AI在把传统软件当早餐吃掉？为什么要学习大模型？

上周末在推特平台上有一篇写在谷歌文档里的短文，在国外的科技/投资圈得到了非常广泛的浏览，叫做 The End of Software（软件的终结）， 作者 Chris Paik 是位于纽约市的风险投资基金 Pace Capital 的创始合伙人，他之前同样在谷歌文档里总结的自己的投资框架也得到广泛的阅读。Pace Capital 的网站（pacecapital.com）和在他们网站上建立的一个“虚拟桌面”都非常有新意：

The End of Software 这篇短文取得很广泛的浏览的原因，除了有一些标题党（“软件的终结”可能在过去 20 年都一直被喊出来，也一直被编程能力很强的人所鄙视，它也是 Salesforce 这家 SaaS 公司曾经的营销口号 ），主要的原因还是科技圈从业者和技术开发人员能直接地感受到“软件开发方式”和“软件的价值定位”在加快变化，只是对由此引发的连锁反应是什么还看不太清。

Chris Paik 把软件行业正在 AI 影响下经历的，和内容行业在曾经的互联网影响下经历过的历程做了对比：

“《Vogue》杂志不是被另一家时尚媒体公司取代的，而是被数万个网红取代的；当软件本身不再需要赚钱时会发生什么？我们将经历一次软件的寒武纪大爆发，就像曾经的内容大爆发一样。”

另一位致力于投资 AI 优先的创业公司的技术型投资人 John Borthwick 也在周末同一天写了一篇延伸讨论 Chris Paik 短文的文章，我认为有几段很好的洞察，比如：

“代码变得灵活可塑；传统的技术栈概念将逐渐消失，取而代之的是由 AI 生成的微服务的流动海洋，这些微服务可以根据需要进行重新组合和再构。”

所以我把这两篇短文放在一起分享在这里作为启发。软件当然不会终结，但是在人工智能时代，软件本身，以及软件所代表的思维方式，还会不断更新和进化自己。传统的软件会慢慢消失，新生的“软件”正在孕育当中，普通人和软件的交互方式和关系也会改变。如果我们每一个人的小需求和小心思都可以有一个“软件”被快速创造出来满足我们，或者引导我们，并且会在混沌的信息环境里自我变化和适应，世界会有什么改变？让我们拭目以待，以后再把这些点连接起来。

【一一AGI大模型学习 所有资源获取处一一】

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

软件的终结（The End of Software）

要理解软件将会如何变化，我们可以通过研究技术如何改变其他行业来获益。历史往往是有韵律的，如果你仔细倾听的话。

在互联网出现之前，媒体的运作方式非常不同——制作内容的成本非常高。你必须支付专业的人来制作、编辑和分发内容。由于内容的制作成本很高，它就必须赚钱（Because content was expensive to create， it had to make money）。而消费者以前也愿意支付费用——报纸、杂志、书籍、有线电视和按观看付费（pay per view）。沃伦·巴菲特以热爱报纸而闻名——毕竟，谁不喜欢具有地方性的、垄断特性的、可预测的订阅业务呢（a predictable subscription business with local monopolistic dynamics）？

当互联网出现时，媒体公司将其视为接触更广泛观众和降低分发成本的一种方式。但是，**没人预料到的是，互联网不仅将分发成本降至零，还将内容创作的成本也降至零。**用户生成的内容蓬勃发展，而当内容创作不再需要成本时，它也不再需要赚钱。内容在不需要赚钱的情况下会有什么表现？这一经济约束的放松引发了一次寒武纪大爆发——你可以拍一张咖啡杯的照片，发布后可能获得百万次浏览或完全没有浏览，但市场的清算价格仍然得到了满足（the market clearing price is still met）。这产生了我们无法合理消费的海量内容。这就需要一些产品来引导注意力（This necessitated products to direct attention）、销售这些内容并有效地引导我们——我们现在将这些理解为用户生成内容的平台（user-generated content platforms）。

**这些用户生成的内容平台彻底冲击了媒体公司。**作为一家媒体公司，你在争夺用户的注意力，但你的销售成本（COGS）明显更高。你雇佣的创作内容的人越多，你就越容易被用户生成内容的平台超越。从结构上看，自那时起，投资于媒体就一直是一个亏损的价值主张，价值创造完全转移到了控制分发的平台上。

软件的制作成本很高（Software is expensive to create）。你必须支付专业人员来创建、维护和分发它（create it，maintain it，and distribute it）。因为软件的制作成本很高，它必须赚钱。而我们也为此付费——软件许可证、SaaS、按座位定价（software licenses，SaaS，per seat pricing）等。软件利润率历来是令人羡慕的——90%以上的利润率和零边际分发成本。

软件昂贵的原因在于开发人员昂贵（Software is expensive because developers are expensive）。他们是熟练的翻译者——将人类语言翻译成计算机语言，反之亦然（They are skilled translators–they translate human language into computer language and vice-versa）。大语言模型（LLM）已经证明了自己在这方面的高效性，并将把软件的制作成本降至零。当软件本身不再需要赚钱时会发生什么（What happens when software no longer has to make money）？我们将经历一次软件的大爆发，就像内容大爆发一样。

《Vogue》杂志不是被另一家时尚媒体公司取代的，而是被数万个网红取代的。Salesforce 也不会被另一个庞大的 CRM 系统取代，它将被一系列动态服务相同需求和痛点的工具所取代（It will be replaced by a constellation of things that dynamically serve the same intent and pain points）。软件公司将像媒体公司一样被新事物取代，新的控制分发的平台将应运而生。

SaaS、ARR、魔术数字 — 这些都是理解软件行业旧商业模式的术语，这种模式中，创建软件的费用就是一个护城河。软件领域的 “看不见的手” 已经停滞很久了，但大语言模型（LLM）将引入快速而熟悉的纠正力量。如今在学校主修计算机科学，就像 90 年代末主修新闻学一样。

生成式 AI 的崛起将如何改变软件开发？我看到几个关键趋势：

代码变得灵活可塑（Code becomes fluid and malleable）

通过代码生成模型，软件将获得全新的灵活性（software will gain a new level of flexibility）。代码将不再是文件中的静态行（No longer will code be static lines in a file），而是根据需求动态生成和调整（dynamically generated and adjusted on the fly to match requirements）。开发者只需用自然语言描述他们的需求，AI 就会将这些意图转化为可运行的代码。这将大幅加快开发周期。

“ 在熟练的 AI 系统手中，软件正变得像黏土一样柔软，可随心所欲地轻松塑造。”

软件变得更智能、更具上下文感知能力（Software grows smarter and more context-aware）

随着 AI 对软件项目周围的上下文（用户、目的、集成）的理解加深，它将能够独立做出智能的设计决策和优化。软件将根据其使用方式、使用者是谁以及其目标进行自我调整（Software will adapt itself to how it’s being used， who is using it， and what goal it’s meant to achieve）。它将自行调试（debug itself）、优化性能（optimize its own performance），并进化自身的架构（evolve its own architecture）。

告别“技术栈”，迎接模块化微服务（Goodbye to the “tech stack” - hello modular microservices）

传统的技术栈概念将逐渐消失，取而代之的是由 AI 生成的微服务的流动海洋，这些微服务可以根据需要进行重新组合和再构（a fluid sea of AI-generated microservices that can be remixed and recomposed as needed）。整个应用程序将通过描述不同服务和功能的连接与交互方式是什么而实现（Entire applications will materialize by describing how different services and functions should connect and interact）。技术栈将是虚拟的（The “stack” will be virtual）——不断变化的微 API 像素化（an ever-shifting pixelation of micro-APIs）。

这种范式转变将产生连锁反应，重塑我们对软件架构的理解，并促成新应用和服务的大爆发，不再受制于人类编写代码的局限性。其全部影响难以现在能完全理解，但有一点似乎很清楚：

在人工智能优先的世界里，谁能最娴熟地运用语言，谁就能掌握无穷的效用和发明的钥匙（whoever wields language most skillfully will hold the keys to boundless utility and invention）。掌握提示词和语言将成为创新的主要杠杆和基石。代码本身变成了一个执行细节，被将文字转化为比特的智能代理抽象掉了（abstracted away by intelligent agents that transform words to bits）。

人工手写软件代码的时代即将结束。虽然未来的发展仍在酝酿之中，但肯定会是一场狂野的驰骋之路。系好安全带，准备好在未来的语言浪潮中冲浪吧（surf the linguistic waves of the future）。

既然大模型现在这么火热，各行各业都在开发搭建属于自己企业的私有化大模型，那么势必会需要大量大模型人才，同时也会带来大批量的岗位？“雷军曾说过：站在风口，猪都能飞起来”可以说大模型这对于我们来说就是一个机会，一个可以改变自身的机会，就看我们能不能抓住了。

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🆓