱或比想象的多。新的资金主要来自于：未能投入到大模型公司的资金、大模型公司市场教育吸引到的新资金、部分有公司职务的高净值人群。

2. 大模型头部公司或成新投资方 (参考 OpenAI)，有构建生态的需求而且账上的钱超过自身需要。

3. 2024 年竞争的主赛道仍在应用层。短期内互联网战投、A 股战投的钱还不太会直接投资到应用层。

4. 美元投资的是带有模型能力的应用，人民币投的是带有产业能力的应用。

5. 应用层公司能拿到投资的逻辑：对标美国主流赛道、主打中国优势能力、快速迭代自身 AI-Native 能力。

6. 非明星创业团队可以考虑一些非知名投资机构，美国知名应用的早期投资也来自于非知名基金。

7. 资本市场的转折点：达到 1 亿 ARR，或千万 MAU 的产品。

8. AI-Native 应用时代，用户的价值更高，但获得用户的成本也会更高，因此应该将考低成本储备用户列入日程。

9. 不能低估 2023 年全球「AI」自然流量增长对产品增长的带动，不能高估 2023 年 AGI 相关技术对 AI 产品增长的价值。

10. 「AI+应用」仍是当前主流，「AI-Native 应用」研发热情和发展增速低于市场&投资人预期，主要原因是 PMF 周期比预期要长；

11. 移动端可能并不是初创公司最理想的切入点，因为 AGI 产品当前的资本效率可能还不够高，以及研发部署成本相对较高；Web 端阶段性更适合新锐 Gen AI 产品

12. 需求端高频变化的场景才是 ToB 新创公司的机会，低频变化的场景更适合老玩家。

13. 大模型技术能力是成为独角兽公司的必备要素，但如果公司目标不在于资本市场退出，更应该考虑快速试错迭代。

感谢贡献一手资讯、资料与使用体验的 ShowMeAI 社区同学们！

◉ 点击 👀日报&周刊合集，订阅话题 #ShowMeAI日报，一览AI领域发展前沿，抓住最新发展机会！

◉ 点击 🎡生产力工具与行业应用大全，一起在信息浪潮里扑腾起来吧！