如果我们相信未来比今天更好，坚信自己生活在一个好地方，所要做的便是认识到未来时代的特征和规律。把握住一些不变的道理，使用正确的方法，做那些能够不断让自己获得可叠加式进步的事情，这样便能立于不败之地。—吴军
最近关注两个方向，也是公司重点发展和投资的两个方向，一是数据资产入表，二是大模型及应用。前段时间写数据资产入表相关内容更多一些，利用假期，把最近一些大模型相关的信息做一个整理，给大家做一个分享。
一、为什么开源LLama？*背后的商业逻辑与赚钱之道*
近日，Meta公司发布了迄今为止功能最强大的公开可用的语言大模型（LLM）——LLaMA3。
这一版本在庞大的15万亿个Token数据上进行预训练，提供了8B和70B两种参数规模，以满足不同用户场景的广泛需求。LLaMA3在各种行业基准测试中均取得了最先进的性能。
值得一提的是，除了现有的8B和70B参数规模的模型外，LLaMA3还有一个更为庞大的400B参数模型正在训练中。这预示着LLaMA3在未来将拥有更加强大的能力和更广泛的应用前景。
首先，我们来看看Meta为什么要花如此巨大的资源来开发并开源LLaMA3。
据悉，Meta为了这个项目动用了16000颗GPU，加上长期的测试准备、电力耗费及人员储备，整体投入高达每月上亿。但为何扎克伯格愿意投入如此之多？这背后与Meta的战略布局密不可分。
Meta的核心商业模式是广告，无论是Facebook、Instagram还是WhatsApp，都依赖于用户的粘性。
然而，随着技术的不断进步，新型创新公司有可能通过技术的爆发，改变用户的粘性。如果这种粘性转移到了另一家公司，那对Meta来说无疑是巨大的威胁。OpenAI的ChatGPT就是一个潜在的竞争者，它的出现已经引发了业界的广泛关注。
为了应对这种潜在的威胁，Meta选择了开源LLaMA3这一策略。通过开源，Meta不仅能够在市场推广中获得极大助力，还能吸引更多的开发者、初创企业加入到他们的技术路线中来，共同构建一个庞大的AI生态。
①人工智能/大模型学习路线
②AI产品经理入门指南
③大模型方向必读书籍PDF版
④超详细海量大模型实战项目
⑤LLM大模型系统学习教程
⑥640套-AI大模型报告合集
⑦从0-1入门大模型教程视频
⑧AGI大模型技术公开课名额
开源Llama3后，Meta如何赚钱呢？
首先，让我们回顾一下开源的历史。以安卓为例，谷歌通过开源这一策略，吸引了全球无数开发者和手机厂商加入其生态系统。
在这个过程中，谷歌通过广告收入（AdSense和AdWords）、应用商店收入（Google Play）、服务和应用销售（Gmail、Google Maps）、硬件销售以及生态合作伙伴等方式，实现了巨大的商业收益。可以说，掌握着整个生态系统的底座，就是躺赚的开始。
那么，Meta又是如何打算的呢？他们表示，“我们的策略是构建并开放源代码通用基础设施，同时保留我们的具体产品实现为专有技术。”
这句话透露出两层含义：一是Meta愿意开放其大模型的源代码，吸引更多开发者和企业加入其生态系统；二是Meta将保留其核心技术和产品实现，确保自己的竞争优势不被削弱。
这里，我们不妨回顾一下OpenAI的历程。OpenAI之所以名为“OpenAI”，是因为其早期模型GPT-1、GPT-2都是开源的。然而，随着GPT-3的发布，OpenAI却选择了闭源。
这一举动引起了业界的广泛讨论，**甚至有人戏称OpenAI应当改名*为“CloseAI”。*但无论如何，OpenAI的开源闭源策略都证明了开源和闭源并非水火不容，而是可以根据商业布局策略进行灵活调整。
那么，开源会不会削弱Meta的核心竞争力呢？答案是否定的。Meta在开源的同时，对开源的环节、流程和各种限制条件进行了精心设计。这些限制条件确保了Meta的核心技术和产品实现不会被轻易复制或模仿，从而保障了其竞争优势。
当然，这也引发了一些专业人士的质疑和嘲讽，认为Meta的做法“违返开源精神”。但商业世界从来都不是纯粹的道德世界，竞争和利益才是永恒的主题。
那么，Meta通过开源大模型能赚到哪些钱呢？
首先，通过吸引更多开发者和企业加入其生态系统，Meta可以进一步扩大其用户基数和市场份额。这将为其带来更多的广告收入和商业合作机会。
其次，Meta可以通过提供高级版或定制版的大模型服务，向企业收取一定的费用。这些服务将基于Meta的核心技术和产品实现，确保其竞争优势的持续性。
最后，Meta还可以利用其在AI领域的技术积累和生态优势，开展更多与AI相关的业务和合作，实现多元化收益。
总之，Meta开源大模型的背后隐藏着深刻的商业逻辑和赚钱之道。通过开源策略吸引更多开发者和企业加入其生态系统，同时保留核心技术和产品实现为专有技术，Meta在保障自己竞争优势的同时也为未来的发展奠定了坚实的基础。
自从Meta全力投入元宇宙领域以来，小扎终于通过开源Llama3走出了困境，这个大坑爬的确实刺激。
二、大模型的发展瓶颈
大模型技术的飞速发展正不断刷新着我们的认知。然而，随着技术的深入，大模型未来的发展瓶颈也逐渐显现。
关于这一点，个人还是很赞同张俊林的观点。
目前AIGC高速发展本质上还是吃的数据红利，如果GPT5达不到AGI，同时合成数据也没有技术突破，那么大模型能否通向AGI就存在很大疑问。
到了明年（2025年）下半年，可能用来训练大语言模型的高质量新数据就没有了，靠线性新增数据支持指数速度发展的模型能力是不够的。如果“合成数据”在未来两年不能取得突破性进展，大模型发展速度会骤然下降，无法维持目前这种高速发展的局面。
总体而言，“合成数据”是个新兴研究方向，还很不成熟，目前尚未能看到能主导未来技术方向的主流方法，探索性和不确定性比较强。
目前能看到的“合成数据”应用的最好的产品应该是DALLE-3，以及Sora，就是里面的图像和视频Re-caption模型，本质上这就是机器产生的“合成数据”。
“合成数据”目前应该投入大量资源来做，这是未雨绸缪，也能形成核心竞争力。
寄希望于多模态数据来大幅增强大模型的关键能力，比如逻辑推理能力，目前看只是很多人的愿望，目前并无明确的数据或实验能支持这一点。我个人认为这条路走不通。所以不应该把进一步提升AGI能力的希望寄托在多模态数据上。
未来如何，取决于我们在“合成数据”上的进展，有两种不同的未来图景。
一种是，长时间内合成数据无法大规模实用化。如果这样，未来会出现如下现象：大模型能力基本到顶，各种质疑目前AGI技术路线的声音会逐步放大，而开源和闭源模型能力会持平。
这对于很多闭源模型公司来说是灭顶之灾（尽管我们可以继续通过放大模型规模来进一步提升模型能力，但是模型能力增长曲线会比现在平缓很多，即模型能力“加速度差”减小，开源模型较为容易赶上闭源模型）。
另外一种，是在未来两年内要么我们在“合成数据”方面取得大进展，要么即使没有新数据，但是我们有突破性的技术，可以在数据量不变情况下，极大提升大模型的数据利用效率（相同数据量，相同模型大小，如果模型效果更好，则说明模型的数据利用率更高。当然这块目前也未看到可以主导未来发展的主流技术）。
那么，我们会继续按照Scaling law往后发展，就是继续增加新数据，推大模型规模，来持续增强模型能力。
如果这样，AGI是可能通过大模型技术路线达到的，而在这种情况下，意味着需要相比目前数以十倍、百倍的资源投入，基本是个天文数字了，而在如此巨量投入的情况下，Meta等公司是否还会这样大力度支持开源就是有疑问的，此时开源模型是有可能越来越落后于闭源模型的。
三、一键部署LLaMA3
Ollama是一款由Meta公司开源的本地化管理大模型工具包，它支持多个大模型的本地化部署、管理以及运行，使得我们能够方便地将大模型下载至本地，并进行快速的调试操作。
跑8B版本，个人电脑配置基本够用，本人笔记本是6核CPU，16G内存。
- 安装Ollama
安装地址：ollama.com
进入网站后，点击“DownLoad”，选择电脑对应的系统。
下载之后，点击Next以及Install安装ollama到命令行。安装完成后界面上会提示ollama run llama2，不需要执行这条命令，因为我们要安装llama3。
2.下载Llama3
打开新的终端/命令行窗口，执行以下命令：
ollama run llama3
程序会自动下载LLaMA3的模型文件，默认是8B，也就80亿参数版本，个人电脑完全可以运行。
成功下载模型后，我们可以直接在终端和Llama3进行对话，比如提问Who are you?，基本可以实现即时回复。
vbnet
➜ Projects ollama run llama3
>>> who are you?
I'm LLaMA, a large language model trained by a team of researcher at Meta
AI. I'm here to chat with you and answer any questions you may have.
I've been trained on a massive dataset of text from the internet and can
generate human-like responses to a wide range of topics and questions. My
training data includes but is not limited to:
* Web pages
* Books
* Articles
* Research papers
* Conversations
* I'm constantly learning and improving my responses based on the
* conversations I have with users like you.
* So, what's on your mind? Do you have a question or topic you'd like to
* discuss?
至此，我们已经成功运行LLaMA3。当然可以继续安装WebUI，可以通过Web页面交互，后续会进行相关分享。
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
- L2.1 API接口
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
- L3.1 Agent模型框架
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🆓
3038
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
