Added new video links and 2 new lessons

Author: koreyspace

01-introduction-to-genai/translations/cn/README.md

@@ -1,8 +1,8 @@
 # 第一章 : 生成式人工智能和 LLMs 介绍
 
-[![Introduction to Generative AI and Large Language Models](../../images/01-lesson-banner.png?WT.mc_id=academic-105485-koreyst)](https://youtu.be/vf_mZrn8ibc?WT.mc_id=academic-105485-koreyst)
+[![Introduction to Generative AI and Large Language Models](../../images/01-lesson-banner.png?WT.mc_id=academic-105485-koreyst)](https://learn.microsoft.com/_themes/docs.theme/master/en-us/_themes/global/video-embed.html?id=36c6795a-e63c-46dd-8d69-df8bbe6e7bc9?WT.mc_id=academic-105485-koreyst)
 
-*(点击该图片看本章导学视频)*
+_(点击该图片看本章导学视频)_
 
 生成式人工智能是能够生成文本、图像和其他类型内容的人工智能。 它之所以成为一项出色的技术，是因为它使人工智能更通用化，任何人都可以使用它，只需简单文本提示，使用自然语言编写的提示词。 你不需要学习 Java 或 SQL 这样的语言来完成一些有价值的事情，你只需要使用你的日常语言，描述需要的东西，然后 LLMs 就会给出相关建议。 其应用场景和影响是巨大的，您可以在几秒钟内完成写作或理解报告、编写应用程序等。
 
@@ -12,23 +12,23 @@
 
 本课程将包含以下内容：
 
-* 业务场景介绍：我们的创业理念和使命。
-* 生成式人工智能以及我们如何适应当前的技术格局。
-* LLMs 的内部工作原理。
-* LLMs 的主要功能和实际用例。
+- 业务场景介绍：我们的创业理念和使命。
+- 生成式人工智能以及我们如何适应当前的技术格局。
+- LLMs 的内部工作原理。
+- LLMs 的主要功能和实际用例。
 
 ## 学习目标
 
 学习完本课程后，您将会了解到：
 
-* 什么是生成式人工智能以及 LLMs 如何工作。
-* 如何针对不同的使用 LLMs 的例子(这里我们重点关注教育场景)。
+- 什么是生成式人工智能以及 LLMs 如何工作。
+- 如何针对不同的使用 LLMs 的例子(这里我们重点关注教育场景)。
 
-## 场景: our educational startup 
+## 场景: our educational startup
 
 生成人工智能 (AI) 代表了人工智能技术的巅峰，突破了曾经被认为不可能的界限。 生成式人工智能模型具有多模态的功能，在本课程中，我们将会讲述一间虚构的初创公司利用生成式人工智能改变传统教育方式的故事。 我们将这家初创公司称为“Our startup”。 Our startup 致力于教育领域，其雄心勃勃的使命宣言是
 
-> *在全球范围内提高学习的可及性，确保公平的受教育机会，并根据每个学习者的需求为他们提供个性化的学习体验*。
+> _在全球范围内提高学习的可及性，确保公平的受教育机会，并根据每个学习者的需求为他们提供个性化的学习体验_。
 
 我们的初创团队意识到，如果不利用现代最强大的工具之—— LLM，我们将无法实现这一目标。
 
@@ -63,58 +63,56 @@
 
 ![AI、ML、DL 和生成式 AI](../../images/AI-diagram.png?WT.mc_id=academic-105485-koreyst)
 
-经过人工智能领域数十年的研究，一种名为 *Transformer* 的新模型架构克服了 RNN 的限制，能够获得更长的文本序列作为输入。 Transformer 基于注意力机制，使模型能够为其接收到的输入赋予不同的权重，“更加专注于”关联信息集中的地方，不管它们在文本序列中的顺序如何。
+经过人工智能领域数十年的研究，一种名为 _Transformer_ 的新模型架构克服了 RNN 的限制，能够获得更长的文本序列作为输入。 Transformer 基于注意力机制，使模型能够为其接收到的输入赋予不同的权重，“更加专注于”关联信息集中的地方，不管它们在文本序列中的顺序如何。
 
 生成式人工智能模也称为 LLM，因为它们使用文本输入和输出的架构。 这些模型的有趣之处在于，它们经过来自书籍、文章和网站等不同来源的大量未标记数据的训练，可以适应各种各样的任务，并以创造性的方式生成语法正确的文本。 因此，它们不仅极大地增强了机器“理解”输入文本的能力，而且使机器能够以人类语言生成原始响应。
 
 ## LLMs 如何工作?
 
 在下一章中，我们将探索不同类型的生成式 AI 模型，但现在让我们看看大型语言模型是如何工作的，重点是 OpenAI GPT（生成式预训练 Transformer）模型。
 
-* **分词器，文本到数字**：大型语言模型接收文本作为输入并生成文本作为输出。 然而，作为统计模型，它们对数字的处理效果对比起文本序列的处理效果要好得多。 这就是为什么模型的每个输入在被核心模型使用之前都由分词器处理。 标记是一段文本——由可变数量的字符组成，因此标记器的主要任务是将输入分割成标记数组。 然后，每个令牌都映射有一个令牌索引，该索引是原始文本块的整数编码。
+- **分词器，文本到数字**：大型语言模型接收文本作为输入并生成文本作为输出。 然而，作为统计模型，它们对数字的处理效果对比起文本序列的处理效果要好得多。 这就是为什么模型的每个输入在被核心模型使用之前都由分词器处理。 标记是一段文本——由可变数量的字符组成，因此标记器的主要任务是将输入分割成标记数组。 然后，每个令牌都映射有一个令牌索引，该索引是原始文本块的整数编码。
 
 ![Example of tokenization](../../images/tokenizer-example.png?WT.mc_id=academic-105485-koreyst)
 
-* **预测输出标记**：给定 n 个标记作为输入（最大 n 因模型而异），模型能够预测一个标记作为输出。 然后，该标记会以扩展窗口模式合并到下一次迭代的输入中，从而获得一个（或多个）句子作为答案,生成结果有更好的用户体验。 这解释了为什么如果您曾经使用过 ChatGPT，您可能会注意到有时它在生成结果时在句子中间出现停顿。
+- **预测输出标记**：给定 n 个标记作为输入（最大 n 因模型而异），模型能够预测一个标记作为输出。 然后，该标记会以扩展窗口模式合并到下一次迭代的输入中，从而获得一个（或多个）句子作为答案,生成结果有更好的用户体验。 这解释了为什么如果您曾经使用过 ChatGPT，您可能会注意到有时它在生成结果时在句子中间出现停顿。
 
-* **选择过程，概率分布**：模型根据其在当前文本序列之后出现的概率来选择输出标记。 这是因为该模型预测了根据其训练计算出的所有可能的“下一个标记”的概率分布。 然而，并不总是从结果分布中选择概率最高的标记。 这种选择增加了一定程度的随机性，模型以非确定性方式运行——对于相同的输入，我们不会得到完全相同的输出。 添加这种程度的随机性是为了模拟人类创造性思维的过程，您可以使用称为温度的模型参数进行调整。
+- **选择过程，概率分布**：模型根据其在当前文本序列之后出现的概率来选择输出标记。 这是因为该模型预测了根据其训练计算出的所有可能的“下一个标记”的概率分布。 然而，并不总是从结果分布中选择概率最高的标记。 这种选择增加了一定程度的随机性，模型以非确定性方式运行——对于相同的输入，我们不会得到完全相同的输出。 添加这种程度的随机性是为了模拟人类创造性思维的过程，您可以使用称为温度的模型参数进行调整。
 
 ## “Our startup” 如何利用 LLMs ？
 
-现在我们对 LLMs  的内部工作有了更好的了解，让我们看看它们可以很好地执行的最常见任务的一些实际示例，并着眼于我们的业务场景。
-我们说过， LLMs  的主要功能是*从头开始生成文本，从文本输入开始，用自然语言编写*。
+现在我们对 LLMs 的内部工作有了更好的了解，让我们看看它们可以很好地执行的最常见任务的一些实际示例，并着眼于我们的业务场景。
+我们说过， LLMs 的主要功能是*从头开始生成文本，从文本输入开始，用自然语言编写*。
 
 但是是什么样的文本输入和输出呢？
 大型语言模型的输入称为提示，而输出称为补全，术语指的是生成下一个标记来完成当前输入的模型机制。 我们将深入探讨什么是提示以及如何设计它以充分和我们的模型进行交流。 但现在，我们假设提示可能包括：
 
-* 通过一条**指令**，指定我们期望模型输出的类型。 该指令有时可能会嵌入一些示例或一些附加数据。
+- 通过一条**指令**，指定我们期望模型输出的类型。 该指令有时可能会嵌入一些示例或一些附加数据。
 
-     1. 文章、书籍、产品评论等的总结，以及从非结构化数据中提取见解。
+  1.  文章、书籍、产品评论等的总结，以及从非结构化数据中提取见解。
 
-     ![摘要示例](../../images/summarization-example.png?WT.mc_id=academic-105485-koreyst)
+  ![摘要示例](../../images/summarization-example.png?WT.mc_id=academic-105485-koreyst)
 
+  2.  文章、论文、作业等的创意构思和设计。
 
-     2. 文章、论文、作业等的创意构思和设计。
+  ![创意写作示例](../../images/creative-writing-example.png?WT.mc_id=academic-105485-koreyst)
 
-     ![创意写作示例](../../images/creative-writing-example.png?WT.mc_id=academic-105485-koreyst)
+- **问题**，以与代理对话的形式提出。
 
-* **问题**，以与代理对话的形式提出。
+  ![对话示例](../../images/conversation-example.png?WT.mc_id=academic-105485-koreyst)
 
-     ![对话示例](../../images/conversation-example.png?WT.mc_id=academic-105485-koreyst)
+- **文本补全**，这隐含着对写作帮助的请求。
 
-* **文本补全**，这隐含着对写作帮助的请求。
+  ![文本完成示例](../../images/text-completion-example.png?WT.mc_id=academic-105485-koreyst)
 
-     ![文本完成示例](../../images/text-completion-example.png?WT.mc_id=academic-105485-koreyst)
+- **代码**解释和记录需求，或者要求生成执行特定任务的一段代码的注释。
 
-*  **代码**解释和记录需求，或者要求生成执行特定任务的一段代码的注释。
-
-     ![编码示例](../../images/coding-example.png?WT.mc_id=academic-105485-koreyst)
+  ![编码示例](../../images/coding-example.png?WT.mc_id=academic-105485-koreyst)
 
 以上的例子非常简单，并不是对生成式人工智能功能的详尽演示。 只是想展示使用生成式人工智能的潜力，并不局限于教育领域。
 
 此外，生成式人工智能模型的输出并不完美，有时模型的创造力可能会对其产生不利影响，导致输出是人类用户可以将其解释为现实神秘化的单词组合，或者具有攻击性。 生成式人工智能并不智能——至少在更全面的智能定义中是这样，包括批判性和创造性推理或情商； 它不是确定性的，也不值得信赖，因为错误的引用、内容和陈述等幻觉可能会与正确的信息结合起来，并以有说服力和自信的方式呈现。 在接下来的课程中，我们将处理所有这些限制，并了解可以采取哪些措施来降低影响。
 
-
 ## 任务
 
 你的任务是阅读更多关于生成式人工智能（https://en.wikipedia.org/wiki/Generative_artificial_intelligence）的内容，并尝试找出一个你现在可以添加生成式人工智能但目前还没有的领域。 与用“旧式方法”做有什么不同，你能做一些你以前做不到的事情吗，或者生成的时候速度更快吗？ 写一篇 300 字的摘要，描述您梦想的人工智能初创公司的样子，包括“问题”、“我将如何使用人工智能”、“影响”等标题，还可以选择做一份商业计划。