AI提高做麦速度 第3.5期：视频扣补图，眼睛上色

实测AI生成PPT吊打职场打工人｜打工人自救指南

实测AI生成PPT吊打职场打工人｜打工人自救指南

为什么你的大脑能学得这么快，而机器却学得那么慢？

视频内容简介： 为什么大脑学得又快又准，而人工智能却总要反复试错？这背后藏着一个神秘的秘密。虽然AI现在几乎都靠“反向传播”来训练模型，但科学家发现，大脑其实很可能并不是这么学的。因为这个算法对大脑来说，实在太不“生物友好”了。近年来，一种叫“预测编码”的理论逐渐被关注：它认为大脑是在不停地预测未来的感官输入，只有当预测错了，才会调整内部模型。这个机制不但更符合大脑的工作方式，还可能成为下一代AI的灵感来源。 本视频翻译自： https://www.youtube.com/watch?v=l-OLgbdZ3kk&

什么是解决AI焦虑的必杀技！

喜欢不需要被绑架，热爱就砥砺前行！

技术开源+原生FP8计算：摩尔线程的AI生态突围战

【2025最强AI建筑全流程】Stable Diffusion辅助建筑设计详细教程（附SD安装包插件）一键快速生成你想要的效果图，人人都能成为建筑设计师！

保持良好平台绿色生态，你我有责～ S D 工具 &学习教程 ，评论区

【全熟】关于睡眠的基本知识

https://youtu.be/t8oX3Z9rTqg 轴：openai/whisper+手动调整 翻：chatGPT+手动调整 ------------------------------------- 新人非常贴心地把讲稿贴在了概要栏，无痛烤肉。 主要是想测试一下whisper打轴，所以接下来的视频应该不会烤，如果大家感兴趣可以去概要栏复制讲稿直接给chatGPT或者其他AI翻译，非常准确而且翻的比我好。然后B站也有搬运的生肉，可以配合着看。

AI时代生存指南：人类最后的护城河在哪？以后好像更卷了

有什么疑问请弹幕留言 嗷！别忘了点赞三连

冒死上传！被传疯啦！国外价值799美刀的Comfyui迁移工作流！爆肝3个通宵终于研究透了！丝滑流程！comfyui教程 零基础学AI绘画

工作流留言+灌 分享 UP看到就回 有其他工作

达芬奇 AI 调色新工具！Chroma Warp 精准调色, 局部保护一次学会【达芬奇20新功能】

本期视频将带你一步步了解这个被称为“色彩雕刻刀”的调色功能——Chroma Warp 的使用技巧与强大表现。 ____________________________________________ 💖 支持我的频道💖 如果你觉得我的视频对你有帮助，可以请我喝杯咖啡支持我继续创作！ ☕ 👉 https://buymeacoffee.com/dahui_88 ____________________________________________ ✅ DISCOUNTS ✅  🔹 AEJuice 动画模板 & 插件合集 👉 https://aejuice.com/?ref=dahui 🔹 超值 AEJuice 终身动画资源包 👉 https://aejuice.com/product/i-want-it-all-bundle-lifetime/?ref=dahui 适用于DaVinci Resolve, After Effects, Premiere Pro, Final Cut Pro, Photoshop ____________________________________________ 🔗YouTube：https://www.youtube.com/@Dahui_88 🔗哔哩哔哩：space.bilibili.com/53262681  🔗小红书：大慧DaHui 📮Email: dahui.media@gmail.com ____________________________________________ 💞 如果你觉得这个视频有帮助，欢迎点击 视频下方的“Thanks” 支持我，让我能继续制作更多免费的教学内容！ 💁🏻‍♀️ 别忘了点赞、订阅，并在评论区告诉我你想看到教程内容～ 🎬 感谢观看，下期见！ 🫶🏼 Thanks for watching!

【中字】大脑学习的算法

Artem Kirsanov https://www.youtube.com/watch?v=l-OLgbdZ3kk 这个视频探讨了一个挺有意思的问题：大脑到底是怎么高效学习的？它把大脑的学习机制跟人工智能算法做了个对比。视频里说，反向传播（backpropagation）虽然在AI里特别成功，但跟大脑的工作方式好像基本不兼容，因为它需要分阶段、全局协调，这跟大脑那种连续、并行、局部自主工作的模式很不一样。 视频里提到，预测编码（predictive coding）这个框架在生物学上看起来更合理。这个理论认为，大脑是通过预测感官输入，然后用一个层级模型来最小化预测误差来学习的。视频把预测编码里的计算和学习过程描述成最小化一个总的误差“能量”，这样得出的神经活动和突触权重的更新规则，就更符合我们了解的神经生理学原理。 视频详细解释了预测编码是神经网络里一种能量最小化框架，目标是通过调整神经元活动和突触权重来最小化各层的预测误差。它说，神经元活动会动态地调整，达到一种平衡状态：既要跟上层的预测对得上，又要能准确预测下一层。这个过程有专门的“误差”神经元帮忙。突触权重则是根据局部的预测误差和神经元活动，用一种类似赫布学习（Hebbian-like）的局部规则来更新。视频还提到了“权重传输问题”（weight transport problem），认为局部学习产生的近似对称性就够用了。整个系统在输入固定的情况下，会通过迭代达到一个平衡状态，从而实现学习和表征。视频强调，更新是局部的，由局部预测误差驱动，这是一个关键优势，让它在生物学上更说得通，更容易并行计算，而且可能比反向传播那种全局方法有更好的计算效率。总的来说，预测编码被认为是一个很有说服力的大脑学习模型，对人工智能来说也是一个很有前景的方向。 视频里还推广了Brilliant这个在线学习平台，它提供数学、物理、计算机科学等课程，特别提到了他们的《神经网络入门》课跟视频内容很相关。它鼓励观众去一个特定网址看看，可以享受30天免费试用，购买年度订阅还能打八折。 最后，视频里还有频道惯例的那些行动号召，比如分享、订阅、点赞，并且提了一下接下来会有关于神经科学和机器学习的内容。