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)
生成式 AI 把「搜索—点击—浏览」的流程压缩成「提问—直接得到答案」，用户不再需要打开十个蓝色链接逐个筛选，这种交互方式的改变正在动摇关键词广告赖以生存的注意力分配逻辑。
生成式 AI 对话界面削弱了关键词竞价广告的后两个前提——用户得到直接答案后不再点击链接，广告位与自然结果之间的边界也变得模糊。
推荐算法与生成式AI在社交平台内部是两套不同但相互缠绕的系统：推荐算法决定用户看到什么，生成式AI负责生产内容。
美国国家落基山实验室为电网控制室构建生成式AI模型，以规模化提供监督，支持运营员进行可再生能源预测与电网状况估计。
将产品责任框架套用到生成式AI上，争点通常集中在两点——模型输出是否构成「产品缺陷」，以及免责声明是否构成「充分警示」。
生成式AI与传统判别式AI（如分类器）的区别在于，输出空间是开放的、非枚举的，因此其“正确性”难以用简单指标衡量。
论文列举了生成式AI在湍流中的核心应用方向：无条件生成、概率重建、降阶建模、时间演化和无网格表示。
现有验证方法尚不完善，基准生态的缺失是阻碍生成式AI在湍流研究中进展的关键因素。
视觉逼真和点误差不足以衡量生成模型在湍流建模中的物理保真度。
2G代表了一类新趋势：把生成式AI嵌入成熟的音乐制作工作流，而不是另起炉灶，作为插件或轻量应用存在而非替代DAW。
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
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 slop（AI垃圾内容）指由大语言模型批量生成、缺乏个性、结构套路化、语气过度圆滑的低质量文本
80%已验证生成式 AI 自2022年底 ChatGPT 爆发式普及以来，已从技术圈走入大众视野
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%已验证麦肯锡2024年报告预计生成式AI将为全球经济带来2.6万亿至4.4万亿美元的年度价值
80%已验证AI智能体具备三个关键能力：任务规划、工具调用、记忆与上下文管理
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AI Agent具备工具调用（Tool Use）和规划推理（Planning & Reasoning）两大核心能力，能将复杂目标自动分解为可执行的子任务序列
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%已验证目前多数顶级期刊要求作者声明AI工具的使用情况，但如何区分辅助润色与实质代写仍缺乏可操作的统一标准
75%