研究生课程提供许多领域的研究机会，包括原子能物理学和量子光学；核物理；粒子物理学；天体物理学和宇宙学；凝聚态物质；量子信息物理和应用物理。
RAMAMURTI SHANKAR 的《物理基础 I》
本课程为在物理和数学方面有良好准备的学生提供了对物理原理和方法的全面介绍。重点放在解决问题和定量推理上。本课程涵盖牛顿力学、狭义相对论、万有引力、热力学和波。| 课程资料
RAMAMURTI SHANKAR 的《物理基础 II》
这是物理学基础 I (PHYS 200) 的延续，这是为在物理和数学方面有良好准备的学生开设的物理学原理和方法的入门课程。本课程涵盖电学、磁学、光学和量子力学。| 课程资料
GPT Engineer：利用GPT来生成代码构建一个完整的项目。给GPT一个需求，中间它不明白的会问你，最后一次性给你生成所有代码。
你可以通过编辑文件夹中的文件来指定AI代理的“身份” identity。
编辑身份并进化main_prompt，目前是让代理记住项目之间事物的方式。
每一步steps.py都会将其与 GPT4 的通信历史记录存储在日志文件夹中，并且可以使用scripts/rerun_edited_message_logs.py.
你可以通过编辑文件夹中的文件来指定AI代理的“身份” identity。
编辑身份并进化main_prompt，目前是让代理记住项目之间事物的方式。
每一步steps.py都会将其与 GPT4 的通信历史记录存储在日志文件夹中，并且可以使用scripts/rerun_edited_message_logs.py.
现已集成 OpenAI、Hugging Face、LangChain 等知名 AI 开发工具。未来 AI 应用的开发效率将越来越快，成本越来越低。
目前已支持 React/Next.js、Svelte/SvelteKit和 Vue/Nuxt 以及 Node.js、Serverless 和 Edge Runtime。，下一步将支持 Nuxt/Vue。
docs | Vercel AI SDK
微软2023年Build大会演讲：如何训练和应用GPT | 相关视频
微软2023年Build大会来自OpenAI的AI 研究员和创始成员Andrej Karpathy的一个主题为State of GPT的演讲。
演讲主要有两部分内容：
1. OpenAI是如何训练GPT的
2. 我们如何有效应用GPT
微软2023年Build大会来自OpenAI的AI 研究员和创始成员Andrej Karpathy的一个主题为State of GPT的演讲。
演讲主要有两部分内容：
1. OpenAI是如何训练GPT的
2. 我们如何有效应用GPT
谷歌首席执行官桑达尔·皮查伊推出了一项革命性的技术。它通过人工智能和扫描我们的眼睛，可以非常准确地预测我们是否可能会有心血管疾病，这意味着未来，我们可能不再需要做CT、MRI或X光等复杂检查，医生就能直观地了解我们的健康状况。桑达尔·皮查伊强调，这项新技术展现了人工智能改变我们医疗护理方式的巨大潜力。
微软宣布允许企业在自己的数据上使用Azure OpenAI服务。该功能将激发世界各地的企业客户使用Azure OpenAI服务。
Azure OpenAI服务可以直接在你的数据上运行，无需进行额外的训练或微调。这意味着你可以直接使用OpenAI的模型（如ChatGPT和GPT-4）来处理你的数据，而无需对模型进行任何修改或调整。
Azure OpenAI服务可以直接在你的数据上运行，无需进行额外的训练或微调。这意味着你可以直接使用OpenAI的模型（如ChatGPT和GPT-4）来处理你的数据，而无需对模型进行任何修改或调整。
Google发布了一个生成式AI学习路径，包括8门课和2个测试，从技术原理、实现方式到应用场景和开发部署都包括，完全免费。
1.Introduction to Generative AI：什么是生成式AI，有什么应用，和传统机器学习有什么不同。
2.Introduction to Large Language Models：什么是大语言模型 （LLM），大语言模型的应用场景，以及提示词 (prompt) 和微调 (fine-tuning) 如何提升模型性能。
3. Introduction to Responsible AI：什么是负责任的AI (Responsible AI)，为什么AI模型安全可靠且道德很重要，以及如何打造一个使用负责任AI的产品。
4. Introduction to Image Generation：Diffusion Models图像生成模型理论、模型训练方法以及如何部署模型到云端
5. Encoder-Decoder Architecture：机器翻译、语音识别等任务广泛应用的encoder-decoder 模型架构原理以及如何在TensorFlow中构建一个此架构的诗歌生成AI。
6. Attention Mechanism：神经网络中的注意力机制（Attention Mechanism）如何在计算能力有限的情况下将计算资源分配给更重要的任务，提高翻译、总结、问答等性能。
7. Transformer Models and BERT Model：自然语言处理中的预训练技术BERT（Bidirectional Encoder Representations from Transformers）的基础原理，以及其如何可以让AI在许多不同任务中的显著提升在上下文中理解无标记文本的能力。
8. Create Image Captioning Models：学习图像理解和标注，学习如何构建出一个看图说话理解图片的人工智能模型。
1.Introduction to Generative AI：什么是生成式AI，有什么应用，和传统机器学习有什么不同。
2.Introduction to Large Language Models：什么是大语言模型 （LLM），大语言模型的应用场景，以及提示词 (prompt) 和微调 (fine-tuning) 如何提升模型性能。
3. Introduction to Responsible AI：什么是负责任的AI (Responsible AI)，为什么AI模型安全可靠且道德很重要，以及如何打造一个使用负责任AI的产品。
4. Introduction to Image Generation：Diffusion Models图像生成模型理论、模型训练方法以及如何部署模型到云端
5. Encoder-Decoder Architecture：机器翻译、语音识别等任务广泛应用的encoder-decoder 模型架构原理以及如何在TensorFlow中构建一个此架构的诗歌生成AI。
6. Attention Mechanism：神经网络中的注意力机制（Attention Mechanism）如何在计算能力有限的情况下将计算资源分配给更重要的任务，提高翻译、总结、问答等性能。
7. Transformer Models and BERT Model：自然语言处理中的预训练技术BERT（Bidirectional Encoder Representations from Transformers）的基础原理，以及其如何可以让AI在许多不同任务中的显著提升在上下文中理解无标记文本的能力。
8. Create Image Captioning Models：学习图像理解和标注，学习如何构建出一个看图说话理解图片的人工智能模型。
昨天，GitHub CEO Thomas Dohmke 与 Freethink 进行一个对话，在这个对话访谈中，Thomas Dohmke 说 Copilot 很快将可以实现 80%的代码编程（Copilot will write 80% of code “sooner than later”），而现在这个数字大概在 50%左右。
