又火两个惊艳的AI项目，已开源！_kwaivgi

大家好，今天继续聊聊科技圈发生的那些事。

一、Cradle

Cradle，一款全新的框架，使大模型可以通过人类平时浏览的操作界面，执行复杂的计算机任务。

还记不记得，前些日子微软展示的，基于GPT-4o，让Copilot实时为你提供游戏操作建议？例如当你进行到游戏的某个步骤的时候，Copilot会建议你该做什么，并且给你提供相应的教程。

而 Cradle 以屏幕截图作为输入，以键盘和鼠标操作作为输出。这意味着什么？Cradle甚至能代替人工操作者，直接根据实时的截图，像人一样进行鼠标和键盘的操作！

Cradle 的框架实现大致分为以下几个步骤：

• 信息收集：Cradle 从视频片段中提取所有有用的视觉和文本信息（包括布局、图像、动画和UI元素等），以便理解当前情况并进行进一步推理。同时，通过OCR技术提取图像中的文本信息，包括内容（标题和段落）、导航标签（菜单和链接）、通知和指示等。

• 技能和动作生成：Cradle 利用LMM生成代码函数作为语义级别的技能，这些技能封装了较低级别的键盘和鼠标控制，将LMM生成的语义动作与操作系统级别的可执行动作连接起来。类似于人类在游戏中的逐步提高，这些技能可以根据游戏教程、指南、游戏手册和设置获得，也可以是自我成长。这些技能也可以预定义或组合以解决更复杂的任务。

• 动作执行：在Cradle生成动作并决定在环境中执行后，将触发执行器将这些语义动作映射为操作系统级别的键盘和鼠标命令，以与环境进行交互。

目前 Cradle 已经可以在应用和游戏领域取得非常优秀的表现。CRADLE不仅能够操作日常软件，如Chrome、Outlook和飞书，还能够使用美图和剪映进行图片和视频编辑。

在游戏方面，Cradle 史无前例地跟随《荒野大镖客2》的主线剧情游玩了40分钟，在《都市：天际线》中创建一个拥有千人的城市，在《星露谷物语》中种植和收获防风草，甚至在《当铺人生2》中能够进行交易和议价，在一周内实现87%的最大化总利润！

想象一下，当你找不到小伙伴和你一起联机游玩《星露谷物语》时，你可以找到 Cradle 帮你打理你的农场。或者下一次打开直播间，标题挂着的可能就是“AI独立通关xxx游戏”了。Cradle 展现出的能力十分惊叹，期待这个项目后续的发展。

项目地址：

https://github.com/baai-agents/cradle

二、LivePortrait

近日，快手和复旦大学、中科大共同研发的 LivePortrait 开源了。这同样是一款图生视频的大模型。提供一张正脸照，一段视频，照片上的人物就会栩栩如生的模仿视频中的表情了。

不知道大家有没有用过苹果的拟我表情，就是那个你可以选择一个动物或者其他东西的贴纸，然后录制一小段视频，贴纸角色会模仿你的口型。LivePortrait 实现的其实和这个功能差不多。其实这类数字人项目我们也介绍过很多，不过这次的 LivePortrait 是国产团队研发的，性能也很不错，生成视频超快。

通过扩展训练数据到约 6900 万高质量帧和采用混合图像视频训练策略，LivePortrait 能够更好地泛化，适应更多不同类型的输入数据。此外，LivePortrait 利用紧凑的隐式关键点代表混合形状，并设计缝合和重定向模块，这些模块使用计算开销极小的小型MLP，从而增强了对生成动画的控制能力。

甚至经过微调，你可以让小动物们模仿人的表情！

项目的部署也比较简单，首先克隆仓库，使用conda创建虚拟环境，安装所需的依赖项和FFmpeg。然后下载模型的权重文件，放到相应的目录，通过脚本运行即可。当然，如果你缺少一些相应的算力或是嫌部署过于麻烦，你也可以通过 HuggingFace 在线使用。感兴趣的小伙伴可以自行体验看看。

在线体验地址：

https://huggingface.co/spaces/KwaiVGI/LivePortrait

项目地址：

https://github.com/KwaiVGI/LivePortrait

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】