STORM, ett banbrytande AI-projekt från Stanford, erbjuder en otrolig förmåga - möjligheten att generera omfattande Wikipedia-liknande artiklar om valfritt ämne. Ange bara ett ämne, och STORM kommer att forska, sammanställa och presentera en detaljerad, välstrukturerad artikel, komplett med referenser till källwebbplatserna.

Detta AI-drivna system är en spelförändring, vilket gör att användare snabbt och enkelt kan skapa informativt innehåll inom ett brett spektrum av ämnen. Processen är remarkabelt effektiv, där STORM effektivt söker igenom webben, identifierar relevant information och organiserar den i en sammanhängande, välforskad artikel.

En av de utmärkande funktionerna hos STORM är dess förmåga att referera till de källwebbplatser som använts för att samla in informationen. Denna transparens säkerställer att innehållet är väl förankrat och ger användarna möjlighet att fördjupa sig i ämnet genom att komma åt de ursprungliga källorna.

De potentiella tillämpningarna av denna teknik är omfattande, från utbildning och forskning till innehållsskapande och kunskapsdelning. STORM:s förmåga att generera högkvalitativa, informativa artiklar på begäran kan spara tid, effektivisera arbetsflöden och ge användare möjlighet att utforska och dela kunskap mer effektivt.

När STORM fortsätter att utvecklas, med funktioner som det kommande "Human-AI Collaboration Mode", växer möjligheterna för detta remarkabla AI-system bara. Utforska kraften i STORM och öppna en ny era av effektivt, omfattande innehållsskapande.

För att installera och konfigurera STORM AI lokalt på din dator, följ dessa steg:

1. Öppna Visual Studio Code (VSCode) och navigera till den katalog där du vill lagra projektet.
2. Klona STORM GitHub-databasen genom att köra följande kommando i terminalen:

   git clone https://github.com/stanford-crfm/storm.git
   

3. Byt till storm-katalogen:

   cd storm
   

4. Skapa en ny Python-miljö med ditt föredragna miljöhanteringsverktyg (t.ex. conda, venv):

   conda create -n storm python=3.11
   

5. Aktivera miljön:

   conda activate storm
   

6. Installera de nödvändiga beroendebiblioteken genom att köra:

   pip install -r requirements.txt
   

7. Skapa en secrets.toml-fil i projektets rotmapp och lägg till din OpenAI API-nyckel och Bing Search API-nyckel:

   open_ai_api_type = "openai"
   open_ai_api_key = "your_openai_api_key"
   bing_search_api_key = "your_bing_search_api_key"
   

8. Kopiera secrets.toml-filen till frontend/streamlit-katalogen:

   cp secrets.toml frontend/streamlit/
   

9. Byt till frontend/streamlit-katalogen:

   cd frontend/streamlit
   

10. Starta Streamlit-servern:

    streamlit run storm.py
    

STORM AI-programmet bör nu köras på http://localhost:8501. Du kan starta din första forskning genom att ange ett ämne och klicka på "Research"-knappen.

Du kan testa STORM AI-systemet utan att installera det lokalt. Projektet tillhandahåller en demosida på storm.genie.stanford.edu där du kan se förhandsgranskade sidor.

Demosidan har redan flera sidor som har fullständigt forskats av STORM AI-systemet. Du kan utforska dessa sidor för att få en känsla av systemets möjligheter.

En anmärkningsvärd funktion som snart kommer är "Human AI Collaboration Mode", som ser mycket lovande ut och kommer att låta användare interagera med AI-systemet på ett mer samarbetsinriktat sätt.

Sammanfattningsvis ger demosidan ett bra sätt att uppleva STORM AI-systemet utan att behöva gå igenom installationsprocessen. Den visar upp systemets imponerande forskningsförmågor och potentialen för framtida utvecklingar inom människa-AI-samarbete.

Enligt den information som tillhandahålls utvecklar STORM AI-projektet från Stanford för närvarande en "Human-AI Collaboration Mode"-funktion som kommer att vara tillgänglig snart. Denna funktion verkar möjliggöra ett mer interaktivt och samarbetsinriktat tillvägagångssätt mellan människor och AI-systemet.

Men medan detaljerna kring denna kommande funktion ännu inte är helt kända antyder transkriptet att den kommer att göra det möjligt för användare att engagera sig med AI:n på ett mer dynamiskt sätt, vilket potentiellt kan tillåta realtidsfeedback, förfining av forskningsprocessen och en smidigare integrering av mänsklig expertis och AI:ns möjligheter.

Tillgången till denna Human-AI Collaboration Mode är en spännande utveckling, eftersom den potentiellt kan förbättra användbarheten och mångsidigheten hos STORM AI-systemet, vilket gör det möjligt för användare att dra nytta av AI:ns forskningsförmågor samtidigt som de behåller en mer aktiv roll i kunskapsgenereringsprocessen.

För att felsöka och optimera den lokala installationen av STORM AI, överväg följande steg:

1. Verifiera miljökonfigurationen: Se till att din Python-miljö är korrekt konfigurerad. Kontrollera att de nödvändiga beroendebiblioteken är installerade genom att köra pip freeze och jämföra utdata med requirements.txt-filen.

2. Kontrollera secrets.toml-filen: Se till att secrets.toml-filen är korrekt ifylld med de nödvändiga API-nycklarna för OpenAI och Bing (eller någon annan sökprovider du väljer att använda). Dubbelkolla syntaxen och värdena för att säkerställa att det inte finns några stavfel eller fel.

3. Granska loggar: Granska noggrant de loggar som genereras av STORM AI-programmet. Leta efter eventuella felmeddelanden eller varningar som kan ge insikter om de problem du upplever.

4. Utforska alternativa sökprovider: Om du har problem med webbskrapningsfunktionaliteten med hjälp av Bing-API:t, överväg att utforska alternativa sökprovider, som Google eller Wolfram Alpha. STORM AI-projektet kan ha stöd för dessa provider, eller så kan du behöva implementera anpassade webbskrapningslösningar.

5. Undersök lokal LLM-integrering: Som nämnts i transkriptet har STORM AI-projektet stöd för att integrera lokala stora språkmodeller (LLM) som LLaMA eller Vicuna. Utforska dokumentationen och GitHub-problem för att se om du kan få dessa lokala LLM-alternativ att fungera, vilket kan ge en mer självständig och offline-vänlig lösning.

6. Håll dig uppdaterad: Håll ett öga på STORM AI GitHub-databasen för eventuella uppdateringar, felkorrigeringar eller nya funktioner som kan åtgärda de problem du står inför. Projektet underhålls aktivt och utvecklarna kan ha infört förbättringar sedan transkriptet spelades in.

7. Sök gemensamhetsstöd: Om du fortsätter att stöta på svårigheter, överväg att kontakta STORM AI-gemenskapen på GitHub eller andra relevanta forum. Utvecklarna och andra användare kan ge vägledning och hjälp för att lösa dina installationsproblem.

Att köra STORM AI lokalt erbjuder flera fördelar jämfört med att enbart förlita sig på OpenAI-API:t:

1. Offlinekapacitet: När du kör STORM AI lokalt kan du utföra forskning och generera artiklar utan internetanslutning. Detta gör verktyget mer tillgängligt och oberoende av extern API-tillgänglighet.

2. Integritet och säkerhet: Genom att köra STORM AI på din egen dator har du mer kontroll över data och kan säkerställa att den förblir inom din privata miljö, vilket förbättrar integriteten och säkerheten.

3. Anpassning och flexibilitet: Att vara värd för STORM AI lokalt låter dig anpassa verktyget till dina specifika behov, som att integrera det med dina egna datakällor eller modifiera de underliggande algoritmerna.

4. Kostnadsbesparingar: Även om OpenAI-API:t erbjuder ett bekvämt sätt att komma åt STORM AI-funktionerna kan att köra det lokalt potentiellt spara dig pengar, särskilt om du har höga användningskrav.

5. Minskad fördröjning: Att utföra forskning och artikelgenerering på din lokala dator kan resultera i snabbare svarstider jämfört med att förlita sig på OpenAI-API:t, som kan vara utsatt för nätverksfördröjning och API-förfrågningskö.

För att konfigurera STORM AI lokalt, följ de detaljerade instruktionerna som ges i introduktionen. Genom att dra nytta av det lokala distributionsalternativet kan du låsa upp hela potentialen hos detta kraftfulla AI-forskningsverktyg och anpassa det till dina specifika behov.

Stanford-projektet som visas i detta transkript är ett imponerande AI-drivet verktyg som kan generera omfattande Wikipedia-liknande artiklar om valfritt ämne. De viktigaste höjdpunkterna i detta system inkluderar:

• Det kan forska i ett ämne i detalj och täcka olika perspektiv som affärer, industri, hälso- och sjukvård, utbildning och säkerhet.
• För varje faktum som presenteras i artikeln ger det en referens till den ursprungliga webbkällan, vilket säkerställer transparens och trovärdighet.
• Systemet kan köras lokalt, med undantag för webbsökningsfunktionaliteten, som förlitar sig på OpenAI-API:t.
• Användare kan testa systemet utan att installera det lokalt genom att besöka demosidan på storm.genie.stanford.edu.
• Projektet är öppen källkod och har fått stort intresse, med nästan 62 000 stjärnor på GitHub.

Sammanfattningsvis är detta AI-forskningsverktyg ett exempel på potentialen hos AI-driven innehållsgenerering och kan vara en värdefull resurs för forskare, lärare och alla som vill snabbt få djupgående kunskap inom ett visst ämne.