自然語言生成的案例
人工智能 |自然語言生成
?
人工智能 |自然語言生成
人工智能，定義為機器表現出的智能，在當今社會有許多應用。它應用最廣泛的應用之一是自然語言生成。
什么是自然語言生成 （NLG）？
自然語言生成 （NLG） 簡單地意味著從計算機數據生成文本。它充當翻譯并將計算機化數據轉換為自然語言表示。在這種情況下，根據收集的數據和用戶提供的輸入生成結論或文本。它是從機器表示系統生成自然語言的自然語言處理任務。自然語言生成在某種程度上與自然語言理解相反。在自然語言理解中，系統需要消除輸入句子的歧義以產生機器表示語言，而在自然語言生成中，系統需要決定如何將概念轉化為文字。
生成文本的過程可以像保留復制和粘貼的現成文本列表一樣簡單。在簡單的應用程序中，例如星座運勢機或個性化商業信函的生成器，后果可能是令人滿意的。但是，需要一個復雜的 NLG 系統來包括規劃和合并信息的各個階段，以生成看起來自然且不會變得重復的文本。
簡單 NLG 系統的一個例子是 Pollen Forecast for Scotland 系統，它本質上可以是一個模板。NLG 系統以六個數字作為輸入，這些數字預測蘇格蘭不同地區的花粉水平。根據這些數字，系統生成花粉水平的簡短文本摘要作為其輸出。
例如，使用 2005 年 7 月 1 日的歷史數據，該軟件生成了星期五的草花粉水平已從昨天的中等水平增加到高水平，該國大部分地區的值約為 6 到 7。然而，在北部地區，花粉水平將是中等的，值為 4。
展開 自然語言處理（NLP）的歷史及其發展方向
自然語言處理 (NLP) 的局限性是什么？
其中之一是改進交互式對話系統中的自然語言處理，其中包括基于知識的對話和對話代理，例如 Siri 或 Alexa —— 我們每天使用的這些助手。然而，在它們能夠像人類一樣做出反應之前，還有很長的路要走。
另一個限制是，大多數機器學習算法并不打算用于聊天機器人等實時情況，而是用于離線處理具有大量輸入變量和訓練數據集的數據集 —— 這意味著仍然沒有辦法預測未來事件或每種可能的情況。
我們想通過自然語言處理 (NLP) 實現什么？
科學家們希望創建能夠理解句子的含義和意圖的算法，并且盡可能少地使用單詞。他們打算創建一套算法，能夠掌握句子的含義和意圖，以便從中提取信息。這就是為什么我們想要通過自然語言處理實現的目標仍然沒有限制，只要它支持人類日常生活中的活動。他們說，開發 NLP 對日常生活中的人類有很大幫助。NLP 的發展背后有一些威脅，但也有很多機會。
自然語言處理幫助人們在日常生活中更流利地說話和閱讀，并讓他們打字的速度比在鍵盤上寫句子的速度更快。但主要威脅之一是，一些專家表示，開發自然語言處理將使人類失業，因為他們將被機器取代。
然而，也有人說自然語言處理會給人類帶來前所未有的新工作和機會，因為它太復雜了。
展開 [譯] 自然語言處理真是有趣！
原文作者：Adam Geitgey
譯文出自：掘金翻譯計劃
本文永久鏈接：github.com/xitu/gold-m…
譯者：lihanxiang
校對者：FesonX、leviding、sakila1012
計算機如何理解人類的語言
計算機擅長處理結構化的數據，像電子表格和數據庫表之類的。但是我們人類的日常溝通是用詞匯來表達的，而不是表格，對計算機而言，這真是件棘手的事。
遺憾的是，我們并不是生活在處處都是結構化數據的時代。
這個世界上的許多信息都是非結構化的 —— 不僅僅是英語或者其他人類語言的原始文本。我們該如何讓一臺計算機去理解這些非結構化的文本并且從中提取信息呢？
自然語言處理，簡稱 NLP，是人工智能領域的一個子集，目的是為了讓計算機理解并處理人類語言。讓我們來看看 NLP 是如何工作的，并且學習一下如何用 Python 寫出能夠從原始文本中提取信息的程序。
注意：如果你不關心 NLP 是如何工作的，只想剪切和粘貼一些代碼，直接跳過至“用 Python 處理 NLP 管道”部分。
計算機能理解語言嗎？
自從計算機誕生以來，程序員們就一直嘗試去寫出能夠理解像英語這樣的語言的程序。這其中的原因顯而易見 —— 幾千年來，人類都是用寫的方式來記錄事件，如果計算機能夠讀取并理解這些數據將會對人類大有好處。
目前，計算機還不能像人類那樣完全了解英語 —— 但它們已經能做許多事了！在某些特定領域，你能用 NLP 做到的事看上去就像魔法一樣。將 NLP 技術應用到你的項目上能夠為你節約大量時間。
展開 基于python的神經網絡在圖像識別和自然語言處理上的應用
隨著計算機算力的不斷增長，基于機器學習（神經網絡）的方法成為了自然語言處理以及計算機圖像識別的新范式。在自然語言處理方面，RNN、LSTM等方法能夠有效提取語言之間的前后順序和相互關系，在機器翻譯、語言生成等任務取得了非常好的效果。在圖像識別、圖像檢測等方面，CNN等方法能夠有效提取圖像之中的模式，刷新了傳統圖像識別方法的效果。
針對自然語言處理（NLP），最常用的是長短期記憶網絡，通常被稱為 LSTM，是一種特殊的 RNN，能夠學習長期依賴性。LSTM 的關鍵是細胞狀態，細胞狀態有點像傳送帶。它貫穿整個鏈條，只有一些次要的線性作用。信息很容易以不變的方式流過。圖示如下所示：
根據常用數據集，通過編程實現，這里通常使用pytorch進行實現，部分代碼如下所示：
訓練過程中，loss不斷降低，如下圖所示：
可以看出啦，與RNN相比，LSTM的loss值更低，能夠有效有效處理長序列等類型的數據，廣泛應用在機器翻譯，語言生成等方面的應用。
在圖像處理方面，最常用的是卷積神經網絡（CNN），它受到人類視覺神經系統的啟發。能夠有效的將大數據量的圖片降維成小數據量、能夠有效的保留圖片特征，符合圖片處理的原則。普通卷積神經網絡如下所示：
同樣編程實現，部分代碼如下所示：
在訓練過程中可以得到以下結果：
可以看出，訓練過程中，loss值不斷下降，圖像識別率不斷上升，進一步對結果進行可視化，可以加深對卷積神經網絡的理解。首先對卷積神經網絡學習到的權重進行可視化，可以得到如下圖像：
不難看出，卷積神經網絡能夠準確識別出物體，并賦以較高的權重，以影響識別結果。目前卷積神經網絡已廣泛應用于圖片分類、檢索、目標定位檢測等領域。
由以上結果可以看出，神經網絡逐漸成為了人工智能的代名詞，并在各個領域中取得良好的結果。
展開 
使用大型語言模型（LLMs）、檢索增強生成（RAG） ￥5
- 視頻格式：MP4 | 視頻編碼：h264，分辨率1920×1080 | 音頻編碼：AAC，采樣率44.1 KHz，雙聲道
- 語言：英語 | 時長：6小時08分鐘 | 大小：3.38 GB
- 課程簡介：使用大型語言模型（LLMs）、檢索增強生成（RAG）、智能體和全棧工程實踐，構建可投入生產的生成式人工智能系統。
- 學習內容：
- 設計和構建基于大型語言模型（LLMs）、Transformer、嵌入技術和現代AI架構的可投入生產的生成式AI系統。
- 實現檢索增強生成（RAG）流水線，將大型語言模型與外部知識相結合，減少幻覺現象，打造企業級AI應用。
- 利用工具調用、多步驟推理、記憶功能和人機協同控制，開發自主智能體AI系統。
- 集成FastAPI后端、流式聊天界面、前端用戶體驗模式和有狀態記憶管理，創建全棧大型語言模型應用程序。
- 通過令牌優化、緩存策略、模型選擇權衡和負載管理技術，優化AI系統的成本、延遲和可擴展性。
- 使用人工和自動化評估方法評估和監控大型語言模型的輸出，確保準確性、相關性和真實性。
- 應用安全、安全和治理最佳實踐，實施防護措施、輸出過濾、基于策略的控制和負責任的AI框架。
- 前置要求：
- 具備基礎編程知識（首選Python，但無需達到專家水平）
- 對API或Web應用程序有大致了解（有幫助，但非必需）
- 對AI充滿好奇，愿意動手構建項目
- 課程描述：本課程包含人工智能的應用內容。這是一門專為全棧AI工程師設計的全面、實踐導向的生成式AI和大型語言模型（LLMs）課程。
展開 自回歸式語言XLNet模型的文本生成試驗
1 引言
自回歸式語言生成基于假設：一個詞序列的概率分布可以分解為鄰接的下一個詞條件概率分布的乘積。使用不同的解碼策略，目前產生出許多用于自回歸語言生成的模型，最流行的模型有GPT2, XLNet, OpenAi-GPT, CTRL, TransfoXL, XLM, Bart和T5，對GPT2模型我們已經作了很多探索性的工作：
GeotechSet數據集在GPT2上的訓練過程
GPT2-Large模型解碼方法比較
GPT2-Large模型解碼方法---Top-K and Top-p
新探索---EleutherAI的GPT Neo/GPT-3模型
GeotechSet模型的擴展和優化---集成了aitextgen
開放式文本生成(Open-Ended Text Generation)
同時也對T5模型作了探索性的工作:
生成摘要(Summarization)的新方法
Transformers的Text2TextGeneration管道測試
這個筆記探索另一個模型XLNet。
2 XLNet模型
XLNet來自Google公司Yang等人(2019)的論文《XLNet: Generalized Autoregressive Pretraining for Language Understanding(XLNet: 用于語言理解的廣義自回歸預訓練)》，XLNet是一種無監督的語言表征學習方法，它基于一種新的廣義包絡語言建模目標。XLnet是Transformer-XL模型的一個擴展，使用自回歸方法進行預訓練，在涉及長上下文的語言任務中表現出優異的性能。XLNet在各種下游語言任務上取得了最先進的(SOTA)結果，包括問題回答、自然語言推理、情感分析和文檔排名。
展開 NX UG二次開發：基于VB.NET語言的小球生成程序編寫
2.點擊“文件”菜單，然后依次點選“執行”→“NX Open”，在執行用戶函數對話框中瀏覽到項目Debug文件夾下，點選編譯生成的*.dll文件。
3.在彈出的創建小球程序窗口中，點擊“生成小球”按鈕，此時開始生成小球，生成完成后小球數模出現在軟件模型創建界面中，同時彈出信息提示對話框。
4.右擊UG軟件左側瀏覽樹中的“球（1）”，在彈出的快捷菜單中點選“信息”，在彈出的信息對話框中可以看到小球的球心坐標、直徑為我們在代碼中設定的參數。
····The End····
文章來源工業機器人仿真與編程
AI芯課程 | 新思科技 Copilot Workflow Assistant 寫腳本沒煩惱
新思科技 Copilot Workflow Assistant 通過自然語言生成、總結、修復和注釋腳本，可以顯著降低開發者編寫復雜腳本的時間成本，從而更快地得到解決方案，提高芯片設計的整體生產力和創造力。
3月13日，新思科技將推出芯課程AI系列主題的第二講：「新思科技 Copilot Workflow Assistant 寫腳本沒煩惱」，將為大家全面介紹Workflow Assistant 的使用流程及案例，切實見證如何讓復雜腳本編寫更簡單、更高效，歡迎大家報名參與！
時間：3月 13 日（星期五），14:00–15:00
地點：線上直播
講師簡介：
倪敏璐 | 新思科技首席應用工程師
畢業于復旦大學，長期參與從事芯片數字設計實現工作。
掃碼立即報名參會
展開 Copilot 腳本智能助手，解放芯片后端開發者生產力【今日14：00直播】
新思科技Copilot Workflow Assistant 通過自然語言生成、總結、修復和注釋腳本，開發者可以顯著降低編寫復雜腳本的時間成本，從而更快地得到解決方案，提高芯片設計的整體生產力和創造力。本次芯課程為大家全面介紹Workflow Assistant的使用流程及案例。
講師介紹：
形式：線上
參與方式：下方掃碼免費報名
(web: synopsys.snps.tech/surl/cZ4c0GC )
歡迎掃碼進入課程報名入口，鎖定2026全年課程席位！
文能寫稿，理能寫代碼，玄能預測世界杯？ChatGPT“實火”
ChatGPT是人工智能實驗室在12月初發布的一款自然語言生成式模型，由于能夠接住并以比較合理的方式解答網友的許多刁鉆問題，一經發布就迅速引發了關注，馬斯克在咨詢該聊天機器人關于推特經營的建議并收到精準回復后直言其“好得嚇人，我們距離強大到危險的人工智能更近了”。
小鯤也向ChatGPT提出了問題：
在問ChatGPT世界杯相關話題時，他甚至學會了端水，
那我們換一種問法試試，
好吧，試了幾次并沒有問出來，前幾天看到有博主問還是可以的（如下圖），看來這個問題已經被ChatGPT修復好了。
上周我們不是做了一期北鯤云超算平臺的答疑，我也向ChatGPT提出了類似問題。
同樣的問題，我們的技術支持胖頭鯨同學在上期的直播中為大家回答過了，想要了解北鯤云真 · 人工的答案的朋友可以移步下方視頻，直播回放中還有更多大家關心的提問哦！
畢竟ChatGPT也被稱為“行走的代碼生成器”，小鯤也問了一些小相關的問題：
順帶也是問了些有的沒的，看看今后能不能讓ChatGPT替我上班。
展開 未來趨勢探索：《低代碼平臺崛起，UG許可API開發實戰教程》
- 某次審計中，快速生成用戶-角色-許可的三維關聯報告，通過SOX合規檢查。
五、實戰案例：從開發到落地的全流程
1. **某汽車電子企業**：
- 通過低代碼平臺開發許可自助服務門戶，設計師可自主申請/歸還許可。
- 運營成本降低60%，設計團隊效率提升35%。
2. **某工業機器人廠商**：
- 構建許可使用預測模型，基于歷史數據提前30天預判需求峰值。
- 準確率達89%，避免緊急采購損失超200萬元。
六、未來技術展望：AI與低代碼的深度融合
當低代碼平臺邁向智能化時代，UG許可API開發將呈現三大趨勢：
1. **AI輔助編程**：通過自然語言生成API調用代碼，降低開發門檻。
2. **智能推薦引擎**：根據使用場景自動推薦最佳API組合，提升開發效率。
3. **元宇宙開發環境**：在虛擬空間中拖拽組件構建許可管理系統，所見即所得。
在低代碼革命的浪潮中，UG許可API開發已進化為企業數字化的核心能力。通過掌握RESTful API調用、自定義儀表盤開發、第三方系統對接等實戰技能，企業不僅能構建敏捷的許可管理體系，更能將API經濟轉化為創新優勢。當每個業務需求都能通過低代碼平臺快速實現，智能制造的未來圖景正加速成為現實。(關注格發獲取更多咨詢)
展開 
DeepSeek：從入門到精通，開啟智能對話新紀元
DeepSeek 是一款基于人工智能技術的智能對話模型，它能夠理解和生成自然語言，與用戶進行流暢、自然的對話。DeepSeek 擁有海量的數據訓練和強大的算法支持，使其具備以下優勢：
強大的語言理解能力： DeepSeek 能夠準確理解用戶的意圖，即使是復雜的語句也能輕松應對。
豐富的知識儲備： DeepSeek 擁有涵蓋各個領域的海量知識庫，能夠為用戶提供準確、全面的信息。
自然的語言生成能力： DeepSeek 能夠生成流暢、自然的語言，與用戶進行逼真的對話。
多場景應用能力： DeepSeek 可以應用于多種場景，例如智能客服、虛擬助手、教育培訓等。
二、入門 DeepSeek：如何使用 DeepSeek？
使用 DeepSeek 非常簡單，您可以通過以下方式與它進行互動：
訪問 DeepSeek 官方網站或應用程序。
在對話框中輸入您的問題或指令。
DeepSeek 會立即做出回應，并根據您的需求提供相應的服務。
三、DeepSeek 的應用場景
DeepSeek 的應用場景非常廣泛，以下列舉幾個典型的例子：
智能客服： DeepSeek 可以為企業提供 24/7 全天候的智能客服服務，解答用戶問題，提升客戶滿意度。
虛擬助手： DeepSeek 可以作為個人用戶的虛擬助手，幫助用戶管理日程、查詢信息、設置提醒等。
教育培訓： DeepSeek 可以為學生提供個性化的學習輔導，解答學習難題，提高學習效率。
展開 大語言模型(LLM)在塑膠射出成型產業上的應用
科盛科技 / 簡錦昌 副總經理
(轉載自繁體版ACMT電子技術月刊No.092)
什么是大語言模型(LLM)？
大語言模型(Large Language Model, LLM)是人工智能領域中一種基于深度學習的技術，它通過處理大量的文本資料來理解、生成和翻譯自然語言。這些模型以龐大的參數規模為特點，并利用了現代神經網絡架構，尤其是變換器(Transformer)架構，使得它們在自然語言處理(NLP)任務中表現出色。
大語言模型通常由數十億甚至上千億個參數構成。這些參數是在大量的文本資料上訓練得到的，通過深度學習算法來優化。訓練一個大語言模型需要巨大的計算資源，通常使用數百個GPU或TPU并行處理，以處理海量的資料集。
圖1：大家看到LLM提供的問答服務只是冰山的一角，其背后隱含著大量的文字數據資料
常見的LLM應用方式
ChatGPT就是一種LLM，相信大家都有接觸過，只要在聊天框中輸入問題或請求，例如撰寫文章、翻譯文本或生成程序碼，等待幾秒鐘，ChatGPT將自動生成文字。如果需要進一步調整輸出，可以繼續與其互動，輸入更具體的指令或要求。大語言模型的應用范圍非常廣泛。它們在各種自然語言處理任務中表現優異，常見的應用包括：
? 自然語言生成
LLM能夠生成流暢且連貫的文本，常用于自動化內容生成、寫作輔助和對話系統。
? 機器翻譯
通過理解多種語言之間的復雜關系，LLM可以進行高質量的語言翻譯。
? 文本摘要
LLM能夠自動從長文檔中提取關鍵內容，生成簡短的摘要。
? 對話系統
基于LLM的聊天機器人能夠與人類進行自然的對話，并且能夠理解上下文進行合理的回復。
展開 用20行Python代碼生成雞湯，打造AI咪蒙指日可待
“努力贏得自己的幸福和世界”
“what we would end create, creates the ground and you are the one to warm it”
“我們想要結束的創造卻造就了大地，唯你抱以溫情”
“look and give up in miracles”
“仰望奇跡，放棄幻想”
但其實上面這些雞湯句子全都是電腦生成的，而且其生成雞湯文所用的程序還不到 20 行 Python 代碼。
一提到自然語言生成，人們通常會覺得這一定是很先進的 AI 系統，使用了很高級的數學知識。但是，事實并非如此。在本文我（作者 Ramtin Alami——譯者注）會用馬爾科夫鏈（Markov chains）和一個很小的雞湯文數據集生成新的雞湯文。
馬爾科夫鏈
馬爾科夫鏈是一種隨機模型，能根據先前的事件單獨預測一個事件。舉個簡單的例子，就用我家喵主子的生活狀態轉換解釋一下吧。我家喵主子總是要么吃、要么睡、要么玩玩具。她大部分時間都是在睡覺，但是偶爾會睡醒起來用膳。通常，用膳過后她會倍兒精神，開始玩玩具，玩夠了就回去睡，然后再睡醒去吃。
用馬爾科夫鏈就能很容易地模擬出我家喵主人的生活狀態，因為她會根據之前的狀態決定下一步去干嘛。她一般不會醒來后直接去玩玩具，但是吃完東西后，有很大概率去玩一會。這些生活狀態轉換也可以用圖表的形式表現出來：
每個橢圓代表一種生活狀態，箭頭所指的是下一個生活狀態，箭頭旁邊的數字是指她從一種狀態轉到另一種狀態的概率。我們可以看到，狀態轉換的概率基本上只根據上一種生活狀態。
展開 融合深度學習與CAE技術的結構分析與優化設計：一種新興的數值方法”提升工程仿真效率
通過自然語言交互生成PINN代碼，可加速復雜瞬態問題的求解流程。本課程結合大模型輔助編程，探索其在微分方程求解、代碼調試及多任務優化中的應用，推動“AI for Science”的工程化落地。
疲勞斷裂與物理神經網絡 流體固體
?
