ShowMeAI | 用光5亿GPT token积累的7条实战心得；全球最牛X科技创企榜单；GPT极速入门教程；科技巨头AI全景解析；凯文·凯利新书-5000 天后的世界

关注

原创最新推荐文章于 2026-11-14 05:58:24 发布 912 阅读 AI 写同款· GEO 优化 ›

热力学仿真软件：SimScale_（1）.SimScale入门与基础操作导航栏：位于页面顶部，包含项目管理、仿真设置、结果分析等主要功能。项目列表：展示用户创建的所有项目。工作区：用于进行具体的操作，如几何建模、网格划分、边界条件设置等。控制台：显示操作日志和仿真进度。网格划分是将几何模型离散化为一系列小单元的过程，这些单元用于求解热力学方程。SimScale提供了多种网格划分方法，包括结构化网格和非结构化网格。SimScale提供了丰富的API接口，用户可以通过编程语言进行二次开发，实现自动化仿真和结果分析。项目管理：创建、删除和管理项目。几何建模：创建、导入和修复几何模型。阅读详情

👀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！

1. 全球最具创新力企业 Top 50 榜单，波士顿咨询公司 (BCG) 持续更新 20 年了

从2023年起，波士顿咨询公司 (BCG) 每年都会评选出 ⋙ 全球最具创新能力的50家公司「the 50 Most Innovative Companies」，并出具一份报告。至今已经持续了超过 20 年。

BCG 官网还设计了一个可交互的图表。顶部有4个下拉框，点击选择不同的分类方式，就可以看到分类榜单和近20年的历史数据变化 👆

BCG每年都会发布一份年度创新报告，评选出当年最具创新力的 50 家公司，探讨新入选公司脱颖而出的原因，并分析榜单上这些公司的创新特质。

目前最新的报告是 2023 年的。完整版报告可以前往知识星球下载（资源编码【R256】）。

2. 112位顶级投资人，36位知名企业家，共同评选出 2024 全球科技初创公司 Top 榜单

⋙ Wing Venture Capital 是一家专注于科技领域的风险投资公司，成立于2013年。从2019年起，Wing VC 每年会发布一份「Enterprise Tech 30」报告，评选出全球最有前途的科技初创公司。

5月初，Wing VC 释出了最新的 2024 年「Enterprise Tech 30」榜单和报告。总榜如下，报告种还有很多细分榜单和详细的数据解读，信息密度很高。感兴趣可以前往星球下载完整版报告（资源编码【R255】）。

报告前 43 页，整体分析了 2024 年入选企业的显著特征和变化趋势。简单整理要点如下：

生成式人工智能 (GenAI) 的崛起

本年度 40 家企业上榜，其中新上榜的 17 家公司都不同程度涉足了生成式人工智能领域。
7 家新公司专注于开发AI模型或基础设施，3 家新公司专注于构建面向AI应用的数据平台&工具。
另外 4 家新公司则属于应用型，要么构建基于生成式AI的原生应用，要么通过生成式AI显著提升了其产品性能。

基础设施和工具的建设现状

SaaS 领域仅占比 25%，刷新榜单历史最低值，表明当前仍处于基础设施和工具建设的阶段。
约 50% 的上榜公司与AI模型、工具、数据等有关，表明行业正在为下一代应用的爆发积累基础和推动力。

报告的后40多页，对榜单的 40 家公司进行了逐一介绍，格式很整齐，重要信息也很完备。是一份必看&必收藏的资料哇~

3. 3Blue1Brown 又更新啦！30 分钟动画，直观解释注意力机制 - Transformer 的核心

3Blue1Brown 是一个专注于数学教育的 YouTube 频道，视频制作精良，而且非常擅于用直观的动画和图表，讲清楚复杂抽象的数学话题，以及由此拓展的机器学习、深度学习等等。

3Blue1Brown 在 B 站也有官方账号，而且有 200 多万粉丝啦！值得一提的是，账号发布的视频是有专门的翻译团队把关的。难怪双语字幕的准确度和流畅度这么好 👍

3Blue1Brown 最近在B站更新的两期视频，都与大模型有关，整个系列还在持续更新中。

如果你想直观地搞清楚 GPT 原理，那 3Blue1Brown 这个系列的视频，应该是全球最好的学习资料了，甚至没有之一。

第一期的主题是解析 GPT-3 等大语言模型背后的机制和原理 👉 点击播放
第二期重点讲解大语言模型中的注意力机制 👉 点击播放

B站UP主 @和AI一起进化 进行了一次新的尝试，借助AI技术把 3Blue1Brown 这两期视频搞成了「中文配音」！体验非常神奇！中文配音 + 双语字幕，极大提升了信息获取效率 ↓ ↓ ↓ 一起感受下 ↓↓ ↓

【中文配音】第一期 👉 点击播放
【中文配音】第二期 👉 点击播放

4. 一份AI急速入门教程：咻咻咻，大佬带你快速梳理 LLM 几十年发展脉络

这个系列的教程，风格与上面的 3Blue1Brown 系列视频「完全相反」~ 没有配图，没有细致的解释说明，甚至还配了大量代码、公式、专业术语……

能感受到，作者在试图用尽可能短的篇幅，讲清楚 LLM 和 AI 发展过程中的关键技术，以及彼此之间的演进关系。读起来更像是一份学霸笔记，适合有一定基础之后，用来梳理自己的知识脉络。

如果你需要一份优质中文教程平滑过渡一下，那么强烈推荐 ShowMeAI 这份 → https://www.showmeai.tech/tutorials/35

日报简单梳理了目前4篇内容的要点。原教程内容丰富得多 (信息密度真的很高!)

⋙ Part 1：Eliza

对「非人类只能」的探索其实由来已久，机器智能和图灵测试更是在上个世纪50年代就已经诞生了。

但是！虽然 Eliza 通过了图灵测试，但它距离真正的人工智能，还有漫长的距离。

Eliza：Eliza 是一个早期 (1966年) 聊天机器人，能够模仿心理治疗师的对话风格，并通过了图灵测试。
Eliza 的工作原理 ：基本工作流程包括接收用户输入、处理回答、结束对话。
知识库 (Knowledge Base) ：Eliza 使用了一个包含关键词和转换规则的知识库来生成回答。
同义词 (Synonyms) ：Eliza 使用了同义词组来扩展其对话能力，并通过一些特殊的规则 (如 goto 规则) 和记忆功能来提高对话的连贯性。

⋙ Part 2：Markov Chains

Eliza 彼时出色表现的主要功臣，是一套精心设计的规则，这种方式是有局限性的。而马尔科夫链 (Markov Chain) 不依赖严格的规则，就灵活和简单得多了。

但是！虽然马尔可夫链与 Eliza 相比有进步，并成为了机器学习的经典算法之一。但它仍属于随机性输出，我们还需要引入一些更高级的技术！

马尔可夫链 (Markov Chain) ：是一种基于概率转移的数学模型，可以用来生成文本，其中每个词的出现仅依赖于前一个状态 (即前一个词) 。
构建一个马尔可夫链 (Building a Markov Chain) ：构建一个简单的马尔可夫链，需要先从文本中学习转移概率，再使用这些概率来生成新的文本。

⋙ Part 3：Neural Networks

现代人工智能的核心——神经网络 (Neural Network) 再次回到舞台中央。我们开始构建简单的神经网络。

但是！神经网络最初并不能现在的样子，还不能根据输入生成文本等等内容。为了变得更强，神经网络的规模需要不停地变大！大！大！

用6行代码实现的神经网络 (Neural Network in 6 Lines of Code) ：通过一个简短的 JavaScript 代码示例，展示了一个基本的神经网络的实现过程。即便只有6行代码，这个神经网络已经能够预测二进制 XOR 函数的输出了。
训练一个网络 (Training a Network) ：训练神经网络，就是通过调整网络的权重和偏置 (bias) 来提升输出的准确率。
自动求导 (Autograd) ：通过自动计算梯度，来简化神经网络的训练过程。
构建一个更智能的网络 (Building a Smarter Network) ：构建一个更复杂的、能够自我训练的神经网络结构，能解决的问题也能更加复杂。

⋙ Part 4：Large Language Models (LLMs)

终于！我们等到了大语言模型！人类开始和机器进行对话，并思考如何借助AI改变世界。

但是！这就是我们追索了几十年的「智能」嘛？Who Knows 🤷‍♀️ maybe~

GPT ：GPT 是使用大量数据预训练的神经网络模型，能够生成连贯且语义合理的文本。
词元 (Token) ：GPT模型的 Tokenization 就是把长的文本分割成更小的、有意义的词元 (tokens) ，并将其转换为数值形式以方便模型处理。
词向量 (Word Vectors) ：GPT模型使用词向量来表示单词，这些向量能够捕捉单词之间的语义关系。
层 (Layers) ：GPT 模型每一层都包含了多个不同的权重和偏置，能够处理和转换输入数据。
自注意力 (Self-Attention) ：自注意力机制使模型能够识别和专注于输入序列中的不同部分，从而生成更有意义的输出。
进行数学运算 (Do the Math) ： GPT 模型需要的数学运算包括线性变换、激活函数、归一化和 softmax 函数等。
运行单个层 (Running a Single Layer) ：GPT 模型中单个层的运行过程，包括如何处理自注意力和多层感知器的计算。
解码 (Decoding) ：将模型的最后一层输出转换为单词，以及通过迭代过程生成连贯的文本序列。

5. 22万字，全景解析海内外科技巨头的AI布局：微软、谷歌、百度、阿里、腾讯、字节……

说实话，看到这个系列的时候，我脑子里闪过最多的是：「这么多字?!」「佩服佩服」……

作者用超长的篇幅，详细介绍了海内外科技巨头的AI生态，目前整个系列更新了6家，内容目录如上。感兴趣可以追更哦！或者收藏备用~

⋙ 微软 Microsoft · AI 全景解析

⋙ 谷歌 Google · AI 全景解析

⋙ 百度 · AI 全景解析 (上) | (下)

⋙ 阿里巴巴 Alibaba · AI 全景解析 (上) | (下)

⋙ 腾讯 Tencent · AI 全景解析 (上) | (下)

⋙ 字节跳动 ByteDance · AI 全景解析 (上)

6. 6个月，消耗了5亿个 GPT Token，忍不住想分享点你大概率不知道的

我们经常在社区看到 LLM 相关的分享，各种新名词、新技术、新应用也让人应接不暇。然而！一位消耗了 5亿 GPT token 的开发者，忍不住想说一说自己的实际感受。虽然可能跟一些「主流」的声音不太一致 😳 ⋙ 阅读原文

简单介绍下开发者的基本信息：五亿 token 约等于 75 万页的文本，其中 85% GPT-4 + 15% GPT-3.5。开发业务只专注于文本处理，重点是总结、分析和信息提取。

作者明确给出了 7 个 Lesson。以下是要点总结：

[Lesson 1] 提示词越简洁越好。冗长的指令会严重降低模型的响应质量。
[Lesson 2] OpenAI 的 Chat API 基本能满足所有需求。根本用不上 OpenAI 过去一年里发布的其他工具，甚至连 LangChain 都不需要。
[Lesson 3] 你可能忽略了 ChatGPT 在用户体验 (UX) 上的一次重大创新。简单说就是用流式API提升响应速度，并向用户展示变速打字的效果。
[Lesson 4] GPT不善于处理空值 (null hypothesis)。
[Lesson 5] 上下文窗口 (Context windows) 的说法其实并不准确。只有输入端在不断增大，输出端的容量依旧是受限的。
[Lesson 6] 对普通开发者和用户来说，向量数据库、RAG/embeddings 这些技术的应用场景非常有限。
[Lesson 7] 最起码在文本信息提取的任务中，幻觉 (Hallucination) 基本上不会出现，很少很少。