AIGC Weekly #76

AIGC Weekly 76 AIGC Weekly 76 Deformity：AI 创建表单 Deformity.ai 提供了一个创新的表单创建平台，通过人工智能技术，用户可以快速制作出生动的对话式表单。这些表单能够以多种语言与用户互动，有助于全球化的客户参与。平台支持多种功能，包括捕获客户联系信息、资格审查以筛选潜在客户、收集客户反馈以改进产品或服务、设计有趣的测验以了解受众群体、举办抽奖活动以提高参与度，以及进行研究以确保数据收集的质量。 Afforai：AI 文献研究工具 Afforai 是一个为研究人员设计的 AI 驱动的研究助手和聊天机器人，它提供了一系列工具来简化研究流程。用户可以通过 Afforai Reference Manager 上传和管理研究论文，使用 Afforai Notebook 对论文进行注释和笔记，以及利用 Afforai Cite 管理引用和元数据。该平台支持多种文档格式，并且提供了三种不同的搜索模式，包括文档检索模式、学术搜索模式和谷歌搜索模式，以帮助研究人员梳理和比较大量的文献。 Recall：AI 驱动的内容收集工具 Recall 提供了一种新型的知识管理方法，它能够自动总结用户在线遇到的各种内容，如播客、YouTube 视频、新闻文章、PDF 等，并将其保存到用户的知识库中。这个知识库不仅自动组织和分类内容，还通过知识图谱技术帮助用户发现信息之间的联系，从而更深入地理解复杂主题。此外，Recall 还提供了间隔重复学习功能，帮助用户更好地学习和记忆。精选文章 ✦ 那个团子和Stable Diffusion的1000天详细回顾了 Dango233（团子）和 huoju 在开源 AI 社区的贡献历程。三年前，团子因为兴趣加入了 EleutherAI 的 Discord 社区，开始接触 CLIP+VQGAN，并逐步参与到更深层次的图像生成技术讨论中。随着时间的推移，他参与了多个项目，如 Disco Diffusion 和 Majesty Diffusion，并受邀加入 StabilityAI 公司，这个公司由 Emad Mostaque 创立，致力于开源 AI。团子在这个过程中也面临了职业选择的十字路口，最终选择了参与 Stable Diffusion 的开发，这一决定极大地改变了他的职业轨迹。智变时代 / 全面理解机器智能与生成式 AI 加速的新工业革命将温故 AI 发展波澜壮阔的一年，尝试抓住生成式 AI 变革的本质，拨开喧嚣与迷雾，追寻科技巨头与 AI 机构们在更高智能道路上的探索，以及变革会如何全面改变人机交互、世界的产业、经济还有我们自己。全文 36000 字，共分五个章节： 1. 模型竞争、泛化与变革的本质 2. 应用智能代理、智能体与组织新形态 3. 智变廉价诱导需求、从中心到边缘算力、新工业革命 4. 演化模型如何理解和进化、自主目标与自动化的 AGI 5. 选择职业变迁、自我提升与科技恒大生成式AI不会为你建立工程团队作者通过自己的经历讲述了软件工程行业的成长和变化，指出软件工程是一门学徒制的职业，需要通过实践和时间积累经验。文章强调，尽管生成式 AI 可以快速生成代码，但这些代码往往不可靠，需要经验丰富的工程师进行审查和修改。 AI 生成的代码仅仅是软件工程中最容易的部分，而真正的挑战在于理解、维护和操作这些代码。文章还讨论了初级工程师在团队中的价值，以及为什么持续招聘初级工程师对团队和整个行业都是有益的。尽管招聘初级工程师需要时间和资源进行培训，但这是一个值得的投资，因为它有助于培养未来的资深工程师，并保持团队的多样性和创新能力。最后，作者呼吁工程师和工程管理者要亲自推动招聘和培训初级工程师的工作，以确保行业的持续发展和繁荣。中间代码的兴起探讨了中间代码（Medium Code）在软件开发中的兴起，强调了人工智能（AI）在加速中码实践中的作用，并认为中码将是 AI 原生软件开发的未来。 • 软件并没有消亡，反而有越来越多的人正在构建软件。 • 通过Dagster（数据编排工具），观察到一类新的软件开发人员的出现，如分析工程师和数据科学家，他们不是全栈工程师，但仍然将关键任务代码部署到生产环境中。 • 这类人员被称为中间代码实践者，他们通过更人性化的接口，更高效地编写更多的生产代码。苹果的人工智能告诉我们什么：实验模型 Ethan Mollick 在内容中分享了对苹果 AI（或称 “苹果智能”）发布的一些初步看法。虽然他没有亲自使用过苹果的 AI，但他认为这次发布突出了当前 AI 领域正在进行的四种模型的实验：AI 模型、使用模型、商业模型和未来的心智模型。在 AI 使用模型方面，苹果专注于让 AI 为用户完成具体任务，而前沿 AI 模型如 Gemini 1.5 和 GPT 4o 则更像是智能助手，能够处理更广泛的任务，但也可能出现意想不到的行为。在商业模型方面，苹果可能会从免费服务开始，但未来可能会收费。 LLM能发明更好的方法来训练LLM吗？ Sakana AI 正在探索将自然进化中的优化概念应用于人工智能领域，特别是在大型语言模型（LLMs）的培训中。他们提出了一种名为 LLM² （LLM squared）的自我改进过程，旨在利用 LLMs 来自动化地发现和优化培训 LLMs 的算法。Sakana AI 的最新报告展示了他们使用 LLMs 来合成新的偏好优化算法的成果，并提出了一种名为 Discovered Preference Optimization （DiscoPOP）的算法。红队AI系统的挑战论了人工智能（AI）系统的红队测试（red teaming）挑战，总结了不同的红队测试方法，并强调了建立标准化实践和政策建议的重要性。文章指出了 AI 领域缺乏标准化红队测试实践的问题，并强调了需要建立这些实践和标准的紧迫性。接着，文章详细描述了多种红队测试方法，包括： • 领域特定的专家红队测试，涵盖信任与安全政策漏洞测试、国家安全前沿威胁红队测试，以及多语言和多文化红队测试。 • 使用语言模型进行红队测试，介绍了自动化红队测试的方法，通过模型之间的红队（攻击）和蓝队（防御）动态来提高系统的鲁棒性。 • 在新模态中进行红队测试，特别是针对多模态 AI 系统（如 Claude 3）的测试，这些系统能够处理图像和文本等不同类型的输入。 • 开放式、通用的红队测试，包括众包红队测试以及社区参与的红队测试，这些测试旨在发现一般性的伤害和系统局限性。重点研究 ✦ Hallo：复旦发布的开源版本EMO 通过输入音频让面部照片开始说话，并且有对于的表情。看起来效果很自然。采用端到端的扩散范式，引入了分层的音频驱动视觉合成模块，以提高音频输入与视觉输出之间的对齐精度，包括唇部、表情和姿势的运动。分层音频驱动的视觉合成模块提供了对表情和姿势多样性的自适应控制，更有效地实现了针对不同身份的个性化定制。 TC Bench：视频生成测试 TC Bench 一个视频生成模型的测试集，用来测试视频生成模型的时间组合性。评估生成的视频应像现实世界的视频一样，随着时间推移，包含新概念的出现及其关系的变化。测试分析结果：大多数视频生成器实现的组合变化不到 20%，当前的视频生成模型在解释组合变化的描述和动态地映射不同时间步骤的语义方面存在困难。提出了一种新颖的架构Pixel Transformer(PiT),它能够直接将每个像素作为token输入到Transformer中,而无需先将图片分割成patch。 PiT的好处在于,它去除了convolution和patchification这两个步骤中隐含的局部性偏置(locality bias),让模型能够从像素级别自主学习特征表示。实验证明,PiT在图像分类、自监督学习、图像生成等任务上都取得了优于ViT的结果。 Depth Anything V2 字节发布Depth Anything V2深度模型。比 Depth Anything V1 更精细的细节。与基于 SD 构建的模型相比效率显著更高（快了10倍以上）且更准确。提供了不同规模的模型（参数从25M到1.3B不等），以支持各种应用场景。通过三个关键实践产生了更精细和更鲁棒的深度预测： 1. 用合成图像取代所有标注的真实图像， 2. 扩大教师模型的容量， 3. 通过大规模伪标注的真实图像作为桥梁来教授学生模型。 MotionClone：从已有视频控制生成的内容随着视频生成模型的不断成熟，视频控制的方式的研究也越来越重要。上海人工智能实验室这个研究可以从参考视频中克隆动作来控制文本生成的视频。从演示来看效好，有没有因为原始视频的风格或者内容污染。采用时间注意机制在视频反转过程中表示参考视频中的动作，并引入主要时间注意引导以减轻注意权重中的噪声或细微动作的影响。提出了一种位置感知语义引导机制，该机制利用参考视频中前景的粗略位置和无分类器引导特征来引导视频生成。发现大型语言模型的偏好优化算法这篇论文提出了一种新方法,通过大语言模型自动发现和生成高性能的偏好优化目标函数,而无需专家人工设计。具体来说,他们反复提示语言模型根据之前评估的性能指标,输出新的候选目标函数的代码实现。通过这种迭代优化过程,成功发现了一些此前未知但表现优异的偏好优化算法。其中表现最好的算法被命名为DiscoPOP,它自适应地混合了logistic loss和exponential loss。实验表明,DiscoPOP在基准测试和实际任务中都取得了业界领先的性能。 SelfGoal：您的语言代理已经知道如何实现高级目标由大型语言模型（LLM）提供支持的语言代理作为游戏和编程等领域的决策工具越来越有价值。然而，这些代理经常面临在没有详细说明的情况下实现高级目标以及适应反馈延迟的环境的挑战。在本文中，我们介绍了SelfTarget，这是一种新颖的自动方法，旨在增强代理在有限的人类先验和环境反馈的情况下实现高级目标的能力。SelfTarget的核心概念涉及在与环境交互期间自适应地将高级目标分解为更实用的子目标的树形结构，同时确定最有用的子目标并逐步更新该结构。实验结果表明，SelfTarget显着增强了语言代理在各种任务中的性能，包括竞争、合作和延迟反馈环境。 Follow Your Emoji：腾讯生成面部说话视频的研究他们没有通过音频驱动，而是做了面部表情的迁移，可以将任何人的面部表情迁移到对应的照片上生成视频。这样不止可以生成说话的视频，即使没有声音只有表情也可以同步的很好。包括真人、卡通、雕塑甚至动物，都可以很好的迁移。 Deformity：AI 创建表单 Afforai：AI 文献研究工具 Recall：AI 驱动的内容收集工具那个团子和Stable Diffusion的1000天智变时代 / 全面理解机器智能与生成式 AI 加速的新工业革命生成式AI不会为你建立工程团队中间代码的兴起苹果的人工智能告诉我们什么：实验模型 LLM能发明更好的方法来训练LLM吗？红队AI系统的挑战 Hallo：复旦发布的开源版本EMO TC Bench：视频生成测试 Depth Anything V2 MotionClone：从已有视频控制生成的内容发现大型语言模型的偏好优化算法 SelfGoal：您的语言代理已经知道如何实现高级目标 Follow Your Emoji：腾讯生成面部说话视频的研究 Deformity：AI 创建表单 Deformity：AI 创建表单 Deformity.ai 提供了一个创新的表单创建平台，通过人工智能技术，用户可以快速制作出生动的对话式表单。这些表单能够以多种语言与用户互动，有助于全球化的客户参与。平台支持多种功能，包括捕获客户联系信息、资格审查以筛选潜在客户、收集客户反馈以改进产品或服务、设计有趣的测验以了解受众群体、举办抽奖活动以提高参与度，以及进行研究以确保数据收集的质量。 Afforai：AI 文献研究工具 Afforai：AI 文献研究工具 Afforai 是一个为研究人员设计的 AI 驱动的研究助手和聊天机器人，它提供了一系列工具来简化研究流程。用户可以通过 Afforai Reference Manager 上传和管理研究论文，使用 Afforai Notebook 对论文进行注释和笔记，以及利用 Afforai Cite 管理引用和元数据。该平台支持多种文档格式，并且提供了三种不同的搜索模式，包括文档检索模式、学术搜索模式和谷歌搜索模式，以帮助研究人员梳理和比较大量的文献。 Recall：AI 驱动的内容收集工具 Recall：AI 驱动的内容收集工具 Recall 提供了一种新型的知识管理方法，它能够自动总结用户在线遇到的各种内容，如播客、YouTube 视频、新闻文章、PDF 等，并将其保存到用户的知识库中。这个知识库不仅自动组织和分类内容，还通过知识图谱技术帮助用户发现信息之间的联系，从而更深入地理解复杂主题。此外，Recall 还提供了间隔重复学习功能，帮助用户更好地学习和记忆。精选文章 ✦ 那个团子和Stable Diffusion的1000天那个团子和Stable Diffusion的1000天详细回顾了 Dango233（团子）和 huoju 在开源 AI 社区的贡献历程。三年前，团子因为兴趣加入了 EleutherAI 的 Discord 社区，开始接触 CLIP+VQGAN，并逐步参与到更深层次的图像生成技术讨论中。随着时间的推移，他参与了多个项目，如 Disco Diffusion 和 Majesty Diffusion，并受邀加入 StabilityAI 公司，这个公司由 Emad Mostaque 创立，致力于开源 AI。团子在这个过程中也面临了职业选择的十字路口，最终选择了参与 Stable Diffusion 的开发，这一决定极大地改变了他的职业轨迹。智变时代 / 全面理解机器智能与生成式 AI 加速的新工业革命智变时代 / 全面理解机器智能与生成式 AI 加速的新工业革命将温故 AI 发展波澜壮阔的一年，尝试抓住生成式 AI 变革的本质，拨开喧嚣与迷雾，追寻科技巨头与 AI 机构们在更高智能道路上的探索，以及变革会如何全面改变人机交互、世界的产业、经济还有我们自己。全文 36000 字，共分五个章节： 1. 模型竞争、泛化与变革的本质 2. 应用智能代理、智能体与组织新形态 3. 智变廉价诱导需求、从中心到边缘算力、新工业革命 4. 演化模型如何理解和进化、自主目标与自动化的 AGI 5. 选择职业变迁、自我提升与科技恒大生成式AI不会为你建立工程团队生成式AI不会为你建立工程团队作者通过自己的经历讲述了软件工程行业的成长和变化，指出软件工程是一门学徒制的职业，需要通过实践和时间积累经验。文章强调，尽管生成式 AI 可以快速生成代码，但这些代码往往不可靠，需要经验丰富的工程师进行审查和修改。 AI 生成的代码仅仅是软件工程中最容易的部分，而真正的挑战在于理解、维护和操作这些代码。文章还讨论了初级工程师在团队中的价值，以及为什么持续招聘初级工程师对团队和整个行业都是有益的。尽管招聘初级工程师需要时间和资源进行培训，但这是一个值得的投资，因为它有助于培养未来的资深工程师，并保持团队的多样性和创新能力。最后，作者呼吁工程师和工程管理者要亲自推动招聘和培训初级工程师的工作，以确保行业的持续发展和繁荣。中间代码的兴起中间代码的兴起探讨了中间代码（Medium Code）在软件开发中的兴起，强调了人工智能（AI）在加速中码实践中的作用，并认为中码将是 AI 原生软件开发的未来。 • 软件并没有消亡，反而有越来越多的人正在构建软件。 • 通过Dagster（数据编排工具），观察到一类新的软件开发人员的出现，如分析工程师和数据科学家，他们不是全栈工程师，但仍然将关键任务代码部署到生产环境中。 • 这类人员被称为中间代码实践者，他们通过更人性化的接口，更高效地编写更多的生产代码。苹果的人工智能告诉我们什么：实验模型苹果的人工智能告诉我们什么：实验模型 Ethan Mollick 在内容中分享了对苹果 AI（或称 “苹果智能”）发布的一些初步看法。虽然他没有亲自使用过苹果的 AI，但他认为这次发布突出了当前 AI 领域正在进行的四种模型的实验：AI 模型、使用模型、商业模型和未来的心智模型。在 AI 使用模型方面，苹果专注于让 AI 为用户完成具体任务，而前沿 AI 模型如 Gemini 1.5 和 GPT 4o 则更像是智能助手，能够处理更广泛的任务，但也可能出现意想不到的行为。在商业模型方面，苹果可能会从免费服务开始，但未来可能会收费。 LLM能发明更好的方法来训练LLM吗？ LLM能发明更好的方法来训练LLM吗？ Sakana AI 正在探索将自然进化中的优化概念应用于人工智能领域，特别是在大型语言模型（LLMs）的培训中。他们提出了一种名为 LLM² （LLM squared）的自我改进过程，旨在利用 LLMs 来自动化地发现和优化培训 LLMs 的算法。Sakana AI 的最新报告展示了他们使用 LLMs 来合成新的偏好优化算法的成果，并提出了一种名为 Discovered Preference Optimization （DiscoPOP）的算法。红队AI系统的挑战红队AI系统的挑战论了人工智能（AI）系统的红队测试（red teaming）挑战，总结了不同的红队测试方法，并强调了建立标准化实践和政策建议的重要性。文章指出了 AI 领域缺乏标准化红队测试实践的问题，并强调了需要建立这些实践和标准的紧迫性。接着，文章详细描述了多种红队测试方法，包括： • 领域特定的专家红队测试，涵盖信任与安全政策漏洞测试、国家安全前沿威胁红队测试，以及多语言和多文化红队测试。 • 使用语言模型进行红队测试，介绍了自动化红队测试的方法，通过模型之间的红队（攻击）和蓝队（防御）动态来提高系统的鲁棒性。 • 在新模态中进行红队测试，特别是针对多模态 AI 系统（如 Claude 3）的测试，这些系统能够处理图像和文本等不同类型的输入。 • 开放式、通用的红队测试，包括众包红队测试以及社区参与的红队测试，这些测试旨在发现一般性的伤害和系统局限性。重点研究 ✦ Hallo：复旦发布的开源版本EMO Hallo：复旦发布的开源版本EMO 通过输入音频让面部照片开始说话，并且有对于的表情。看起来效果很自然。采用端到端的扩散范式，引入了分层的音频驱动视觉合成模块，以提高音频输入与视觉输出之间的对齐精度，包括唇部、表情和姿势的运动。分层音频驱动的视觉合成模块提供了对表情和姿势多样性的自适应控制，更有效地实现了针对不同身份的个性化定制。 TC Bench：视频生成测试 TC Bench：视频生成测试 TC Bench 一个视频生成模型的测试集，用来测试视频生成模型的时间组合性。评估生成的视频应像现实世界的视频一样，随着时间推移，包含新概念的出现及其关系的变化。测试分析结果：大多数视频生成器实现的组合变化不到 20%，当前的视频生成模型在解释组合变化的描述和动态地映射不同时间步骤的语义方面存在困难。提出了一种新颖的架构Pixel Transformer(PiT),它能够直接将每个像素作为token输入到Transformer中,而无需先将图片分割成patch。 PiT的好处在于,它去除了convolution和patchification这两个步骤中隐含的局部性偏置(locality bias),让模型能够从像素级别自主学习特征表示。实验证明,PiT在图像分类、自监督学习、图像生成等任务上都取得了优于ViT的结果。 Depth Anything V2 Depth Anything V2 字节发布Depth Anything V2深度模型。比 Depth Anything V1 更精细的细节。与基于 SD 构建的模型相比效率显著更高（快了10倍以上）且更准确。提供了不同规模的模型（参数从25M到1.3B不等），以支持各种应用场景。通过三个关键实践产生了更精细和更鲁棒的深度预测： 1. 用合成图像取代所有标注的真实图像， 2. 扩大教师模型的容量， 3. 通过大规模伪标注的真实图像作为桥梁来教授学生模型。 MotionClone：从已有视频控制生成的内容 MotionClone：从已有视频控制生成的内容随着视频生成模型的不断成熟，视频控制的方式的研究也越来越重要。上海人工智能实验室这个研究可以从参考视频中克隆动作来控制文本生成的视频。从演示来看效好，有没有因为原始视频的风格或者内容污染。采用时间注意机制在视频反转过程中表示参考视频中的动作，并引入主要时间注意引导以减轻注意权重中的噪声或细微动作的影响。提出了一种位置感知语义引导机制，该机制利用参考视频中前景的粗略位置和无分类器引导特征来引导视频生成。发现大型语言模型的偏好优化算法发现大型语言模型的偏好优化算法这篇论文提出了一种新方法,通过大语言模型自动发现和生成高性能的偏好优化目标函数,而无需专家人工设计。具体来说,他们反复提示语言模型根据之前评估的性能指标,输出新的候选目标函数的代码实现。通过这种迭代优化过程,成功发现了一些此前未知但表现优异的偏好优化算法。其中表现最好的算法被命名为DiscoPOP,它自适应地混合了logistic loss和exponential loss。实验表明,DiscoPOP在基准测试和实际任务中都取得了业界领先的性能。 SelfGoal：您的语言代理已经知道如何实现高级目标 SelfGoal：您的语言代理已经知道如何实现高级目标由大型语言模型（LLM）提供支持的语言代理作为游戏和编程等领域的决策工具越来越有价值。然而，这些代理经常面临在没有详细说明的情况下实现高级目标以及适应反馈延迟的环境的挑战。在本文中，我们介绍了SelfTarget，这是一种新颖的自动方法，旨在增强代理在有限的人类先验和环境反馈的情况下实现高级目标的能力。SelfTarget的核心概念涉及在与环境交互期间自适应地将高级目标分解为更实用的子目标的树形结构，同时确定最有用的子目标并逐步更新该结构。实验结果表明，SelfTarget显着增强了语言代理在各种任务中的性能，包括竞争、合作和延迟反馈环境。 Follow Your Emoji：腾讯生成面部说话视频的研究 Follow Your Emoji：腾讯生成面部说话视频的研究他们没有通过音频驱动，而是做了面部表情的迁移，可以将任何人的面部表情迁移到对应的照片上生成视频。这样不止可以生成说话的视频，即使没有声音只有表情也可以同步的很好。包括真人、卡通、雕塑甚至动物，都可以很好的迁移。感谢大家看到这里，如果有觉得有意思的相关内容也可以私信我或者给我发邮件投稿。你可以在这里找到我： | 即刻 | 推特 | Quail订阅 | 微信公众号：歸藏的AI工具箱 |邮箱：guohao631@gmail.com 即刻推特 Quail订阅 guohao631@gmail.com 也可以分享给更多的朋友，让大家都有机会了解这些内容。 🔗 原文链接： https://quail.ink/op7418/p/aigc wee... https://quail.ink/op7418/p/aigc wee... ⏰ 发表时间：2024 06 17 作者：歸藏上周精选 ✦ 苹果与 Open AI 合作在 ios 18 中提供AI服务苹果与 Open AI 合作在 ios 18 中提供AI服务上周苹果的WWDC24靴子终于落地，iOS 18将非常深入的整合AI能力，AI能力更新主要包含在Siri、写作助手以及图像生成三个部分： • Siri 利用 Apple Intelligence 实现全新超能力。凭借全新的设计、更丰富的语言理解能力以及随时输入 Siri 的能力，与 Siri 的交流比以往任何时候都更加自然。 ◦ Siri 采用全新设计，与系统体验更加深度融合，优雅的光芒环绕屏幕边缘。 ◦ 只要双击 iPhone 或 iPad 屏幕底部，当不想大声说话时，可以从系统中的任何位置输入内容给 Siri 。 ◦ 利用 Siri 掌握的有关你设备功能和设置的广泛产品知识。学习如何在 iPhone、iPad 和 Mac 上做新事情时，可以提出问题，Siri 可以快速提供分步指导。 ◦ Apple Intelligence 为 Siri 提供了屏幕感知功能，因此它可以理解屏幕上的内容并采取行动。 ◦ 了解您的个人背景使 Siri 能够以你独有的方式为您提供帮助。Siri 可以利用其对设备上信息的了解来帮助找到所需信息。 ◦ 使用 Siri在应用程序内和应用程序间无缝执行操作。 ◦ Siri 采用全新设计，与系统体验更加深度融合，优雅的光芒环绕屏幕边缘。 ◦ 只要双击 iPhone 或 iPad 屏幕底部，当不想大声说话时，可以从系统中的任何位置输入内容给 Siri 。 ◦ 利用 Siri 掌握的有关你设备功能和设置的广泛产品知识。学习如何在 iPhone、iPad 和 Mac 上做新事情时，可以提出问题，Siri 可以快速提供分步指导。 ◦ Apple Intelligence 为 Siri 提供了屏幕感知功能，因此它可以理解屏幕上的内容并采取行动。 ◦ 了解您的个人背景使 Siri 能够以你独有的方式为您提供帮助。Siri 可以利用其对设备上信息的了解来帮助找到所需信息。 ◦ 使用 Siri在应用程序内和应用程序间无缝执行操作。 • Apple Intelligence 为新的写作工具提供支持，可帮助你在写作时随时随地找到合适的词语。借助增强的语言功能，可以在几秒钟内总结整个讲座，获取较长的群组讨论的简短版本。 ◦ 可以校对文本、重写不同版本直到语气和措辞恰到好处，并且只需轻点一下即可总结所选文本。 ◦ 优先通知显示在卡片顶部，一眼就知道需要注意什么。通知会汇总，以便您可以更快地浏览它们。 ◦ 邮件中的优先消息会将时间敏感的消息提升到收件箱的顶部例如今天截止的邀请或今天下午航班的登机提醒。点按即可在邮件应用中显示长电子邮件的摘要，直奔主题。您还可以直接从收件箱中查看电子邮件摘要。 ◦ 只需在 Notes 或 Phone 应用中点击录制即可录制音频和文字记录。Apple Intelligence 会生成文字记录摘要，一眼便可了解最重要的信息。 ◦ 使用邮件中的智能回复功能，快速起草包含所有正确详细信息的电子邮件回复。 ◦ 可以校对文本、重写不同版本直到语气和措辞恰到好处，并且只需轻点一下即可总结所选文本。 ◦ 优先通知显示在卡片顶部，一眼就知道需要注意什么。通知会汇总，以便您可以更快地浏览它们。 ◦ 邮件中的优先消息会将时间敏感的消息提升到收件箱的顶部例如今天截止的邀请或今天下午航班的登机提醒。点按即可在邮件应用中显示长电子邮件的摘要，直奔主题。您还可以直接从收件箱中查看电子邮件摘要。 ◦ 只需在 Notes 或 Phone 应用中点击录制即可录制音频和文字记录。Apple Intelligence 会生成文字记录摘要，一眼便可了解最重要的信息。 ◦ 使用邮件中的智能回复功能，快速起草包含所有正确详细信息的电子邮件回复。 • Apple Intelligence 让你以全新的方式用视觉表达自我。创建有趣、原创的图像和全新的 Genmoji。使用 Image Wand 将草图变成与笔记相得益彰的相关图像。 ◦ 借助应用程序中的Image Playground 体验，只需几秒钟即可制作有趣的原创图像。根据描述、建议的概念，甚至照片库中的人物，创建全新的图像。 ◦ 在专用的Image Playground 应用程序中尝试不同的概念并尝试动画、插图和草图等图像样式。创建自定义图像以在其他应用程序或社交媒体上与朋友分享。 ◦ 直接在键盘上制作全新的 Genmoji ，以匹配任何对话。提供描述以查看预览，并调整描述直到完美。 ◦ Image Wand 可以将你的草图转换为 Notes 应用中的相关图像。使用手指或 Apple Pencil 在你的草图周围画一个圆圈，Image Wand 会分析其周围的内容以产生互补的视觉效果。 ◦ 输入描述，Apple Intelligence 会找到最匹配的照片和视频。然后，它会根据识别的主题，用独特的章节制作故事情节，并将照片排列成具有自己叙事弧线的影片。 ◦ 使用照片应用中的清理工具去除照片中的干扰物。Apple Intelligence

在小宇宙note 阅读完整内容