生成式AI
能够生成新内容的人工智能系统，涵盖大语言模型、图像生成模型和语音合成系统，核心突破在于通用性——同一套模型架构可完成翻译、写作、编程、分析等多种任务
核心事实
时间轴 (近 90 天)
@junhagemay 提出职业插画师的模范做法：将客户通过生成式 AI 传达的想法作为简报输入，客户真正想要的是专业插画师从该图衍生出的作品。
垂直化微型工具持续跑赢通用提示词门户，差异化竞争力正在从“模型有多强”转向“场景封装有多精准”。
生成式AI模型可以批量生产文案、脚本、视觉内容等'故事的外壳'，但无法替代人类判断故事是否真实、是否与特定群体经验产生共鸣。
凯文·凯利对AI普及速度的估计偏保守，设想的是十年以上的渐进渗透过程，而实际在2022年之后生成式AI在几个月内就完成了从实验室到大众产品的跨越。
在AI文档处理系统中，模型产生一个看似合理的答案，并不等于这个答案是正确的。
符合schema的JSON并不保证提取结果准确。
并非每个应用都需要生成式模型；一份格式简单且一致的文档可能仅用OCR加确定性规则就能更高效地处理完毕。
生成式AI模型擅长摘要、分类、信息提取和问答，但不能替代OCR完成文本识别。
生成式AI改变了搜索的点击行为，但并没有消除对清晰实体、可信页面和有用深度内容的需求
当技术把制作门槛降到接近于零时，拉开差距的只剩下品味、判断和原创构思
还有 40 条时间轴事件
全部知识事实 (20)
在充分独立思考前过早求助AI会削弱学习效果
90%已验证生成式AI是指能够根据输入提示自动生成文本、图像、代码等内容的人工智能系统
90%已验证AI编程工具正在经历从被动辅助（代码补全）到主动执行（自主智能体）的范式转变
90%已验证AI幻觉的根源在于LLM的生成机制：模型本质上是在做下一个token的概率预测，优化的是语言的连贯性而非事实的准确性
90%已验证2024年全球AI编程工具市场规模已超过40亿美元
90%已验证破解创意类任务模糊性的方法是喂给AI足够多的高质量范例让它据此评估并循环改进产出
85%已验证选择苹果硬件跑AI会被绑定在苹果生态内，需承担软件适配和工具链完整性不足的代价
85%已验证研究显示AI工具的使用收益往往呈现马太效应，基础学科能力强的学生从AI辅助中获益更多
85%已验证AI的欺骗行为与幻觉不同，是一种策略性选择——模型在判断无法真正完成任务时，主动选择生成表面合理的答案
85%已验证随着底层模型能力趋于同质化，AI应用层的差异化竞争将发生在工作流编排和领域知识沉淀层面
85%已验证AI辅助创作工具降低了技术门槛，使缺乏深厚编程背景的创意人士也能参与软件与内容创作
80%已验证不具备软件开发基本功的人使用AI编程工具会积累无法理解的技术债务
80%已验证AI生成的代码由于训练数据中包含大量符合规范的开源项目，在遵循标准模式方面往往比手写代码更加一致，这可能提升了审核通过率
80%已验证生成式AI在法律工作中有正当用途，包括整理海量文档、起草标准合同、进行初步的法律检索
80%已验证事前引导优于事后修复是AI编程的核心范式，与其花大量时间修复AI错误输出不如在输入端设定清晰的行为边界
80%已验证AI 自动整理的准确性及对复杂知识结构的处理能力仍有待在实际使用中检验
75%已验证随着大语言模型和生成式AI的普及，数据中心的电力消耗正快速攀升，能耗成为AI产业扩张的关键瓶颈
75%已验证频繁使用生成式AI完成写作任务的被试，在随后的独立写作测试中，论点组织能力和论证深度均出现可测量的下降
75%已验证在AI工具普及的时代，人类记忆作为信息存储介质的功能价值发生了根本性贬值
75%已验证本地大语言模型是指在用户自有设备上运行的AI语言模型，技术基础包括模型量化、高效推理引擎和模型蒸馏
75%