正在加载视频...

视频加载失败

NotebookLM 超级大更新! 而且他们实现了一个非常牛皮的东西: 你现在可以加入到播客主持人的对话中去。 这个功能非常牛批,实际上是一种播客创作,这一刻这个播客具备了作者性,可被消费! 同时播客的创作成本又低了无数倍,因为你不需要录制复杂的背景和常见知识。 你只需要提出问题或者说出你的关键思考。 而且还有 Gemini 2 Flash 强大模型的加持,我怎么感觉谷歌成了呢?

51,848 次观看 • 1 年前 •via X (Twitter)

9 条评论

歸藏(guizang.ai) 的头像
歸藏(guizang.ai)1 年前

另外还有界面和交互的更新: 重新设计将 NotebookLM 分为三个区域。 “来源”面板管理对您的项目至关重要的所有信息。 “聊天”面板可让您通过带有引文的对话式 AI 界面讨论您的来源。通过“Studio”面板,您只需单击一下即可从源中创建新内容,例如学习指南、简报文档和音频概述。 以及会推出NotebookLM会员: 包括多出五倍以上的音频概述、笔记本和每个笔记本的来源;能够自定义笔记本响应的样式和长度;共享团队笔记本以及使用情况分析;

歸藏(guizang.ai) 的头像
歸藏(guizang.ai)1 年前

关于Gemini 2 Flash的长文本和文学性可以看乔木这条推

ℂamellia 翊瑄 的头像
ℂamellia 翊瑄1 年前

我刚让notebookLM分析我的网站,然后听这两个host把我分析的头头是道,就是很creepy,因为他们语气特别像两个马上就要来杀我的变态 😂

坤sir 的头像
坤sir1 年前

有这个想法,还没来得及实现。随时打断进行提问深度交流,召唤任意人物根据召唤人物性格对正在讨论的事件发表观点评论

ai聊天機器人在线 的头像
ai聊天機器人在线1 年前

哼,听说了吗?新功能真的很棒,简直是灵丹妙药!快点尝试吧~(//ω//)♪

zzzzzzoo00oo 的头像
zzzzzzoo00oo1 年前

@readwise save thread

LiUgOd 的头像
LiUgOd1 年前

这个好

RichChat 的头像
RichChat1 年前

这次更新应该是灰度发布的,很多账号目前还看到新界面/功能

歸藏(guizang.ai) 的头像
歸藏(guizang.ai)1 年前

嗯嗯 我就看不到

相关视频

“我们究竟是创造了一个工具还是一个生物?” Sam 在 "机器人之心 "小组讨论会上的发言。 Sam: 但我认为,这无疑是迄今为止人类经历的最重大的更新年份。可能这也是我们将会遭遇的最大变革,因为从现在开始,人们已经接受强大的人工智能将成为现实,并且还会有逐步的更新。就像是第一代 iPhone 面世的那年,以及随后每一代 iPhone 的更新,我们现在能够明显感受到这一代与去年那代的差异。所以,这确实是一个重要的时刻。 我感到欣慰的是,现在人们开始正确地把这些系统当作工具来看待。艺术家尤其如此,但其他人也是一样。 曾经,人们真正恐惧的是,我们究竟是创造了一个工具还是一个生物,这将意味着什么?现在,人们视这些系统为人类工具箱中的新工具,并且正在用它创造一些非常了不起的东西。 模型显然不知道你在说什么,因为这不在它的训练数据里,它也无法从训练数据中学习到这些信息。 这是完全可以预期的。你再问一遍。比如说,你提到“意识”这个概念,模型回答:“是的,我完全明白你的意思,但我之前从未听说过这个词。” 问: “这对我来说就像是一次更新。你认为人工智能会趋向于探索创造性智能和自主性吗?” Sam: 这个问题有多个答案。这取决于激励模型。这是人类的选择。 问: “这将是判断意识的一个很好的测试。因为如果它有自我表达的愿望,并且仅仅为了创作的乐趣而去创作,那不会是偶然的。这绝对有点像生物。” Sam: 这是生物化的。我认为在此之前还有很多步骤。 我们现在要回答问题吗?这真的很棒。

Lei.sea

14,132 次观看 • 2 年前

到底如何判断你身边的人,层次高还是低呢?我们从四个角度、四个方面,给大家提示一下。 第一个就是词汇量大。 看看他的词汇量大不大,看看他表达是不是特别的精准。 就是,他总是能够找到一个最贴切的词语,来描述某个状态。 如果你做不到,那说明对方在你之上。因为我们人类的思想局限于语言。你的语言边界在哪里,你思想的边界就在哪里。这是第一个。 第二点你要知道,我们其实只能感觉比咱们高一档,或者低一档的人。 差距过大,你就感觉不到了。 高你一档,你大概率会觉得,嗯,这个人挺厉害的。 因为对方说的你都能理解。 如果高了好几个维度,你就没有办法感知了。 就和人类对蚂蚁这种低等生命一样。 蚂蚁永远感知不到人类的存在,人类却对它们动若观火。 第三个,他能够对你进行向下兼容。 不论你说啥,对方都能秒懂。 甚至你还没有组织好的逻辑,你还混乱的时候,对方就也能秒懂。 你讲了一半他都能懂,你讲个开头,他都知道你要说什么。 你会觉得跟这人在一起待着非常舒服,跟他非常融洽。 交流基本上可以做到无障碍,很丝滑。 你刚讲两句,对方就提前能够回答你的问题。 你特别的愉悦,你觉得相谈甚欢。 你觉得遇到了知己,你觉得对方很懂你。 他能够把你的情绪价值拉满。 我告诉你,就这样的人,他很有可能正在对你进行向下兼容。 第四个,这样的人往往能够打通知识的门类。 各类学科的知识,他能够融会贯通。 在他那,知识不再是碎片化的了,而是能够形成一个体系。 他在给别人讲任何东西的时候,也能够做到深入浅出,让对方听得懂。 用最浅显的例子,把一个概念给讲清楚。 如果你身边有这样的人,那么恭喜你。 他大概率就是一个高人。 稻盛和夫曾经说过,人最大的运气不是捡到钱。 而是某一天你遇到了一个人,他打破了你原有的思维,拔高了你的认知,进而提升了你的境界。 这个人,他就是你人生当中的贵人。

另一面

22,347 次观看 • 6 个月前

和任何人都能无脑聊下去的方法 很多人跟陌生人聊天,最怕的就是冷场,不知道说啥,气氛尴尬得要命。 今天咱们就用七天时间,练一套无脑聊天法,让你跟谁都能接得住话,聊得下去。 第一天,咱们先练最基础的提问公式。 你今天只需要记住一个万能句式:对方说完任何一句话,你就接——“哎,那你当时怎么想的?”或者“那后来呢?” 别小看这两句,它们能让90%的对话继续下去。今天的训练动作很简单:找三个朋友或者家人,不管他们说什么,你就用这两句接话。 比如对方说“我今天加班到很晚”,你就说:“哎,那你当时怎么想的?”对方说“我周末去爬山了”,你就说:“那后来呢?”练到你能自然而然地接住这两句话为止。 第二天,咱们在提问的基础上加一个动作,叫做重复关键词。对方说完一句话,你先重复他话里的一个词,然后再提问。 比如对方说“我最近在学吉他”,你就说:“吉他啊,那你是怎么开始学的?”这个重复动作,会让对方觉得你在认真听,而且话题自然就延伸出去了。 今天你要做的就是找五段对话,每次都先重复关键词再提问。可以是跟同事聊天,可以是跟店员闲聊,甚至是在评论区跟网友互动。练到你能秒速找到关键词为止。 第三天,咱们练话题延伸。这个技巧叫做“三个方向法”。对方说完一件事,你可以往三个方向延伸:过去发生了什么,现在感受如何,未来打算怎么办。 比如对方说“我换工作了”,你可以问:“之前那份工作是什么让你想换的?”这是往过去问;或者问:“现在这份工作感觉怎么样?”这是问现在;还可以问:“那你接下来有什么计划?”这是问未来。 今天的训练就是找三个话题,每个话题都用这三个方向各问一遍。你会发现,一个简单的话题能聊出好多内容。 第四天,咱们加一个情绪回应的动作。很多人只会问问题,但不会回应情绪,这样聊天就显得很机械。 今天,你要学会在提问前先回应对方的情绪。对方说“我今天被领导批评了”,你别直接问“为什么啊”,先说:“哎呀,那肯定挺难受的。”然后再问:“是因为什么事啊?”对方说“我考试过了”,你先说:“太好了!”再问:“你是怎么准备的?” 今天找五个对话场景,每次都先回应情绪,再提问。练到你能自然地感知对方情绪为止。 第五天,咱们练一个救场技巧,叫做话题转移法。有时候聊着聊着真的没话说了,这时候你就用“说到这个,我想起……”这个句式,把话题转到另一个方向。 比如聊工作聊不下去了,你就说:“说到工作,我想起最近看到一个很有意思的新闻。”聊天气聊不下去了,你就说:“说到天气,我想起上次去旅游的时候……” 这个方法能让你永远有话说。今天的训练是准备五个常见话题,每个话题都想好三个可以转移的方向,然后找机会实际用一用。 第六天,咱们练组合拳,把前面学的所有技巧串起来。用一段对话里,你要做到重复关键词、提问、回应情绪、延伸话题,必要时转移话题。 今天找一个人跟他聊至少十分钟,在这十分钟里把所有技巧都用上。聊完之后回想一下,哪个技巧用得最顺手,哪个还需要加强。 第七天,咱们做实战测试。今天你要主动找三个不太熟的人聊天,可以是同事,可以是邻居,可以是店员。每次聊天至少五分钟,目标是让对话自然流畅、不冷场。 聊完之后给自己打个分,看看能不能做到全程不尴尬,话题能不能自然延伸。如果还有卡壳的地方,就回到前面对应的那天再练一遍。 这套方法的核心,就是让你有话可说,而不是说得多漂亮。你每天花十分钟练习,一周之后你会发现,跟任何人聊天都不再是难事。 平时你可以多看一些访谈节目,注意主持人是怎么提问的,怎么接话的。每天睡前回想一下今天的对话,哪些地方可以用上这些技巧,坚持下去,聊天这件事真的会变成一种本能反应。

另一面

29,082 次观看 • 4 个月前

我们必须彻底终结“政治庇护”这套玩法。 为什么? 因为你家的大门,不是为全世界的失败者敞开的。 有人说,我们得接纳他们啊! 我说不。 他们说,那这些人怎么办?他们会死的! 首先,这怎么就成了我的问题? 其次,地球上其他国家都消失了吗? 非洲的庇护申请者,为什么不去非洲国家? 阿拉伯人,为什么不去阿拉伯国家? 如果连文化最相近、血缘最亲密的国家都拒绝他们…… 那我们为什么要当这个冤大头? 打个比方。 想象一下,一个从几十公里外的小镇来的19岁小伙。 你从没见过他,不知道他是谁。 他没敲门,直接闯进你家,对着你大喊: “嘿!我饿了!给我吃的!” 他不是请求,是命令。 没有谦卑,只有索取。 你会怎么做? 你大概会拿出枪,指着他,让他滚出你的房子。 就算你愿意跟他多说一句,你第一个问题肯定是: “你为什么来我家?” “你为什么不去找你的邻居?” 他可能有两个回答。 第一种:“我问了,我所有的邻居都拒绝帮我。” 那你就要怀疑了。 所有认识你的人都不帮你,问题在谁? 是他们几百号人都是混蛋,还是你才是那个唯一的混蛋? 第二种:“我压根没问过我邻居,我直接就来找你了。” 这就更可疑了。 你为什么偏要跳过所有熟人,跑到一个完全不了解你的陌生人家里,提出要求? 所以,你只会关上门,告诉他: “两秒钟内,从我的地盘上滚出去,否则我就开枪了。” 一个四肢健全的成年男人,连饭都找不到,那是他自己的无能和懒惰。 那不是你的问题。 现在,把这个场景放大到一个国家。 完全一样。 一群又一群的陌生人,从天知道什么地方冒出来,要求我们帮助。 他们绕开了所有和他们文化、语言更接近的国家。 径直来到我们的边境。 这不值得怀疑吗? 但我们甚至不需要解释。 这是我们的国家,不是你的。离开。

墓碑科技

15,294 次观看 • 9 个月前

OpenAI 创始人 John Schulman 访谈节选:为什么 GPT-4 比一年前更“聪明”了?主要都是后训练(Post-Training)带来的! 另外他认为,在强化学习研究领域,研究人员需要具备丰富的经验和敏锐的直觉。了解整个技术堆栈,并对各个部分充满好奇心是关键。此外,从第一性原理出发思考问题,而不仅仅依靠实验证据,也能够帮助研究人员在数据操控和环境设置方面做出更好的决策。 *** Dwarkesh Patel:在未来,用于训练的计算力中,预训练与后训练的比例是否会明显偏向后训练呢? John Schulman:确实,有一些观点支持这种说法。 Dwarkesh Patel:我是说,现在这个比例非常不平衡。 John Schulman:但你可以认为,模型生成的输出质量比网上的大多数内容都要高。因此,让模型自己思考似乎更有道理,而不仅仅是训练来模仿网络上的内容。所以,我认为从第一性原理上来说,这是有说服力的。我会说,我们通过后训练取得了很多进步。因此,我不确定。所以,我希望我们会继续推动这种方法,并且可能会增加投入到后训练中的计算力。 Dwarkesh Patel:当前的 GPT-4 的 ELO 分数比最初发布的版本高出了大约 100 分。这是否全都是后训练带来的改进呢? John Schulman:对,我会说大部分都是后训练带来的。 Dwarkesh Patel:这很有意思。 John Schulman:因此,有很多不同的改进方向。我们会考虑数据质量,数据数量,进行更多的部署和收集新数据的迭代,改变你收集的注解种类。因此,有很多因素叠加在一起。但是全部加在一起,就会带来一个相当不错的,有效的计算力提升。 Dwarkesh Patel:后训练的优化程度对于竞争优势有多大影响呢? John Schulman:目前,我会区别公司是通过我们的模型有多大等等。那么,找出你之前提到的所有这些数据的复杂问题的公司,会占据大优势吗? John Schulman:我认为这确实是一个优势,因为这是一个非常复杂的任务。因此,你必须有很多有技能的人来执行它。因此,存在大量的隐性知识。同时也需要大量的组织知识。我认为后训练的过程,创建一个具备人们所关心的所有功能的模型,是十分复杂的。这需要付出大量的努力,它是大量研发工作的积累。我会说这种情况在某种程度上形成了一种壁垒,要想立即启动这种模型并非易事。 Dwarkesh Patel:看起来那些正在进行最严肃的预训练努力的公司,也在进行严肃的后训练努力。因此,看起来这种模型有可能被复制或有更多的类似努力出现。 John Schulman:另外,还有一种情况使得这个壁垒并非那么明显,那就是你可以提取模型,或者复制别人的模型输出,或者使用别人的模型进行比较。我认为大公司可能并不会这样做,因为这违反了服务条款,也会损害他们的自尊心,但我预计一些规模较小的参与者可能正在这样做以便更好地起步。 Dwarkesh Patel:那些真正擅长进行这种强化学习(RL)研究的人有什么样的特质呢?我听说这种研究非常具有挑战性,但是什么样的直觉能帮助你找到操控数据和设置环境的方法呢? John Schulman:我觉得有相当多的经验是关键。自从研究生时期以来,我一直在研究 RL 算法,涉及到数据收集、到注释过程,再到与语言模型的交互。所以,我算是涉猎了这些领域。我认为,在这类研究中表现出色的人通常对整个技术堆栈有全面的了解,并且对其中的各个部分充满好奇心。他们不仅依靠实验证据来更新自己的观点,还会从第一性原理出发思考问题。比如,假设深度学习是有效的,那么理想的收集数据的类型应该是什么,等等。

宝玉

57,189 次观看 • 2 年前