EnterAI

About EnterAI

智能赋能 听大牛拆解背后的技术逻辑 助力初创公司 落地智能化应用 一档纯干货的短播客 两位主播均来自北美科技大厂 - “晓晓”, 资深 SaaS 产品经理, 深耕企业数字化赋能十余载 - “老洪”, 全栈 ML 工程师, 专注智能化研究和落地方案设计 他们演绎式的研习讨论和知识分享 - 以不一样的视角来畅想Idea, 用AI 赋能Startup - 探索智能化的前沿技术解决方案. 在这里我们鼓励知识分享, 讨论启发正在创业以及企业深耕的你, 并且持续邀请各行业专家一起来分享知识, 科普前沿科技, 以最真实的AI落地案例为您带来创业灵感, 行业最新技术解读和商业价值应用的精彩探讨~

Publisher

晓晓

Category

technology

Language

zh

Explicit

No

First episode

5 May 2024

Latest episode

12 Jan 2025

Latest episodes

17 episodes in the feed.

1. 

   12 Jan 2025

   EP17 初创公司数据方案|电商数据框架深度揭秘

   经济和效率是否能兼顾？本期我们请到了有多年 初创公司数据 infra 搭建经验的 Jilong 老师和大家一起探讨 “如何选择 并快速搭建一个 适合初创电商 的 数据平台”。不仅要求其能满足电商运营中业务流程和数据分析的需求，更是要符合初创公司多快好省的特点。 访谈中，老洪一如既往地深挖了 “同时兼顾OLTP&OLAP”，“cache 数据一致性”，以及 "机器学习" 相关 热点问题. 讨论有深度，有兴趣的小伙伴千万不能错过了。 03:01: 电商数据应用的快速搭建 05:30: SQL数据库+数据中台作为高并发的解决方案 07:10: 举例说明电商用户的典型数据使用场景以及数据存储的优化目标 12:20: 举例 假想电商 “拼夕夕” 的数据infra (简单 OLTP and OLAP) 14:40: Cache layer 对数据更新实时性的影响 18:30: 如何更省钱地 scale up 数据 infra 23:00: 如何让 OLAP 数据库对 OLAP 友好 26:26: 销售预测，用户分析等数据库的构架优化 27:16: 存算分离主导 的 OLAP 框架 35:00: Orchestration, 增量计算等一些细节问题 40:00: 适合初创公司的云服务选项（databrick， serverless） 43:28: databrick 套餐 vs 云厂商 原生套餐 的 对比 48:10: 构建抽象层的重要性 50:30: 机器学习处理系统的选择

2. 

   7 Jan 2025

   EP16 为何用户画像没有用/快速联系到真实用户

   经典的用户画像是否真的能打, 还是纸上谈兵? 为何数据建模更能帮你联系到真实的用户. 这期我们来深入探讨用户画像的自动化之路, 欢迎小伙伴留言互动提问, 谢谢大家~ Timeline 00:40 什么是用户画像建模 01:25用户画像解决什么问题 02:15用户画像不实用的根本原因 如何联系到真实用户: 映射用户画像模型到真实用户: 隐私数据阻碍真实数据收集 03:05传统用户画像的唯一用处是: 产品设计时候的共情 04:50通过用户画像来共情的风险:先验经验产生的偏见 07:07用户画像的正确打开方式 - 用已收集的数据来进行用户画像建模, 而非凭空想象 08:15 跳过用户画像来直接建立数据模型 08:37 举例1广告推荐: 数据进行隐式用户画像建模 09:15 举例2:相似产品 相似用户群体的隐私

3. 

   10 Nov 2024

   EP15 [老洪答疑]从图片到视频, 从扩散到流匹配算法

   解析困扰大家的Meta Movie Gen10大技术难点 Meta“最强视频模型”不用DiT这个观点是有误区的? 为何工业界, 大家越来越多用流匹配而不是diffusion生成视频或图像? 这套媒体基础模型平台的发展对未来内容创作可能产生什么影响? 对Meta Movie Gen里那些高冷的技术难点细节感兴趣的朋友们, 本期我们汇总了十余个技术问题(FAQ), 来请老洪深入浅出的逐个击破, 带着你们一起揭开Movie Gen神秘的面纱. 感谢大伙儿的喜欢和关注! 对于Movie Gen还有什么想了解的, 有疑问的, 随时可以在评论区留言, 我们会尽量给你们解答~ Timeline 00:25 Movie Gen需要的大量训练数据从何而来? 01:58 MovieGen 是怎么进行过滤和清理数据? 02:49 误区解析: "Meta“最强视频模型”不用DiT，用Llama大力出奇迹了 03:26 MovieGen使用的流匹配技术和传统的Diffusion技术, 谁优谁劣? 04:54 大力出奇迹的功劳? 05:33 Meta如何将流匹配技术与Llama架构结合,以提升视频生成质量？流匹配相比扩散模型在视频生成中的具体优势劣势如何 06:57 如何优化流匹配算法以适应视频生成任务的特殊需求的? 09:15 流匹配如何改善了视频生成中的文本-视觉对齐问题? 11:36 在多阶段训练过程中,流匹配技术在不同阶段(如T2I、低分辨率T2V、高分辨率T2V)的表现有何差异? 12:48 对未来内容创作可能产生什么影响?

4. 

   26 Oct 2024

   EP14 电影制作的未来: Meta Movie Gen全能生成王,开源论文解读

   真正的AI主播上线啦 想必关注生成AI的小伙伴都看到Meta Movie Gen的Demo了吧。即便Sora已经给了大家足够的预期，但这次Meta作为视频生成界杀出来的黑马, 亮剑即绝招. 全能生成王—视频音频文武全能, 效果直接炸街. 本期节目与GoogleAI(NotebookLM)的主播一起初步探索Movie Gen, 通过速览Meta开源的90多页论文,简单介绍其中包含的四大模型. 涵盖了MovieGen使用的创新训练方法; 如何利用反向学习巧妙地进行人工合成数据训练以及个性化视频功能的工作原理及其带来的新可能性等细节探讨. 这是我们首次引入AI辅助制作节目, 一方面实践一直倡导的利用AI提升生产力的理念, 也同时在探索合适的ML技术论文解读形势。另外, 小小预告下, 我们在筹备一期Movie Gen深入解析的话题, 欢迎大家留言反馈你想了解的技术问题，我们会在后续节目中努力为大家安排。 再次感谢你们的喜欢和关注! Timeline 2:02 30B参数的视频模型: 背后的强大资源支持, 效果拉满 (高达1080p分辨率、最长16秒、帧率16fps的高保真视频) 03:18TAE(Temporal Autoencoder)扮演了什么角色? 它是如何压缩大量高清视觉数据, 提高数据处理效率? 06:06个性化视频定制模型: 如何解决Movie Gen视频生成过程中出现小瑕疵的问题? 动态内容创作中改如何确保生成的人脸动作和表情看起来自然逼真呢 08:52文字指令编辑视频模型: 如何通过"反向学习"来训练AI进行视频编辑 11:03如何评估Movie Gen的性能优势, 评估者主要关注哪些方面? 13:45音频模型: 相比传统的音效库,Movie Gen Audio在音频生成方面有何创新? 15:27对未来内容创作可能产生什么影响? Reference MovieGen demo: Meta Movie Gen (https://ai.meta.com/research/movie-gen/) 原论文: https://ai.meta.com/static-resource/movie-gen-research-paper Google AI Podcast: notebooklm.google.com (https://notebooklm.google.com/) 论文解读音频: notebooklm.google.com (https://notebooklm.google.com/notebook/14b5d8d6-0c90-431c-bdd4-def8974a76d3/audio) (大家听到的外文主播, 真正AI生成的论文解读! 有没有被惊艳到呀)

5. 

   14 Oct 2024

   EP13 很快会有超级智能吗?The Intelligence Age:读后感

   这期和大家闲聊一下超级智能, 读奥特曼的小作文后引发的小思考. 一起来了解AGI（通用人工智能）和ASI（超级人工智能）的基本定义，探索其跨领域学习能力及与人类智能的相似性。并通过分析了推动其发展的“ScalingLaw”（扩展定律）, 深入思考了AGI可能在未来3-5年内实现的可能性. 虽然AGI可能会取代部分工作，但利用AI提升工作效率或与AI协作可能成为未来的竞争优势。最后也聊了聊大家最关心的是否会失业的我问题, 看看AGI对就业的潜在影响，并探讨了AI时代的两条可能路径：一是人类进入“乌托邦”式的自由生活，二是面临失去经济自主权的风险。 00:51 通俗理解AGI 03:11 AGI真的会来临吗? 04:05奥特曼预言即将进入超级智能时代的关键依据, 这个说法浮夸了吗 05:23Scalling law失效的几种可能因素 06:44超级智能时代下, 我们会失去工作吗 08:05如何不让自己被进一步优化: 09:18人类经济活动被人工智能完全取代不一定是坏事?

6. 

   29 Sept 2024

   EP12 代码编辑器Cursor五倍速做旅行计划,剖析Cursor运行机制

   Cursor集成式的编辑体验是怎样的?从Cursor看与AI协作新范式 本期播客我们从下几点来深入探讨Cursor AI这款智能编程助手~ Cursor集成式的编辑体验 实际案例演示:如何辅助旅游规划 与AI协作的新范式: 对创作者以及下一代AI的影响 Timeline: 00:42 Cursor的特点和体验分享 02:28 如何使用Cursor来做旅行计划 04:25 内容修正+定制化的审稿互动 05:33 Apply(功能): 可在原文直接将LLM生成的内容进行选择性对比审查 06:32 用Cursor定制planning的三大类操作步骤和体验分享 08:56 其余的功能:RAG提供实时信息+版本控制 09:59 Cursor启示:今后AI发展有哪些可能

7. 

   18 Sept 2024

   EP11 [深度答疑]听完比90%的人更了解OpenAI O1的技术

   “还能看到GPT5吗?O1在推理过程中有实时搜索吗? 是否代表了一个全新的训练方向?” 收集了7个挺有意义的O1问题, 并第一次尝试录制FAQ来深入解答这些疑惑。希望通过这期播客能帮助大家更好地理解O1模型. 如果小伙伴们有任何新的问题或想法, 以及这种FAQ的形式是否有帮助, 随时可以在评论区留言告诉我们呀~ Timeline 03:20 O1模型用来做数据反哺, 是否可行 05:00 O1是否代表了一个全新的训练方向? 是否有可能取代GPT系列? 我们还能看不到GPT5吗 06:14 O1使用的强化学习RL与之前训练ChatGPT的RLHF有何异同, 这次有什么新创新 07:43 O1模的出现会被prompt engineer彻底取代, 未来应用种人工设计Prompt的角色会如何变化 08:43 O1的COT和传统的COT(思维链)有啥区别, 有很多怀疑说O1只是特化了Agent/不会是4O微调的agent吧 11:09 O1在推理过程中是否真正实现了(inference time search)实时搜索, 如果是, 具体是如何实现的 14:21 相比之前的模型,O1在减少幻觉方面有改进 相关概念以及定义: System 1 vs System 2 System 1:快速、直觉的思考方式,类似大多数语言模型的直接输出 System 2:慢速、深度的思考方式,O1模型采用的方法,会生成内部思维链 数据反哺 利用模型生成的数据来增强训练数据集,从而提高模型性能的技术 强化学习(Reinforcement Learning, RL) 一种机器学习方法,通过与环境交互并从反馈中学习,以最大化累积奖励 RLHF (Reinforcement Learning from Human Feedback) 利用人类反馈来指导强化学习过程的方法,通常用于训练语言模型 Prompt Engineering 设计和优化输入提示,以引导AI模型产生期望输出的技术 COT (Chain of Thought) 一种推理技术,让模型逐步展示解决问题的思考过程,而不是直接给出答案 Inference Time Search 在模型推理过程中实时进行搜索或优化的技术,用于提高输出质量 蒙特卡洛树搜索(Monte Carlo Tree Search) 是一种用于某些决策过程的启发式搜索算法,最著名的应用是在棋类游戏软件中 幻觉(Hallucination) AI模型生成看似合理但实际上不准确或虚构的信息的现象

8. 

   16 Sept 2024

   EP10 OpenA1 O1草莓模型会带来哪些LLM的技术革新?

   新发布的O1模型是否和大家之前的预期相符, 惊喜还是失望更多? OpenAI备受期待的"草莓模型"以新命名O系列霸气亮相, 一改连基本算数都搞不明白的文科生, 腰身在数学,科学, 编程等领域展现出令人惊艳的理科思维, 妥妥理科学霸! 作为‘推理’模型的首个代表, 官网宣称O1的在处理复杂推理任务的重大进步, 代表了人工智能的新水平, 各大媒体相继称其开启了大模型的新纪元. 本期话题以纯技术主题的知识分享, 带大家一起去了解O1系列是技术新突破, 还是新瓶装老酒. Timeline 00:58 对O1模型的两个直观感受 04:41 纠正观点: O1达到博士生水平了? 05:38 O1的发布有哪些更加深远的意义和本质影响 06:33 O1的两点小启发: * 让AI模型通过思维链走向"理科生"的新道路 * 后训练的scaling law为模型self evolution奠定基础 09:49 强化学习并不能解决所有的幻觉问题 PS: 小伙伴们, 我们加更啦~ 借着横空出世的O1, 提前祝大家中秋节快乐~ 也特此感谢大家的关注, 我们接下来也会出一系列关于O1的有趣话题, 尽情期待~

9. 

   15 Sept 2024

   EP09 AI搜索就是RAG?深挖估值30亿的独角兽Perplexity的底层逻辑

   你们是否也好奇AI搜索引擎的背后技术?坊间传闻500行代码搞定的核心技术, Perplexity有何魅力可以估值30亿美金? 它的运行速度为何能够如此快速地回答问题? 这一期我们会带领大家一起深入揭秘AI搜索的前沿技术和未来发展. 通过对市面上的AI搜索引擎调研的结果分享, 为你硬核拆解这些技术难点. 一起畅想AI搜索的未来,并探讨它对独立开发者的影响, 究竟AI搜索结合社区模式会擦出怎样的火花呢? 00:39Perplexity区别ChatGPT之处: 联网以及兼容多种模型 02:28坊间说核心技术仅需500行代码? 作为市值30亿的公司, 它技术是否有过人之处? 03:15除了RAG的其余技术突破: AI解答问题的基本步骤 06:02通过用户交互来优化最终生成的答案 07:03当前技术发展的整体水平, 突破和瓶颈 08:20同类产品的测评比较: Perplexity很快但仍没有实时的信息 10:01Perplexity不错的数学计算能力, (Meta AI (llama3.1-400b) 最牛) 11:31提升数学运算效率：KV Cache技术应用提高吞吐速度 13:04搜索的终极形式和未来体验是什么, 对于独立开发者意味什么 15:17AI搜索+社区模式的一点看法, AI知乎是否有前途

10. 

    7 Sept 2024

    EP08 [避坑系列]你用AI做副业赚钱了吗?求解AIGC副业的盈亏

    用AI做副业真的能赚到钱吗? 这一期,晓晓和老洪将为大家深入分析用AI进行副业赚钱的可行性, 并教你从本质上如何判定一个行业是否能赚钱! 通过数据分析和理论实验,我们详细探讨了两种主要的AI赚钱方式:流量账号变现和贩售AI生成的产品或服务。重点关注普通人在这些领域中获得可持续收入的可能性以及AI副业的市场前景。 此外,本期节目还对产品市场匹配PMF, 进行了实际应用和演练。内容丰富,干货满满, 欢迎大家的收听并在节目下方留言提问, 加入我们的讨论~ Timeline 00:17 普通人, 通过AI副业赚钱是否可行？ 00:27 定义副业赚钱的标准：每天收入100元，月收入3000元 01:20 两种AI赚钱方式：流量账号变现与贩售AI产生的产品/服务 01:56 复习上一期的学习内容: 用产品市场匹配（PMF）框架来分析AI副业的市场情况 03:31 实验方法以及实验对象的选取: 同类推测? 04:30 实验假设1&结论: 前20%的流量账号的数据观察分析 04:38 实验假设2&结论: 前20%的力流量账号是否可以match之前预估的月入3K标准 06:40 假设1已打破, 那前3%是否能赚到3K呢? 07:28 为何只看到近几个月的新账户? (头部玩家的游戏且收入可持续性稳定不足) 08:49 结论: AI副业可能实现小额收益，但难以达到理想收入 09:03 AI生成图和头像的市场收益情况

11. 

    21 Aug 2024

    EP07 聊聊PMF的核心,它真的不能拿着锤子找钉子吗

    创业早期唯一重要的事情—产品市场匹配（PMF） 本期博客,我们将带领大家深入学习产品市场匹配（PMF），也是创业早期至关重要的环节。我们探讨了红杉资本的一篇经典文章，并原创总结出了一个简单易懂的需求/产品四象限模型，帮助大家更好地理解市场需求与产品的契合度。此外帮助理解,也涵盖了科技产品领域的多个实际案例，深入分析了PMF的应用，帮助大家在创业路上少走弯路。 时间线： 00:10 - 产品市场匹配（PMF）的基本概念 00:11 - 常见的失败原因（为何找不到PMF） 00:25 - PMF是否等同于市场需求分析？ 01:05 - 红杉资本文章解析：《The Ark Product Market Fit Framework》 01:21 - 三种基本原型分析：01:31 - Hair On Fire 紧急需求：技术壁垒与差异化竞争的关键 02:42 - Hard Fact：非刚需产品，需改变用户习惯 03:19 - Future Vision：未来愿景，科幻小说般功能，案例分析iPhone和特斯拉 04:00 - 市场需求与产品的四象限分析模型（原创分享）04:29 - 现有产品，已有需求：取胜关键在于差异化竞争 05:27 - 明确需求与愿景产品，案例分析：特斯拉的FSD 06:25 - Unrealized需求与已有产品：教育用户的重要性 07:45 - AI产品属于哪一类？探索AI产品的PMF策略 09:16 - 为什么“拿着锤子找钉子”是AI初创公司唯一有效的市场策略？ 其余reference: The Arc Product-Market Fit Framework | Sequoia Capital (https://www.sequoiacap.com/article/pmf-framework/)

12. 

    5 Aug 2024

    EP06 产品设计的脑洞清单:被忽略的微信功能创意碰撞

    这期节目详细讨论了微信在人脉管理功能上的潜在市场和商业动机.从市场和产品的角度切入，带领大家一起体验一次商业产品设计(peer design), 并系统性地设计出一款能够简化小微企业主和个体经营者人脉管理流程的解决方案. 00:10微信忽略了的微小企业以及个体经营者用户覆盖需求 01:09人脉管理功能的市场需求和痛点 01:23 可能的盈利模式 02:43 功能模块设想: 联系人信息共享、用户资料管理和日历任务提醒。 03:45 联系人整合:微信和LinkedIn的联系人信息资料互享, 如何解决Graph Conflation 05:23 用户资料管理:快速搜索和自动对联系人进行分类分组 08:03 互动和通知:推送通知和生成式AI功能增强用户互动

13. 

    16 Jun 2024

    EP05 编辑语音可以如文本编辑一样简单轻松吗

    想象一下如果能够通过编辑文本的形式，直接编辑语音内容，让语音视频的编辑自动根据文本完成, 这是不是众多剪辑者的理想场景? 对, 现如今语音编辑技术实现这个功能完全不在话下, 它将使音视频编辑变得更加简单高效，极大提升创作者的体验。 我们这一期节目详细介绍语音编辑的现阶段能力,实现原理以及难点突破~ 欢迎小伙伴们收听,订阅我们的频道, 跟着我们一起了解这个创新如何改变音频剪辑的游戏规则 00:08 语音可以像文字一样随意编辑的吗 02:31 生成相似音色难度和声音克隆谁的更大 05:51 Transformer的填充词检测 08:56 如何进行填充词的检测 12:25 如何处理音调的变换和统一 16:03 替换语音的过程如何保证对话的流畅和自然

14. 

    16 Jun 2024

    EP04 为何软件大厂CICD钟爱持续集成持续交付

    欢迎收听本期播客！今天我们来聊聊持续集成和持续交付CI/CD 从繁琐耗时的手动测试部署,到CICD带来的快速集成，我们会揭示CI/CD如何加速上线、减少错误，并大大提升团队协作的效率. 这期节目都将带你了解CI/CD的关键优势，以及如何在自己的项目中成功实施. 感谢大家的聆听, 也欢迎在留言区和我们继续探讨和提问. 01:29 持续集成和持续交付的最大特点 02:44 持续集成/交付的挑战和风险把控 04:09: 什么是回滚机制？它在CI/CD中有多重要 05:48 降低CI/CD风险的-从单元测试到集成测试 07:55 如何帮助不同企业自我定位CICID的需求 08:17 CI/CD的重要性 13:10 使用Kubernetes和CI/CD的区别‘ 15:00 利用 AI 提高 CI/CD Pipeline效率 18:06 AI 在CI/CD的应用

15. 

    12 Jun 2024

    EP03 声音克隆的初探索

    你是否曾想过，如果能够复制某位名人的声音，会是怎样的体验？或者，你是否好奇声音克隆在科技、艺术和娱乐领域的应用？本期播客深入讨论了声音克隆(Voice Cloning)的基本原理和技术实现细节,我们将深入探讨声音克隆技术的奥秘。别担心，我们会为你揭开这个神秘面纱。 0:39 什么是声音克隆 3:00 声音克隆的原理和技术 6:20 个性化声音 (声学模型的妙用) 7:30 高质量的音源 预处理和预判断 8:55 语音克隆技术将如何处理语音语调韵律的变化 12:58 不同声学模型的不同表达力的差异 14:30 如何弥补训练数据不足 16:56 如何解决口语化的声音合成 19:25 虚拟歌手 AI孙燕姿的技术解读和思考

16. 

    28 May 2024

    EP02 深入了解流处理的力量

    本期主题是流处理 Stream Processing, 我们很荣幸的邀请到了Brook, 一线科技大厂Software Engineer Manager, 一起探讨流处理与传统批处理 Batch Processing的区别、应用场景以及主流数据处理引擎的分享讨论. 欢迎大家参与留言或者踊跃提问, 一起加入我们的讨论~ 0:35 流处理的概念及其相对传统批处理的实时性优势 2:16 详细探讨流处理在处理非结构化数据中的应用 3:27 比较流处理和传统批处理的实际应用场景 4:42 流处理的应用: 优化广告展示 6:10 为何流处理可以适应分布式系统并行化的优势特点 9:20 流处理在大企业和大数据处理中的重要性 11:17 热点话题 Trending Topic的流处理应用 15:18 企业报告下载数据总量的限制 21:05 数据处理引擎 Spark和Flink

17. 

    5 May 2024

    EP01 数据会被大模型用完吗

    欢迎和我们一起EnterAI! 在本期中，我们探讨了一个非常有趣的话题：大型模型学习面临的数据即将用尽的我们何去何从? 我们从大语言模型出现之前 AI 学习的预处理标注开始，逐步深入到 AI 模拟进行的自监督式学习，以及 AI 是否能像人类一样产生智能的探讨。我们还探讨了 AI 到底能够学习多少内容，以及自监督式学习所涵盖的知识和理解能力。同时我们还分享了一些关于如何提高预训练数据利用效率的方法，并讨论了准备训练数据教材时可能遇到的难题。最后，我们探讨了如何加强模型对长距离依赖学习和深层次模式识别的能力，以及生成合成数据的可行性和挑战。 不要错过这一期内容丰富、引人深思的讨论！我们也期待听到您的想法和见解，欢迎留言分享您的想法、提出问题或者分享您的经验。感谢您的收听! 01:30大语言模型出现前AI学习需要预处理标注 05:59AI模拟进行自监督式学习 07:39AI是否能像人类一样产生智能 10:39AI到底可以学习多少内容 11:21AI自监督式能学会的是什么(知识和理解能力) 13:08训练数据遇到瓶颈的担心是不必要的 15:00通过提高数据的质量来帮助模型更好的理解 20:46如何加强预训练的数据利用效率 21:04准备训练数据教材:又易到难 22:46提高模型对于长距离的依赖学习和深层次模式的识别 28:44提升模型的抽象学习能力 27:46生成合成数据的可行性如何,挑战是什么

Reach and audience

Public platform figures. Ratings count people who left a rating, not total listeners.

Apple Podcasts (US)

5.0 / 5

1 ratings

Contact EnterAI

Guest appearances

Does not typically book guests

Based on episode analysis; this does not confirm that the show is currently accepting guests.