前言
开篇我先下个结论，那就是：人类在科技领域的高效率竞争，正在把我们生活的这个商业世界一步步地数字化。而数字化，不单单是AI智能的发展成果，更会成为它所热衷的生长温床，为后续人工智能的一路狂飙奠定了绝佳土壤！
因此，那些“需求范式清晰，可标准量化，较人工操作可大大提升效率”的工作，都无疑会被逐渐取代。
从这一维度来看，首当其冲的热门岗位就是：
- 计算机视觉（图形图像识别，人脸识别），
- 语音技术（人机对话，智能驾驶），
- 自然语言处理（机器翻译，语义分析），
- 大数据应用（基础模型架构，科学计算）
……
注意，这里无行业之别，只要涉及到以上岗位，都符合“被AI取代的规律”，即：这个工作岗位需求能够被定义，并且当前正在有很多人在做。
因为以上特性恰恰正中AI下怀——基于智能的数据大模型，只要给它足够的时间和数据，它都可以照猫画虎学得有模有样，并且一再颠覆我们既有认知。（多少有点成也AI败也AI的悲壮情怀了）
此前，我们曾一直认为：某个人技术性很强=他可以在职场上更好地找一份工作。**但现实中，二者往往并不会划等号！**原因就在于我们忽略了背后的岗位需求量是否有这么大，而这也是职场人内卷的底层逻辑，要么你选择退出，要么委身下嫁。
因为企业单位从来都是以结果为导向，boss评判某人去留的唯一标准也只会是投产比ROI，当AI足以替代打工人，甚至带来翻倍的业绩收益，你觉得公司还需要那么多人吗？（除非你爬在IT行业金字塔顶端，具备不可替代性，否则底层员工大概率会被淘汰）
有意思的是，从这一点来看，相比理工科的思维逻辑化特性及工作的高度专业化特性，感性的文科生或者说偏冷门的行业倒显得更加幸运了~~~
因为AI也有自己的缺陷，比如：面对稀少的模拟数据情况下的模拟数据能力不足、不同领域系统没法直接移植、自适应能力差等。
因此可以想象到，不易被取代的岗位如下：
- 人工智能设计者与建造者，因为目前来看AI智能的方面还有很大提升空间，需要对大数据技术的发展和深度学习算法进行不断改进。（超热门，供不应求）
- 有温度的岗位，或者说有深层次情感交流需求的岗位，因为这背后涉及到较高复杂性的决策系统，是AI目前的软肋。（超冷门，供不应求）
但这里也绝对不是说让大家赶紧去转行从事以上行业，因为商业社会的形态还远没有那么完善，这个社会的发展还需要各行业的劳动力依附其中。（起码在人工智能日臻完善之前不会发生某个职业被淘汰、甚至彻底消失的事件）
因而对于“既非超热、又非超冷”的打工人来说，其实也不必过分焦虑，因为回顾历史各阶段，每当新兴事物诞生之初，总是会引发热议，并且伴随着媒体的过分夸张而导致不必要的焦虑。
英国作家狄更斯在《双城记》中有一句话我觉得很应景：这是最好的时代，也是最坏的时代。它不仅适用于当时的第二次工业革命，也同样是适用于现在的智能时代，适用于每个发生重大变革的时代。
之所以好，我想作者更多是冲着对人类社会发展跃迁的维度去理解的；之所以坏，想来也是针对身处其中的、被时代裹挟着无奈前行的大多数人而言吧…
如今，人工智能时代的出现，我们需要积极抵御它所带来的风险，因为“人无远虑必有近忧”嘛。但这个尺度该如何把控，就需要我们理性来对待了，这一点我觉得有位前辈说的非常好，这里也分享给大家——每次技术革命，其实只需要个别的垂类公司去真正投入其中即可（这也是他们的赛道或使命），其他公司及对应的职场人，其实只需要能适时使用它辅助工作效率提升就可以了。（是不是有一种茅塞顿开的感悟？拜服~）
比如AI绘画，大家此前都说画师要失业了，但实际上画师借助AI的力量，不仅减少了作画时间，在此基础上的二次完善，也使得作品更加符合业务需求，无形之中大大提升了业务量，在丰富商业社会的同时，还形成了百花齐放的局面。
同理，对于运营人而言，在熟悉业务需求的前提下，学会如何使用智能工具来提升工作效率才是核心。而所谓的运营岗位完全消失，也是不可能的事，原因就在于我上面提到的一点：AI在感性认知方面再怎么学习也不会和人类划等号。（比如，品牌消费决策流程中只要有冲动因子在，AI就无法精准把控人性，这里莫名想到唐探3）
所以，这里面临失业的打工人，可能大概率会落到只会简单处理日常业务流程的初级运营头上，比如说一个运营团队之前10个人，那么现在可能借助AI工具，只保留3~5个人就够了，节省的时间和成本，用在精简后的团队身上，既有利于工作效率工作成果提升，还大大鼓舞了现有团队的成员，最终形成事实上的共赢局面。
而至于被优化的那一部分人又将何去何从，这里我简单说三种可能：
- 通过自主学习提升，使自己具备重返职场的能力；
- 继续混迹职场，但也仅限于尚未采纳AI产品的企业单位；（不排除地域迁徙）
- 被迫转行，开启全新的第二职业生涯，可能是未被AI侵袭的行业，也可能是因AI诞生而延伸出的全新行业。（不一定非得有技术门槛,典型如：淘金卖水，金矿旁边卖牛仔裤和卖水的生意会兴起）
至于现在年轻人热衷烧香拜佛和摆地摊，是否符合AI引发的职场焦虑困境，大家仁者见仁智者见智吧，不过咱就说，发（zhi）现（zao）商机的服务商赚的盆满钵满倒是真的！
OK，说了这么多，所以你会发现：打工人和AI绝不是非此即彼的零和博弈，实现动态平衡和共赢共存、依托各自优势成铰链式螺旋上升，这才是推进科技社会进步的健康基因。
如何系统的去学习大模型LLM ？
作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1：AI大模型时代的基础理解
- 目标：了解AI大模型的基本概念、发展历程和核心原理。
- 内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
- 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
- 内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
- 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
- 内容：
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
- 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
- 内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划：
- 阶段1：1-2个月，建立AI大模型的基础知识体系。
- 阶段2：2-3个月，专注于API应用开发能力的提升。
- 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
- 阶段4：4-5个月，专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
