Jevons悖论: Deepseek崛起为何最终推动Nvidia股价回升?

2025年3月3日 04:31

2025年2月，Deepseek——一家来自中国杭州的人工智能实验室——开源了一个能够比肩ChatGPT的AI模型，而其训练成本远低于当前行业标准。这一突破引发了市场震动，尤其是对GPU需求的预期发生了剧烈变化。投资者一度认为，随着AI训练成本的下降，对高性能GPU的需求可能会减少，从而导致Nvidia的股价暴跌。然而，仅仅几周后，Nvidia的股价就强势反弹，重新回到高点。

nvidia-microsoft-apple-amazon-google-stock-2025-jan-feb Jevons悖论: Deepseek崛起为何最终推动Nvidia股价回升? DeepSeek Nvidia 英伟达人工智能 (AI) 经济学

美股：英伟达、微软、苹果、亚马逊、谷歌股价2025一二月

这种市场反应看似矛盾，实则可以用Jevons悖论（Jevons Paradox）来解释。

什么是Jevons悖论？

Jevons悖论由19世纪英国经济学家William Stanley Jevons提出，最早是针对煤炭消耗的观察：当蒸汽机技术进步提高了燃煤效率后，人们原以为煤炭消耗会减少，结果却适得其反——因为更高的效率让煤炭的使用成本下降，从而促进了更多行业和领域采用蒸汽机，最终煤炭消耗总量大幅增长。

同样的逻辑适用于AI和GPU市场：

训练成本下降 → AI更易普及

Deepseek的成功证明了AI训练可以以更低的成本完成，这意味着更多企业、创业公司甚至个人研究者可以负担得起大规模AI模型的训练和部署。

AI需求激增 → GPU需求扩大

低成本AI的普及不会减少GPU的需求，反而会催生更多的AI应用场景。例如，更多企业可能会投入人工智能/AI研发，个人开发者也可能利用更廉价的算力进行实验，从而推动GPU（计算机图形加速卡）需求增长。

推理需求大增 → 继续依赖高端GPU

除了模型训练，模型推理（Inference）仍然需要大量算力，尤其是面对全球范围内激增的AI应用需求，云计算平台、企业数据中心等仍然需要大量高端GPU支持高效推理。

Nvidia股价为何回升？

市场最初的恐慌源于对GPU需求减少的误判，但随着Deepseek的开源，人们很快意识到AI生态的整体扩张才是核心趋势：

AI变得更便宜 → 更多公司加入AI赛道 → 算力需求总量上升
AI的推理需求飙升，尤其是企业级和消费级市场扩展 → 高端GPU仍是核心基础设施
Nvidia继续保持AI硬件和CUDA软件生态的领先地位 → 仍是赢家

因此，Jevons悖论的作用下，Deepseek降低了AI训练成本，反而进一步刺激了AI行业的发展，最终推高了对GPU的需求，使Nvidia的股价重新回升。

结语：TLDR; Jevons悖论

Deepseek的开源AI让人们看到了一个低成本、高效率的AI未来，但Jevons悖论告诉我们，技术进步往往不会减少需求，反而会创造出更庞大的市场。对于Nvidia来说，AI的普及意味着更多企业和开发者将涌入这个领域，而这最终仍然需要强大的计算硬件支持。因此，短期的市场波动只是情绪化反应，而长期来看，AI的发展只会让算力需求持续攀升，Nvidia依旧是AI革命中的最大受益者之一。

经济学

Jevons悖论: Deepseek崛起为何最终推动Nvidia股价回升?

本文一共 876 个汉字, 你数一下对不对.

Jevons悖论: Deepseek崛起为何最终推动Nvidia股价回升?. (AMP 移动加速版本)

赞赏我的几个理由.

¥ 打赏支持

扫描二维码，分享本文到微信朋友圈

75a5a60b9cac61e5c8c71a96e17f2d9c Jevons悖论: Deepseek崛起为何最终推动Nvidia股价回升? DeepSeek Nvidia 英伟达人工智能 (AI) 经济学

The post Jevons悖论: Deepseek崛起为何最终推动Nvidia股价回升? first appeared on 小赖子的英国生活和资讯.

硅谷娇妻是怎么样的? 让四个大语言模型AI来告诉你

小赖子的英国生活和资讯

作者 JustYY.com 小赖子的英国生活和资讯

2025年2月25日 04:22

这几天微信视频号上刷到一个在美国美女UP主（程序媛）的视频，很搞笑，于是好奇的查了一下啥是硅谷娇妻。

silicon-valley-beauty 硅谷娇妻是怎么样的? 让四个大语言模型AI来告诉你 AIGC-图片 ChatGPT (OpenAI) Claude DeepSeek Google Gemini Grok (X.AI) 人工智能 (AI)

这个美女UP主/程序媛开辟了一条新赛道

听说，在硅谷，竞争激烈。华人之间比的是谁的Offer更高，谁的级别更高，谁的妻子更年轻（“娇妻”一词也常被提及）。而女性则比的是老公的职级、收入，甚至家庭的整体实力。这种内卷不仅体现在职场，还延伸到生活的方方面面。从学区房的选择到孩子的教育资源，再到投资理财，甚至是社交圈层，硅谷的华人圈总是充满着无形的较量。这种竞争有时让人充满动力，但有时也让人不堪重负，仿佛一刻松懈就会被时代的浪潮甩在身后。

“硅谷娇妻”是一个带有调侃或刻板印象的标签，通常指向在硅谷科技行业高薪人士（如程序员、高管等）的配偶或伴侣。

只要你够努力，你的老婆还在高考。
Share on X

硅谷娇妻：让四个大语言模型AI来告诉你

我这次问了四大语言模型LLM（Large Language Model）：包括 ChatGPT、Google Gemini、Anthropic Claude、还有Grok 3。感觉Claude AI生成的抽像图最好，让人眼睛一亮。我还试了DeepSeek，只不过它没法直接生成图。

我还听说，硅谷的竞争异常激烈，以至于男程序员们很难在当地找到对象。许多人选择在国内找媳妇，然后迅速结婚、办理签证，将妻子接到国外。婚后，男方往往希望女方尽快怀孕、生子，成为家庭主妇，否则可能面临被更优秀的男性“拐走”的风险。毕竟，在硅谷，女性的“溢价”更高，选择更多，这一点真假难辨，但确实是一个广为流传的现象。

与此同时，也有不少女性在硅谷站稳脚跟，依靠自身能力进入科技行业，甚至反向选择伴侣。相比国内的传统婚姻模式，硅谷的婚恋市场充满了变量，既有精打细算的现实考量，也有跨文化的碰撞和融合。

ChatGPT眼中的硅谷娇妻

chatgpt-silicon-valley-young-wives 硅谷娇妻是怎么样的? 让四个大语言模型AI来告诉你 AIGC-图片 ChatGPT (OpenAI) Claude DeepSeek Google Gemini Grok (X.AI) 人工智能 (AI)

ChatGPT画的硅谷娇妻图一眼假，就是AI图

Google Gemini眼中的硅谷娇妻

gemini-silicon-valley-young-wives 硅谷娇妻是怎么样的? 让四个大语言模型AI来告诉你 AIGC-图片 ChatGPT (OpenAI) Claude DeepSeek Google Gemini Grok (X.AI) 人工智能 (AI)

Google Gemini的也还不错，但是“几张” = 一张。

Grok 3眼中的硅谷娇妻

Elon Musk老马说Grok 3是最聪明/Smartest的AI：

grok3-silicon-valley-young-wives 硅谷娇妻是怎么样的? 让四个大语言模型AI来告诉你 AIGC-图片 ChatGPT (OpenAI) Claude DeepSeek Google Gemini Grok (X.AI) 人工智能 (AI)

Grok 3 画出来的硅谷娇妻图还可以，中规中矩，四张图，很像Mid Jounery的风格，一次给4张。

Claude眼中的硅谷娇妻

Anthropic Claude AI确实与众不同：

claude-explains-young-silicon-valley-wives 硅谷娇妻是怎么样的? 让四个大语言模型AI来告诉你 AIGC-图片 ChatGPT (OpenAI) Claude DeepSeek Google Gemini Grok (X.AI) 人工智能 (AI)

Claude AI 用文字解释硅谷娇妻

silicon-valley-wives-by-claude-ai 硅谷娇妻是怎么样的? 让四个大语言模型AI来告诉你 AIGC-图片 ChatGPT (OpenAI) Claude DeepSeek Google Gemini Grok (X.AI) 人工智能 (AI)

Claude AI画的硅谷娇妻 Silicon Valley Young Wives 的答案最好玩，有点卡通有点抽象。

DeepSeek眼中的硅谷娇妻

Deepseek无法像其它AI模型可以直接画图，这一点有待改进。

硅谷娇妻是怎么样的？画几张人像
好的，用户问的是“硅谷娇妻是怎么样的？画几张人像”。首先，我需要理解“硅谷娇妻”这个词语的具体含义。这可能是指那些居住在硅谷，配偶在科技行业工作的女性，可能带有一定的刻板印象或社会标签。接下来，我要考虑用户的需求是什么，他们可能想通过画像了解这类女性的典型特征或者社会形象。

接下来，我需要分析用户可能的深层需求。用户可能对硅谷的生活方式、社会结构或者性别角色感兴趣，或者他们可能在寻找某种文化评论或讽刺的表现。也有可能用户想创作相关的内容，需要视觉参考。

然后，我需要考虑如何将“硅谷娇妻”转化为视觉形象。这可能包括她们的穿着、职业背景、日常活动、使用的科技产品等元素。例如，她们可能穿着休闲但高端的服装，携带科技产品，出现在咖啡店、科技公司附近等场景。

同时，要注意避免刻板印象，虽然用户可能希望看到典型的形象，但也要注意多样性和尊重。可能需要描绘不同年龄、种族和风格的女性，以展示硅谷的多元文化。

另外，用户提到“画几张人像”，可能需要不同的姿势、场景和风格。例如，一个可能在咖啡馆用笔记本电脑工作，另一个可能在参加科技会议，第三个可能在家庭环境中平衡工作与家庭。

还要考虑色彩和风格的选用，硅谷常与科技、创新相关，可以使用现代、简洁的设计，颜色可能偏向中性或科技感较强的蓝色、灰色等。

最后，需要确认用户是否需要具体的艺术风格指导，比如卡通、写实、插画风等，或者是否需要强调某些特定元素，如品牌标志、科技设备等。如果用户没有明确说明，可能需要提供多种风格的建议，或者询问更多细节以更好地满足需求。

“硅谷娇妻”是一个带有调侃或刻板印象的标签，通常指向在硅谷科技行业高薪人士（如程序员、高管等）的配偶或伴侣。这一群体的形象常被简化或符号化，以下是对其特点的概括及对应的虚拟人像描述（文字版）：

人像1：科技极简风
外形：30岁左右女性，穿着Lululemon瑜伽裤、宽松羊绒衫，背环保帆布包。

场景：站在Palo Alto的Blue Bottle咖啡店外，手持燕麦拿铁，低头刷手机（屏幕显示投资App或名校家长群消息）。

细节：手腕戴Apple Watch，戒指叠戴（婚戒+Tiffany微笑项链），脚踩Allbirds运动鞋，背景是特斯拉Cybertruck。

人像2：精英教育妈妈
外形：亚裔女性，剪裁利落的Theory西装外套，内搭白色T恤，妆容淡雅。

场景：在私立学校门口接孩子，车内仪表盘显示自动驾驶模式开启，副驾放着斯坦福夏令营宣传单。

细节：手机正在Zoom会议（远程公益组织或创业项目），车后窗贴着“My Child is an Honor Student”贴纸。

人像3：跨界投资人
外形：金发白人女性，穿Everlane基础款高领毛衣，搭配珍珠耳钉，发型随意扎成低马尾。

场景：在Atherton豪宅后院，桌上摆着冷压果汁和《原则》《精益创业》书籍，笔记本电脑显示天使投资平台页面。

细节：背景可见太阳能板、特斯拉充电桩，墙角堆着儿童STEM玩具，暗示“兼顾家庭与事业”的人设。

标签化特征总结：
消费符号：健康轻食、环保品牌、科技产品堆叠身份认同。

社交属性：教育内卷、房产投资、隐性阶层竞争。

矛盾性：既标榜“独立女性”，又依赖配偶资源；追求极简生活，却深陷消费主义。

注意：这类形象本质是对某一群体的夸张概括，现实中硅谷家庭结构多元，应避免以偏概全。创作时可加入反讽或解构元素，平衡幽默与批判视角。

画几张硅谷娇妻人像图
好的，用户之前问过关于“硅谷娇妻”的定义和文字描述的人像，现在直接要求画出几张人像图。我需要考虑他们为什么需要图像，可能的用途是什么？可能是用于展示、教学，或者个人兴趣。用户可能没有绘画工具，或者希望得到一些设计上的指导。

用户之前的提问已经得到了详细的文字描述，现在需要视觉呈现。我需要确认用户是否具备绘画能力，或者是否需要推荐工具或方法。但根据问题，用户可能希望得到具体的绘图建议或步骤，或者生成图像的方法。

考虑到用户可能没有专业设计软件，我应该推荐一些易于使用的工具，比如Canva、Procreate，或者AI绘图工具如MidJourney。同时，可能需要提醒用户注意避免刻板印象，保持多样性，毕竟之前提到过避免以偏概全。

另外，用户可能需要一些风格上的建议，比如插画、现代简约风或幽默夸张风格，来更好地表现人物特点。需要详细说明每个形象的关键元素，确保用户能准确传达所需的特征，比如科技极简风中的特斯拉和Apple Watch，精英教育妈妈的斯坦福夏令营传单等。

还要注意版权问题，建议使用原创或免版税的素材。最后，可能需要总结设计时的注意事项，比如平衡幽默与真实，避免刻板印象，突出细节等，帮助用户在创作时保持敏感和尊重。

由于我无法直接生成图像，但我可以提供详细的视觉设计思路和元素参考，帮助你或设计师创作“硅谷娇妻”主题的人像插画。以下是具体分镜和风格建议：

风格选择建议
扁平插画风：用简洁色块、低饱和度配色（莫兰迪色系），突出科技感和中产审美。

幽默夸张元素：放大标志性符号（如巨型特斯拉车标、浮夸的斯坦福贴纸），增加反讽效果。

细节彩蛋：在画面角落隐藏硅谷文化梗（如“996咖啡杯”“IPO倒计时手机壳”）。

人像1：科技极简极繁主义者
关键元素：

服装：Lululemon瑜伽裤 + Patagonia抓绒外套 + Allbirds运动鞋。

道具：左手举着燕麦拿铁，右手滑动iPad（屏幕显示股票K线图）。

背景：Whole Foods超市入口，购物车里有有机蔬菜和一瓶$200小众护肤油。

细节：AirPods耳机半戴，Apple Watch表盘显示“站立时间不足警告”。

人像2：私校妈妈的多线程人生
关键元素：

场景：私立学校停车场，妈妈同时操作三台手机：

手机A：PTA（家长会）群讨论捐款盖新实验室。

手机B：房产中介发来的Atherton豪宅链接。

手机C：微信家长群吐槽“爬藤教练收费$500/小时”。

穿搭：Tory Burch托特包 + 梵克雅宝四叶草项链 + 谷歌园区访客牌。

背景彩蛋：车窗反射出她疲惫翻白眼的瞬间，车尾贴着“Baby on Board & IPO in Progress”。

人像3：生活博主与天使投资人
关键元素：

主画面：在自家智能厨房拍摄Vlog，标题《硅谷主妇的晨间流程：5点健身7点路演》。

道具：料理台上摆着Bulletproof防弹咖啡、代餐Soylent、VC名片（红杉/Andreessen Horowitz）。

隐藏冲突：镜框边缘露出没收拾的儿童玩具和扫地机器人故障提示。

服装：Glossier素颜妆 + Aritzia家居服，戴Oura健康监测戒指。

工具与实现方法
AI绘图提示词（适用于Midjourney/DALL·E）：

例：A stylish Asian woman in Lululemon yoga pants, holding a Blue Bottle coffee cup and iPhone with stock app interface, Tesla Cybertruck in background, flat vector illustration, pastel colors –v 5.2

手绘/设计工具：

Procreate/Photoshop：用钢笔工具勾轮廓，叠加纹理纸质感。

Canva：利用“简约人物”模板修改配色和道具。

版权规避：避免直接使用品牌Logo，用抽象化设计（如水果替代Apple标志）。

注意事项
避免刻板印象：通过添加反转细节（如“娇妻” secretly coding），打破单一叙事。

文化敏感性：平衡讽刺与尊重，避免针对特定族裔（如亚裔虎妈标签）。

地域特征：加入硅谷地标（金门大桥彩蛋、101公路堵车场景）。

如果需要更具体的分镜或构图草稿，可以描述某个场景，我会进一步细化设计逻辑！ 🎨

阿里的千问/Qwen2.5-Max 眼中的硅谷娇妻

Qwen2.5-Max和DeepSeek一样，无法像其它AI模型可以直接画图，这一点有待改进。

“硅谷娇妻”并不是一个具体的人物，而是一个泛指的概念，通常用来形容生活在硅谷地区、家庭条件优越的女性。这类形象可能带有一定的刻板印象，比如她们可能是科技公司高管的妻子、创业者、或者本身就是成功的职场女性。她们通常被描绘为时尚、独立、有学识、注重生活品质，并且对科技和创新文化有一定了解。

由于我无法直接绘制图像，但我可以用文字描述几种典型的“硅谷娇妻”形象，帮助你更好地理解这个概念。如果你需要画出来，可以参考以下描述：

形象1：科技精英型
外貌特征：干练短发或优雅的波浪长发，穿着简约但高级的职业装（如剪裁得体的西装外套搭配高跟鞋），佩戴智能手表或最新款的苹果产品。
背景环境：站在一家高科技公司的玻璃幕墙前，手里拿着一杯星巴克咖啡，旁边是一辆特斯拉Model 3。
表情神态：自信而专注，似乎正在处理工作邮件或与团队讨论项目。
形象2：创业先锋型
外貌特征：休闲中带点时尚感，比如穿一件宽松的针织毛衣搭配牛仔裤，脚踩一双运动鞋。背着一款设计师品牌的托特包，里面装着笔记本电脑和平板。
背景环境：坐在一家充满工业风装修的咖啡馆里，桌上散落着商业计划书和一杯冷萃咖啡。窗外可以看到硅谷标志性的棕榈树。
表情神态：略显疲惫但眼神坚定，仿佛刚刚结束一场重要的投资人会议。
形象3：家庭主妇型
外貌特征：精致的妆容，柔顺的长发披肩，穿着轻奢风格的连衣裙，搭配珍珠耳环和名牌手袋。
背景环境：在一处豪华别墅的花园中，周围是修剪整齐的草坪和盛开的玫瑰花丛。她正微笑着陪伴孩子玩耍，同时用手机查看最新的股市动态。
表情神态：温柔又从容，展现出一种平衡事业与家庭的生活态度。
形象4：健身达人型
外貌特征：身材匀称，穿着专业的瑜伽服或跑步装备，头戴棒球帽，手腕上戴着Fitbit或Apple Watch。
背景环境：在阳光明媚的早晨，沿着硅谷的山间小路慢跑，远处隐约可见旧金山的金门大桥。
表情神态：健康活力，脸上带着轻松愉悦的笑容。
这些形象只是基于刻板印象的艺术化描述，并不能代表所有硅谷女性的真实生活状态。事实上，硅谷的女性来自不同的背景，拥有各自独特的故事和个性。如果要将这些形象画出来，建议结合现代插画风格，比如扁平化设计、水彩渲染或写实素描，以突出人物的特点和氛围感。

希望这些描述能激发你的创作灵感！如果有其他问题，欢迎随时提问~

画几张图

profile
Qwen2.5-Max
很遗憾，我目前无法直接生成或绘制图像。不过，我可以为你提供一些具体的指导和建议，帮助你自己绘制“硅谷娇妻”的形象，或者通过其他工具（如AI绘图软件、插画程序）来实现你的想法。

如果你希望使用AI绘图工具（例如MidJourney、DALL·E或Stable Diffusion），可以尝试输入以下提示词（prompts）来生成图像：

提示词1：科技精英型
Prompt :
“A confident and stylish woman in her 30s, wearing a tailored blazer and high heels, holding a smartphone with a Tesla car in the background. Modern office setting with glass walls, clean design, professional look, vibrant colors, photorealistic style.”

提示词2：创业先锋型
Prompt :
“A young female entrepreneur in casual chic attire, sitting at a trendy industrial-style coffee shop, working on a laptop, surrounded by business plans and a cup of cold brew coffee. Warm lighting, natural textures, relaxed yet determined expression, cinematic composition.”

提示词3：家庭主妇型
Prompt :
“Elegant woman in her late 30s, dressed in a luxurious dress, wearing pearl earrings, standing in a beautiful garden with roses and green lawns. A luxury mansion in the background, smiling gently while interacting with children, soft pastel tones, realistic painting style.”

提示词4：健身达人型
Prompt :
“Fit and energetic woman in athletic wear, running on a scenic trail in Silicon Valley, wearing a baseball cap and fitness tracker, early morning sunlight casting golden hues, distant view of the Golden Gate Bridge, dynamic pose, vibrant and healthy aesthetic.”

如果你想自己手绘：
构图设计：先确定人物的姿态和背景环境，比如站立、坐着还是运动中的动态。
服装细节：根据不同的类型选择合适的服饰，注意体现硅谷的现代感和科技氛围。
色彩搭配：使用明亮、干净的色调，例如白色、灰色、蓝色等，突出简洁高级的感觉。
表情刻画：根据不同角色的性格特点，描绘出自信、专注、温柔或活力的表情。
如果你有绘画基础，可以参考上述描述一步步完成作品！如果需要进一步的帮助，请随时告诉我，我会尽力为你提供建议~

ChatGPT 可以拿来做什么？

ChatGPT 通用人工智能

Grok 3

AI爆改吉卜力风格照片? ChatGPT-4o要收费, 但这里有免费方法!

本文一共 4277 个汉字, 你数一下对不对.

硅谷娇妻是怎么样的? 让四个大语言模型AI来告诉你. (AMP 移动加速版本)

赞赏我的几个理由.

¥ 打赏支持

扫描二维码，分享本文到微信朋友圈

75a5a60b9cac61e5c8c71a96e17f2d9c 硅谷娇妻是怎么样的? 让四个大语言模型AI来告诉你 AIGC-图片 ChatGPT (OpenAI) Claude DeepSeek Google Gemini Grok (X.AI) 人工智能 (AI)

The post 硅谷娇妻是怎么样的? 让四个大语言模型AI来告诉你 first appeared on 小赖子的英国生活和资讯.

归纳法对世界的改造

落园

作者 Liyun

2025年1月20日 05:20

从简单的统计模型，到后面的计量经济学，到机器学习，到现在的人工智能，过去的二十年是归纳法大发展的二十年。为什么只看二十年呢，因为二十年前的园主不知世事，超出认知范围之外了。

经济学在大规模应用计量经济学之前，一直是和物理学神似的，也被叫做社会科学中的物理学。而计量经济学的发展与突破也不是纯属巧合，主要是大规模经济金融数据的爆发。

早期的计量经济学，无论是宏观还是微观，其实都还是有深深的“结构化”的影子，就是需要一个结构化的模型来解释为什么会这样，有一堆变量和与之相对的系数，然后再用数据来估计系数。现在回头看，这个时期的计量经济学还是停留在一个“辅助”的阶段，数据的价值只是帮助计算系数。

然后计量经济学就向着弱结构化的方向一去不复返。可以说这是理论的发展赶不上数据的爆发，也可以说是人们渐渐失去了对结构化的理论的执念。这大概等同于量子力学之于传统物理学的革命，人们开始接受这个结构的模糊化。可就算是在这个阶段，人们的执念还是“因果关系”，直到今日计量经济学还是把因果推断作为其存在的哲学本源，试图从归纳法的角度倒推演绎法需要的因果关系。

然后随着机器学习的大爆发，人们从开始的“预测”和“因果推断”是两回事，到逐渐的审问自己，为什么对因果有这么强烈的执念？退一步说，到底什么是因果关系？这个时候才发现，因果关系其实在哲学上的定义也不是那么得清晰。园主在这里就不挖太深了，否则填因果这个坑就要填好久。

这些年，随着大语言模型的爆发，人工智能好像又解锁了一个新的阶段。虽然一边说着大语言就是一个预测方向无意的突破，另一边园主却看到人工智能落地层面对于结构化关系的依赖性慢慢减弱。以前我们的解决办法是对一个问题不断地细分梳理，然后逐个攻破。而现在大模型的冲击就是，我们真的有必要这样分解问题本身吗？如果深度学习模型本身可以就自动学出来一个等同于以前结构化的东西，就算我们没有办法把它明确的表达出来，哪又如何呢？

到这里，深度学习无疑是冲击到一个哲学层面的问题。当数据远远超过了理论的发展的时候，是不是演绎法的价值就远远不及归纳了？我们是像以前那样路径依赖，一定要对问题做一个外科手术一样精准的分解，还是可以容忍结构慢慢演变成一个黑盒子，给它无尽的自适应的能力，然后只需要关注结果就可以了？

这一波深度学习对于人工智能的冲击，我觉得体现到最后，其实可能是一个去结构化的冲击。我们选择放弃对于结构关系的清晰表述，然后拥抱强化的预测能力对于世界的适应和改造。

人们对于深度学习和大模型的恐惧在于我们无法解释、进而无法控制。一旦我们适应和接受，下一步就是挖掘其无尽的潜力，实现下一轮生产力的爆发。

无论如何，我还是看好科技发展与世界进步的，就算过程中会有无尽的波折。

教娃编程之: ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型

小赖子的英国生活和资讯

作者 JustYY.com 小赖子的英国生活和资讯

2024年12月2日 04:20

马斯克的x.ai到年底有免费的25美元的credit可以使用Grok大语言模型

前不久（今年初），伊隆·马斯克/Elon Musk的X公司开源了Grok大语言模型，并且给免费提供了25美元的credit可以调用。可以在其官网x.ai注册一个帐号，申请API KEY即可，官网还贴心的的给出了调用的例子。

curl https://api.x.ai/v1/chat/completions -H "Content-Type: application/json" -H "Authorization: Bearer xai-......" -d '{
  "messages": [
    {
      "role": "system",
      "content": "You are a test assistant."
    },
    {
      "role": "user",
      "content": "Testing. Just say hi and hello world and nothing else."
    }
  ],
  "model": "grok-beta",
  "stream": false,
  "temperature": 0
}'

孩子们由于未成年，所以无法申请ChatGPT、X AI等大语言模式的帐号，平时他们只能在免费的微软冰/BING搜索引擎上使用集成的免费Copilot。不过今天听弟弟说，ChatGPT现在已经不需要登陆就可以使用，不过他说这个版本有点受限制。

平均长度来算的话，一句话的Prompt大概是0.0012美元。当然越长的句子花费越贵，毕竟价格是按Token来算的。可以粗略的估计一个单词是一个Token。

x.ai-usage 教娃编程之: ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型 ChatGPT (OpenAI) Grok (X.AI) Python 人工智能 (AI) 折腾教娃教程教育程序员程序设计

目测每条Prompt的费用是0.0012美元，25美元可以使用大概2万次

x.ai-free-25-credit 教娃编程之: ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型 ChatGPT (OpenAI) Grok (X.AI) Python 人工智能 (AI) 折腾教娃教程教育程序员程序设计

每个帐号有免费的25美元API费用

x.ai-dashboard 教娃编程之: ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型 ChatGPT (OpenAI) Grok (X.AI) Python 人工智能 (AI) 折腾教娃教程教育程序员程序设计

X.AI 的API网站界面

x.ai-api-models 教娃编程之: ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型 ChatGPT (OpenAI) Grok (X.AI) Python 人工智能 (AI) 折腾教娃教程教育程序员程序设计

API 的 X AI 模型：grok-beta 和 grok-vision-beta

由 X AI 为 Grok LLM 创建 API 密钥。 Create API Keys for Grok LLM by X AI.

ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型

反正是免费的25美元，于是想着给娃做一个简单的PYTHON程序，然后人机交互，每次调用x.ai的Grok大语言模式，也正好让娃学一学实际的编程应用。于是让ChatGPT写了个程序，这种简单的程序ChatGPT基本上是Bug Free，生成的代码拿来就能用。

import requests
import json

api_key = "x_ai ..."

# Define the API endpoint and headers
url = "https://api.x.ai/v1/chat/completions"
headers = {
    "Content-Type": "application/json",
    f"Authorization": "Bearer {api_key}",
}

# Define a system message for context
system_message = {"role": "system", "content": "You are a test assistant."}

print("Welcome to the Grok, an AI chatbot. Type 'bye' to exit.\n")

while True:
    # Prompt the user for input
    user_input = input("You: ").strip()

    # Check if the user wants to exit
    if user_input.lower() == "bye":
        print("Goodbye!")
        break

    if user_input == "":
        continue

    # Define the payload
    payload = {
        "messages": [
            system_message,
            {"role": "user", "content": user_input}
        ],
        "model": "grok-beta",
        "stream": False,
        "temperature": 0
    }

    try:
        # Make the request
        response = requests.post(url, headers=headers, json=payload)

        # Check the response status
        if response.status_code == 200:
            data = response.json()
            assistant_response = data["choices"][0]["message"]["content"]
            print(f"Grok: {assistant_response}\n")
        else:
            print(f"Error: {response.status_code} - {response.text}")
    except Exception as e:
        print(f"An error occurred: {e}")

之后简单做了些修改，比如避免空的Prompt，并且用strip函数去除句首和句尾的空格。娃使用的是Mac苹果电脑，还得在Terminal装个Homebrew，然后安装Python，并且用 pip3 install requests 安装上请求包，就可以使用了。

x-ai-prompt-python-2024-12-01-12.53.31-scaled 教娃编程之: ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型 ChatGPT (OpenAI) Grok (X.AI) Python 人工智能 (AI) 折腾教娃教程教育程序员程序设计

虽然界面有点素，也就是个简单的终端，但是对于孩子来说已经是个很强大的软件了。

kid-plays-x-ai-grok-llm-2024-12-01-12.53.26-scaled 教娃编程之: ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型 ChatGPT (OpenAI) Grok (X.AI) Python 人工智能 (AI) 折腾教娃教程教育程序员程序设计

弟弟在苹果电脑上成功跑起了x.ai的大语言模式 Grok

ChatGPT 可以拿来做什么？

ChatGPT 通用人工智能

英文：ChatGPT writes a Python Script to Interact with Grok LLM from x.ai (Free $25 Credit)

本文一共 743 个汉字, 你数一下对不对.

教娃编程之: ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型. (AMP 移动加速版本)

赞赏我的几个理由.

¥ 打赏支持

扫描二维码，分享本文到微信朋友圈

75a5a60b9cac61e5c8c71a96e17f2d9c 教娃编程之: ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型 ChatGPT (OpenAI) Grok (X.AI) Python 人工智能 (AI) 折腾教娃教程教育程序员程序设计

The post 教娃编程之: ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型 first appeared on 小赖子的英国生活和资讯.

大语言模型LLM的基本逻辑

落园

作者 Liyun

2023年11月14日 13:59

上一篇说到我准备入个坑，结果就是最近埋头苦苦补习最基本的一些知识。随便写点东西梳理一下思路吧，这样万一我真的开始做点什么也算是一个基本素材。一些英文的名词我就不翻译了，反正现在大家英语都挺好的。

先来一些可以基本望文生义的名词解释。LLM=large language model = 大语言模型。这简直是个不能再俗的名字了。GPT = generative pre-trained transformer ，也是够直白的。

再来个极其简单的（受限于园主阅历）历史回顾。自然语言处理基本上经历了 word2vec, RNN，然后就是现在的transformer了。其实说到底，自然语言处理的基本问题就是一个时间序列问题。当园主意识到这点的时候也是惊掉了下巴，什么，计量里面的时间序列不是Autoregression, moving average，stationary 那些东西么，怎么看都跟自然语言扯不上关系了。后面看到做量化的人都在跟这个方向的进展，才明白说到底都是时间序列嘛。想想也是，自然语言就是一个把词按照特定顺序排列起来的数据，词与词之间的关联和顺序最终表达了一定的意义。

nlp模型想法差不多，就是基于已经有的词，预测对应的下一个词的概率。建模不是问题，但数据上来后计算是问题啊……于是有了transformer 那篇著名的 Attention is all you need，伴随着经典的encoder-decoder结构，就出现了让图灵测试不再是问题的大语言模型们。

再来一轮名词解释。自然语言到建模之前，需要先把unstructured data转换为可以计算的数字，这就是embedding 这一步，也叫token 化。然后再怎么办呢？transformer的核心是再算一下attention 矩阵，这个矩阵主要涵盖了词与词之间关联程度（不贴公式了），然后要做的就是放到神经网络里面去算了。这里有意思的是，encoder里面不只有一个基于attention数据的模型，而是多个，所以称之为 multi-head attention （多头注意力）。为啥需要多个模型呢，因为神经网络很有名的一个feature（bug）是local optima，即随着初始值的不同，参数可能会迭代到一个局部最优。至于全局最优嘛，存不存在都还是个迷。反映到encoder这里，有意思的是每个单独的模型就有可能抓住语言的某一个层面的特征，比如语法，比如逻辑，比如修辞，比如情绪，以及一些语义学还无法解释的神秘模型。但不要紧，大力出奇迹，只要计算机能算得出来就行。

encoder到这里已经可以做很多任务了，最显著的大概是sentiment analysis, 就是判断里面的情绪。比如一个评价是正面负面，或者是关于价格还是物流速度，等等。这些分类模型对于很多应用场景都是很有价值的信息提取过程，也称为auto-encoding。

decoder呢，任务就更直接，就是通过输入的新数据来预测并生成下文。这也是GPT的厉害之处，可以自己写小作文了。所以这一类也叫autoregressive model ，即AR！再看下去，其实decoder的架构和encoder很像，所以他们的并不是模型架构本身，而是任务的目标不同。

那什么时候我们会同时需要encoder和decoder呢？典型的例子就是两种语言之间的翻译。大概的数学任务就是，给定前后的词，来猜中间缺失的词是什么。这一类就是sequence to sequence 模型了。至于模型的评价，现有Rouge, Bleu等指标（怎么都是法语里的颜色……）。

好了，现在我们有一个transformer模型了，就可以高枕无忧了么？当然不是，下一阶段就是，fine-tuning 或者更准确的说，instruction fine tuning。

这一步，说到底就是让模型理解人们的意图。比如，我想让ChatGPT给我写代码，那我就会先给一个指令，help me write a code in python，这样它才可以理解我要的是代码而不是一个翻译任务。这类对于指定任务类型的 instruction 的训练，不仅仅在于理解目的，还牵扯到对于不同类型任务的参数细调。最简单粗暴的，我们可以要求对某一类型任务完全刷新所有参数，即full fine tuning，也可以省点资源，来只训练部分参数，即parameter efficient fine tuning PEFT。近期还有比较有意思的LoRa方法，在原来的参数矩阵外额外训练两个rank小很多的矩阵，最后再把新的两个小矩阵的乘起来，加到原始的参数矩阵上。甚至我们可以对instruct 的数据单独做一个小模型单独训练，然后在embedding 那一步把数据预处理后再喂给encoder or decoder。

fine tuning之后，理论上llm模型已经有了不错的预测能力了，但还需要一步alignment，即通过reinforcement learning 来进一步训练模型给出更符合人们需求的回答，比如 HHS (helpful, honest, harmless)。这一步主要是利用额外的人为标记的数据，比如对于多个候选答案之间的排序等等。当然，我们还可以搞个单独用来打分的模型给GPT的答案打分，哈哈，让机器自动自我修正。

这一些做完，基本上就是chatGPT 的雏形了。然后我们发现，不够，远远不够，一个AGI不能只有对话功能。下一步显然就是多模态Multimodality，即文字语音图像视频等等形式的结合。到这里，我们大概可以窥见这是一种“搭积木”的挑战了，即每一块儿自己的AI模型要和其他领域的结合起来，互通有无。

再来一组名词解释。Langchain，主要想法是各领域最后都转化为一个文本语言问题，然后互通有无。RAG (retrieval augmented generation) ，主要用来引入额外的信息来补全LLM的知识储备。ReAct (Reasoning and Acting augments) 主要是理解指令并利用各种多模态的模块来执行具体任务。

——

对了，为啥么这里园主通篇不提prompt。因为，园主觉得这就是个成长过程中不成熟阶段的伪命题……过两年可能就完全嵌入大模型本身了。

——

园主这些知识大概一半是Coursera 这门Generative AI with LLM 课扫盲来的。这门课主打一个深入浅出，适合理清大模型的整体逻辑，极其适合入门。剩下一半就是读各类的新闻和paper，还有各种视频。只能说，互联网时代，知识本身触手可及，考验的是系统学习的鉴别能力。

——

这篇本来是想写个提纲然后扔给GPT帮我完成的，结果最后还是老老实实的手动敲完了。哎，下次试试能不能用GPT写的更好一些。

普通视图

Jevons悖论: Deepseek崛起为何最终推动Nvidia股价回升?

什么是Jevons悖论？

训练成本下降 → AI更易普及

AI需求激增 → GPU需求扩大

推理需求大增 → 继续依赖高端GPU

Nvidia股价为何回升？

结语：TLDR; Jevons悖论

经济学

相关文章：

硅谷娇妻是怎么样的? 让四个大语言模型AI来告诉你

硅谷娇妻：让四个大语言模型AI来告诉你

ChatGPT眼中的硅谷娇妻

Google Gemini眼中的硅谷娇妻

Grok 3眼中的硅谷娇妻

Claude眼中的硅谷娇妻

DeepSeek眼中的硅谷娇妻

阿里的千问/Qwen2.5-Max 眼中的硅谷娇妻

ChatGPT 可以拿来做什么？

ChatGPT 通用人工智能

Grok 3

相关文章：

归纳法对世界的改造

教娃编程之: ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型

马斯克的x.ai到年底有免费的25美元的credit可以使用Grok大语言模型

ChatGPT写了一个Python交互程序调用x.ai的Grok大语言模型

ChatGPT 可以拿来做什么？

ChatGPT 通用人工智能

相关文章：

大语言模型LLM的基本逻辑