博客來
本書以通俗易懂的方式從各個層面介紹了AIGC的基礎知識，並輔以大量案例引領讀者瞭解AIGC的應用實踐，讓讀者可以更快速地利用AIGC改善工作和生活。
第1章從AI發展歷史到資本市場近況闡述了AIGC產業的概況，第2章介紹了AIGC相關技術，第3章介紹了文本類AIGC技術的發展及其在傳媒、教育、辦公等場景中的應用，第4章介紹了聲音類AIGC技術的發展及其在音樂、模擬等領域中的應用，第5章介紹了圖片類AIGC的發展及其在圖片生成、圖片處理、圖片識別等領域中的應用，第6章介紹了視頻類AIGC的發展及其在視頻生成、數位人等領域中的應用，第7章介紹了AIGC上下游產業鏈（包括晶片、VR等相關設備、元宇宙建模）的概況，第8章提出了AIGC對人類文明發展產生的影響，並對普通人如何應對AIGC帶來的"生產力爆炸”提出方法論。
| FindBook |
有 1 項符合
人人都能玩賺ChatGPT的圖書 |
 |
人人都能玩賺ChatGPT 作者：黃小刀 出版社：電子工業出版社 出版日期：2023-04-01 語言：簡體中文 規格：平裝 / 267頁 / 19 x 26 x 1.33 cm / 普通級/ 1-2 |
| 圖書館借閱 |
| 國家圖書館 | 全國圖書書目資訊網 | 國立公共資訊圖書館 | 電子書服務平台 | MetaCat 跨館整合查詢 |
| 臺北市立圖書館 | 新北市立圖書館 | 基隆市公共圖書館 | 桃園市立圖書館 | 新竹縣公共圖書館 |
| 苗栗縣立圖書館 | 臺中市立圖書館 | 彰化縣公共圖書館 | 南投縣文化局 | 雲林縣公共圖書館 |
| 嘉義縣圖書館 | 臺南市立圖書館 | 高雄市立圖書館 | 屏東縣公共圖書館 | 宜蘭縣公共圖書館 |
| 花蓮縣文化局 | 臺東縣文化處 |
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：人人都能玩賺ChatGPT
內容簡介
作者介紹
a15aa15a是一個Creator DAO（創作者去中心化組織），致力於以DAO的形式來產出新科技領域的內容，降低普通人瞭解科技的門檻。a15a已出版多本新科技科普書籍，並計畫推出更多體系化課程和講座。a15a的主要成員是區塊鏈和人工智慧領域的專家、從業者、研究人員和學生，以及法律合規領域的專業人士。在抖音、知乎、小紅書、推特等平臺上搜索“a15a”即可找到a15a官方帳號。賈雪麗上海技術交易所專家庫專家，代爾夫特理工大學碩士，先後就職於 ING 銀行、中國平安、光大集團等金融科技企業，擁有豐富的人工智慧、隱私計算及區塊鏈等專案經驗，申請人工智慧相關發明專利 60 余項，在INTERSPEECH會議上發表論文一篇，參與撰寫多個隱私計算行業報告和白皮書。0xAres利物浦大學碩士，曾先在投資公司工作，後就職于知名公鏈。從業期間主持製作過多個區塊鏈系列課程，舉辦過多次“駭客松”，長期致力於區塊鏈的科普教育，有Web3.0行業全領域孵化經驗，樂於通過多種形式的內容創作傳播Web3.0共識；2021年組建創作者去中心化組織a15a並開始編寫新科技領域的科普書籍，主編了《一本書讀懂Web3.0：區塊鏈、NFT、元宇宙和DAO》和《一本書讀懂NFT：區塊鏈通證、元宇宙資產、Web3.0行銷和數位化身份》。張炯星圖比特創始人兼CEO，中國通信工業協會資訊化科技創新專業委員會委員，上海技術交易所專家庫專家；曾就職于IBM，擁有豐富的金融科技從業經驗，長期服務中國人民銀行、中國工商銀行等大型金融機構，擅長技術融合、產業創新，對以區塊鏈、人工智慧為代表的數位經濟技術有深刻的理解；擁有人工智慧和數位資產相關專利8項，參與撰寫了《一本書讀懂Web3.0：區塊鏈、NFT、元宇宙和DAO》和《一本書讀懂NFT：區塊鏈通證、元宇宙資產、Web3.0行銷和數位化身份》。
目錄
第1章 我們為什麼要關注AIGC
1.1 從人工智能到人工智能生成內容
1.2 巨頭如是說
1.2.1 國外“大廠”在AIGC領域的佈局
1.2.2 國內“大廠”在AIGC領域的佈局
1.3 資本狂潮
1.4 異軍突起的獨角獸企業
1.4.1 OpenAI
1.4.2 Stability AI
1.4.3 Scale AI
1.5 行業“大牛”：誰是下一個“約伯斯”
第2章 AIGC相關技術介紹
2.1 規則系統
2.2 變分自編碼器
2.3 生成對抗網路
2.3.1 GAN模型訓練原理
2.3.2 CGAN模型
2.3.3 基於模型架構的衍生
2.3.4 基於損失函數的衍生
2.3.5 圖像生成領域的衍生
2.4 Transformer模型架構
2.5 基於Transformer模型架構的LLM
2.5.1 基於編碼器的LLM
2.5.2 基於解碼器的LLM
2.5.3 基於編碼器和解碼器的LLM
2.5.4 BERT模型與GPT模型對比
2.6 擴散模型
2.6.1 擴散模型原理
2.6.2 DALL?E 2模型
2.6.3 Stable Diffusion模型
2.7 其他模型
2.8 LLM的前景光明
第3章 下筆如有神：文本類AIGC
3.1 何為“智能”
3.2 拆解文本生成技術原理
3.2.1 1950—1970年，NLP初露鋒芒
3.2.2 1980—2010年，NLP的寒冬與機遇並存
3.2.3 2010—2019年，技術迸發與沉澱
3.2.4 2019年至今，AIGC進入尋常百姓家
3.3 文本類AIGC在傳媒場景中的應用
3.3.1 社交媒體文案：Jasper
3.3.2 新聞寫作：Quakebot、CNET
3.3.3 劇本撰寫：海馬輕帆
3.4 文本類AIGC在教育場景中的應用
3.4.1 文章撰寫：EssayGenuis
3.4.2 出題和做題：高校聯合團隊開發的AI程式
3.4.3 青少年教育：Cognii
3.5 文本類AIGC在辦公場景中的應用
3.5.1 搜尋引擎優化：Kafkai
3.5.2 行銷文案：Copysmith
3.5.3 電子郵件：Compose.ai
3.5.4 代碼撰寫：GitHub Copilot
3.6 文本類AIGC的其他熱門場景
3.6.1 AI聊天機器人
3.6.2 AIGC搜尋引擎：Perplexity AI
3.7 萬眾矚目的ChatGPT
3.7.1 ChatGPT是什麼
3.7.2 ChatGPT的海量應用場景
3.7.3 GPT-4模型：截至2023年3月強的AI模型
3.7.4 ChatGPT對普通人意味著什麼
3.8 文本類AIGC的未來
第4章 “聲臨其境”：聲音類AIGC
4.1 從讓機器開口說話開始
4.1.1 18至19世紀的嘗試
4.1.2 20世紀30年代，語音合成技術的萌芽
4.1.3 20世紀50年代，電腦語音合成系統的起源
4.1.4 20世紀末，傳統的語音合成方法
4.1.5 2016年，AIGC打破語音合成技術的發展瓶頸
4.1.6 2017年，語音合成技術迎來研究熱
4.2 音樂類AIGC
4.2.1 從留聲機到個人計算機制作的電子音樂
4.2.2 早期的音樂類AIGC
4.2.3 端到端模型大展身手
4.2.4 歌聲合成
4.2.5 音訊延續
4.3 人聲類AIGC
4.3.1 變聲器
4.3.2 語音助手
4.3.3 有聲內容創作
4.3.4 智慧型電話機器人
4.3.5 教育
4.3.6 無障礙溝通
4.4 聲音類AIGC的未來
4.4.1 業內觀點
4.4.2 聲音類AIGC的局限性和未來展望
第5章 如你所見：圖片類AIGC
5.1 從電腦藝術到演算法模型藝術
5.1.1 20世紀70年代，藝術家的午夜花園
5.1.2 2012年，一次有突破意義的嘗試：貓臉的識別與生成
5.1.3 2014年，GAN模型問世
5.1.4 2017年，夢始於Transformer模型
5.1.5 2021年，文本與圖片進行匹配：CLIP模型和文字提示詞
5.1.6 2020—2022年，圖片生成技術開啟AI繪畫元年：擴散模型
5.2 AI繪畫
5.2.1 主流的AI繪畫工具介紹
5.2.2 生成圖片類AIGC的方式
5.2.3 Prompt片語
5.3 圖片處理
5.3.1 AI修圖
5.3.2 圖片增強
5.3.3 分割摳圖
5.4 圖片類AIGC的衍生應用：AI識圖和AI鑒圖
5.4.1 人臉和人體識別
5.4.2 通用圖片識別
5.4.3 是否由AI繪畫工具創作
5.5 實用、有趣的圖片世界
5.5.1 頭像生成
5.5.2 模擬場景
5.5.3 PPT生成
5.5.4 設計
5.5.5 稿件配圖
5.5.6 更多場景
5.6 圖片類AIGC的未來
5.6.1 局限性和發展預測
5.6.2 怎麼看AI藝術
5.6.3 筆者的一些淺見
第6章 眾所周知，視頻是不能PS的：視頻類AIGC
6.1 視頻生成技術的發展歷程
6.1.1 早期探索
6.1.2 2014—2016年，視頻生成起步：無條件視頻生成
6.1.3 2017年，潘朵拉的魔盒：人像視頻生成
6.1.4 2018—2019年，視頻生成視頻技術的突破
6.1.5 2021年，文本生成視頻技術的發展
6.1.6 2022年，擴散模型進軍視頻生成領域
6.2 視頻生成工具
6.2.1 數位人視頻生成工具
6.2.2 視頻編輯工具
6.2.3 文本生成視頻工具
6.3 視頻生成應用
6.3.1 高清內容生成
6.3.2 快速拆條和視頻摘要生成
6.3.3 場景植入
6.3.4 視訊卡通化
6.3.5 文本生成視頻
6.3.6 數位人視頻生成
6.3.7 人臉視頻生成
6.4 數字人：仿生人與電子羊
6.5 視頻類AIGC的未來
6.5.1 局限性
6.5.2 未來預測
第7章 AIGC的相關產業和生態發展
7.1 晶片：算力決定智力
7.1.1 在AIGC領域中，現在用什麼晶片
7.1.2 隨著AIGC的發展，對晶片會有什麼新的需求
7.2 AIGC展示埠：AR/VR/MR/XR設備
7.2.1 AR設備
7.2.2 VR設備
7.3 模型類AIGC應用在元宇宙裡自動化建模
7.3.1 拍視頻就可以得到模型？基於視頻自動化生成模型
7.3.2 元宇宙版的神筆馬良，基於文本自動化生成三維模型
7.3.3 穿越空間，虛擬直播空間建設
7.3.4 元宇宙的化身——數位人生成技術
7.3.5 把實物帶到元宇宙中，基於三維鐳射掃描設備的文物逆向建模
7.4 AIGC應用的未來
第8章 AI文明的降臨已開啟倒計時
8.1 何謂內容
8.2 AIGC的版權爭議
8.3 普通人的AIGC時代生存建議
8.3.1 生產力工具：“人工” “智慧”=強“打工人”
8.3.2 做AIGC應用的老師，為人類的“群體智慧”做貢獻
8.3.3 向AIGC應用學習邏輯，同時關注創新
後記
1.1 從人工智能到人工智能生成內容
1.2 巨頭如是說
1.2.1 國外“大廠”在AIGC領域的佈局
1.2.2 國內“大廠”在AIGC領域的佈局
1.3 資本狂潮
1.4 異軍突起的獨角獸企業
1.4.1 OpenAI
1.4.2 Stability AI
1.4.3 Scale AI
1.5 行業“大牛”：誰是下一個“約伯斯”
第2章 AIGC相關技術介紹
2.1 規則系統
2.2 變分自編碼器
2.3 生成對抗網路
2.3.1 GAN模型訓練原理
2.3.2 CGAN模型
2.3.3 基於模型架構的衍生
2.3.4 基於損失函數的衍生
2.3.5 圖像生成領域的衍生
2.4 Transformer模型架構
2.5 基於Transformer模型架構的LLM
2.5.1 基於編碼器的LLM
2.5.2 基於解碼器的LLM
2.5.3 基於編碼器和解碼器的LLM
2.5.4 BERT模型與GPT模型對比
2.6 擴散模型
2.6.1 擴散模型原理
2.6.2 DALL?E 2模型
2.6.3 Stable Diffusion模型
2.7 其他模型
2.8 LLM的前景光明
第3章 下筆如有神：文本類AIGC
3.1 何為“智能”
3.2 拆解文本生成技術原理
3.2.1 1950—1970年，NLP初露鋒芒
3.2.2 1980—2010年，NLP的寒冬與機遇並存
3.2.3 2010—2019年，技術迸發與沉澱
3.2.4 2019年至今，AIGC進入尋常百姓家
3.3 文本類AIGC在傳媒場景中的應用
3.3.1 社交媒體文案：Jasper
3.3.2 新聞寫作：Quakebot、CNET
3.3.3 劇本撰寫：海馬輕帆
3.4 文本類AIGC在教育場景中的應用
3.4.1 文章撰寫：EssayGenuis
3.4.2 出題和做題：高校聯合團隊開發的AI程式
3.4.3 青少年教育：Cognii
3.5 文本類AIGC在辦公場景中的應用
3.5.1 搜尋引擎優化：Kafkai
3.5.2 行銷文案：Copysmith
3.5.3 電子郵件：Compose.ai
3.5.4 代碼撰寫：GitHub Copilot
3.6 文本類AIGC的其他熱門場景
3.6.1 AI聊天機器人
3.6.2 AIGC搜尋引擎：Perplexity AI
3.7 萬眾矚目的ChatGPT
3.7.1 ChatGPT是什麼
3.7.2 ChatGPT的海量應用場景
3.7.3 GPT-4模型：截至2023年3月強的AI模型
3.7.4 ChatGPT對普通人意味著什麼
3.8 文本類AIGC的未來
第4章 “聲臨其境”：聲音類AIGC
4.1 從讓機器開口說話開始
4.1.1 18至19世紀的嘗試
4.1.2 20世紀30年代，語音合成技術的萌芽
4.1.3 20世紀50年代，電腦語音合成系統的起源
4.1.4 20世紀末，傳統的語音合成方法
4.1.5 2016年，AIGC打破語音合成技術的發展瓶頸
4.1.6 2017年，語音合成技術迎來研究熱
4.2 音樂類AIGC
4.2.1 從留聲機到個人計算機制作的電子音樂
4.2.2 早期的音樂類AIGC
4.2.3 端到端模型大展身手
4.2.4 歌聲合成
4.2.5 音訊延續
4.3 人聲類AIGC
4.3.1 變聲器
4.3.2 語音助手
4.3.3 有聲內容創作
4.3.4 智慧型電話機器人
4.3.5 教育
4.3.6 無障礙溝通
4.4 聲音類AIGC的未來
4.4.1 業內觀點
4.4.2 聲音類AIGC的局限性和未來展望
第5章 如你所見：圖片類AIGC
5.1 從電腦藝術到演算法模型藝術
5.1.1 20世紀70年代，藝術家的午夜花園
5.1.2 2012年，一次有突破意義的嘗試：貓臉的識別與生成
5.1.3 2014年，GAN模型問世
5.1.4 2017年，夢始於Transformer模型
5.1.5 2021年，文本與圖片進行匹配：CLIP模型和文字提示詞
5.1.6 2020—2022年，圖片生成技術開啟AI繪畫元年：擴散模型
5.2 AI繪畫
5.2.1 主流的AI繪畫工具介紹
5.2.2 生成圖片類AIGC的方式
5.2.3 Prompt片語
5.3 圖片處理
5.3.1 AI修圖
5.3.2 圖片增強
5.3.3 分割摳圖
5.4 圖片類AIGC的衍生應用：AI識圖和AI鑒圖
5.4.1 人臉和人體識別
5.4.2 通用圖片識別
5.4.3 是否由AI繪畫工具創作
5.5 實用、有趣的圖片世界
5.5.1 頭像生成
5.5.2 模擬場景
5.5.3 PPT生成
5.5.4 設計
5.5.5 稿件配圖
5.5.6 更多場景
5.6 圖片類AIGC的未來
5.6.1 局限性和發展預測
5.6.2 怎麼看AI藝術
5.6.3 筆者的一些淺見
第6章 眾所周知，視頻是不能PS的：視頻類AIGC
6.1 視頻生成技術的發展歷程
6.1.1 早期探索
6.1.2 2014—2016年，視頻生成起步：無條件視頻生成
6.1.3 2017年，潘朵拉的魔盒：人像視頻生成
6.1.4 2018—2019年，視頻生成視頻技術的突破
6.1.5 2021年，文本生成視頻技術的發展
6.1.6 2022年，擴散模型進軍視頻生成領域
6.2 視頻生成工具
6.2.1 數位人視頻生成工具
6.2.2 視頻編輯工具
6.2.3 文本生成視頻工具
6.3 視頻生成應用
6.3.1 高清內容生成
6.3.2 快速拆條和視頻摘要生成
6.3.3 場景植入
6.3.4 視訊卡通化
6.3.5 文本生成視頻
6.3.6 數位人視頻生成
6.3.7 人臉視頻生成
6.4 數字人：仿生人與電子羊
6.5 視頻類AIGC的未來
6.5.1 局限性
6.5.2 未來預測
第7章 AIGC的相關產業和生態發展
7.1 晶片：算力決定智力
7.1.1 在AIGC領域中，現在用什麼晶片
7.1.2 隨著AIGC的發展，對晶片會有什麼新的需求
7.2 AIGC展示埠：AR/VR/MR/XR設備
7.2.1 AR設備
7.2.2 VR設備
7.3 模型類AIGC應用在元宇宙裡自動化建模
7.3.1 拍視頻就可以得到模型？基於視頻自動化生成模型
7.3.2 元宇宙版的神筆馬良，基於文本自動化生成三維模型
7.3.3 穿越空間，虛擬直播空間建設
7.3.4 元宇宙的化身——數位人生成技術
7.3.5 把實物帶到元宇宙中，基於三維鐳射掃描設備的文物逆向建模
7.4 AIGC應用的未來
第8章 AI文明的降臨已開啟倒計時
8.1 何謂內容
8.2 AIGC的版權爭議
8.3 普通人的AIGC時代生存建議
8.3.1 生產力工具：“人工” “智慧”=強“打工人”
8.3.2 做AIGC應用的老師，為人類的“群體智慧”做貢獻
8.3.3 向AIGC應用學習邏輯，同時關注創新
後記
|
