抓紧时间,拥抱AIGC的时代浪潮!

一、技术飞速迭代

        笔者科班学的是NLP，还记得刚开始接触NLP的时候深刻感受到技术为生活所带来的便利。例如，使用一个分类模型可以实现文章类别的划分，从而只挑选想读的文章；关键词抽取模型可以实现文本关键词的准确提取，为资源标签化提供了莫大的帮助。然而，自22年chatgpt推出以后，一夜之间NLP领域似乎经历了翻天覆地的变化。笔者惊奇的发现，以往诸如情感分析、关键词抽取、实体抽取等等需要构建数据集进行大量训练的建模任务，chatgpt竟无需任何提示就可以完成。

        顿时，笔者也不由担心是否在不远的将来，程序员的工作可以完全被AI所取代，从而造成大量的程序员失业。那时，chatgpt刚推出不久，已经是火出圈的概念了，但其性能并未让我觉得码农会受到太大的威胁，毕竟在不少NLP任务或者代码生成的过程中大模型还是存在着一定的bug的。然而，还没来得及进一步思考，新的大语言模型接二连三推出，OpenAI、Google、百度、阿里等公司纷纷搞起了军备竞赛。到最近OpenAI-o1大模型发布，仅仅离chatgpt发布不到两年，可大模型的数量已经数不过来了。如今，大语言模型的能力相比两年前已经大大提高，在诸多任务中，笔者甚至可以直接使用大模型生成的代码进行业务开发，技术迭代速度之快，实在令笔者震惊！

二、码农何去何从

        大语言模型大火，一方面使得很多人担心以后是否会失业，另一方面也让不少朋友开辟了新业务。笔者身边的一些朋友就做起了大模型“训练师”，据笔者了解，目前业内给这些大模型相关岗位开出的价格非常可观。但也有做数据分析的朋友发出“代码打不过大语言模型，分析能力也不见得比它好多少，将来可怎么办”之类的担忧。

        从笔者的角度来看，倒是不用太过担心失业。一方面，大语言模型的出现或许会使得许多传统的NLP任务流程大大简化，但目前本地部署大语言模型需要不少的算力，即便是调用API也会出现网络延迟、生成速度慢、生成结果不稳定等问题，也就是说目前在很多业务场景中想要落地大模型应用仍然面临着不小的阻力，因此三五年内至少不需要担心自己的工作会被取代；另一方面，大模型能够根据人类给出的指令执行任务，但是在数据处理、特征工程、模型结果后处理等方面，光靠大模型至少目前来看是不现实的，最明显的就是数值型数据的预处理、特征工程等工作大模型没办法做（也可能是笔者孤陋寡闻）；此外，大语言模型再厉害，它也只是一个工具，我们了解它并将它应用于实践，这就是它的归宿，历史上出现过很多划时代的工具，也的确有人因为它们的出现而失业，但这也间接推动了新兴产业的发展，只要态度积极，总是能找到新工作的；还有就是，大模型可不会背锅，业务出了问题，没有我们这些吗喽，谁来背锅。

        从职业生涯发展规划方向来看，笔者认为，即便工作再忙，也应当花些时间去了解大模型相关知识，即便不会进行大模型的训练和微调，至少也能够知道怎么调用API、怎么编写有效的Prompt。这样一来，在某些业务场景中，即便要应用大模型，我们也能够实现基本的模型部署（至少不会因为不能做大模型而被领导c掉哈哈哈）。另外，也能够借助大模型的知识和能力，在一次次与大模型的交互过程中提升我们自身的知识水平。

三、感受

        在AIGC不断发展的过程中，笔者及时地拥抱了大模型，生活和工作中都因为有了大模型而方便不少。对于工作中遇到的一些陌生的概念或是早已还给老师的知识，大模型都能一一详解，尤其是Kimi之类能够联网搜索资料再生成回答的大模型，回答的专业性、准确性更高。在业务建模的过程中，一些简单的或者繁琐的代码（如已经放弃背规则的re库）直接交给大模型生成然后copy过来应用也是屡试不爽。为了进一步提高生活水平，笔者还开发了一个电脑语音助手，不仅能够根据我的指令开关电脑软件、打开指定网站，还能够回答我提出的各种问题，这都得益于强大的大语言模型内核。

        人工智能技术的发展日新月异，如果不及时去更新我们的知识体系，那么很有可能短短两三年就与技术前沿脱节。虽然还是能够靠着自己的老技术和方法混口饭吃，但是天花板终归有限，职业生涯的发展会变得很迟缓。划时代新技术的出现往往会造成行业的巨变，但是人类总是聪明的，及时了解、学习新技术，就能成为第一批吃螃蟹的人（哪怕是第二批也行啊）。笔者真正开始了解大模型原理已经是23年末了（想不到1年也算很晚了），现在只能快马加鞭学了。下一个新技术出现的时候一定第一时间学习！