为什么最近AI好像有点哑火了？原来是这样

最新推荐文章于 2024-09-14 17:02:52 发布

程序猿赵高

最新推荐文章于 2024-09-14 17:02:52 发布

阅读量1k

点赞数 19

文章标签：人工智能学习资料产品经理深度学习计算机视觉 LLM 语言模型

本文链接：https://blog.csdn.net/m0_57081622/article/details/141001264

版权

昨天跟同事聊天，讨论说：为啥最近这几个月，AI界大新闻少了？

最近这阵子，似乎主角基本上都围绕在开源，苹果和Meta各自卷一下，对标下gpt4o的性能。远远没有年初天天有突破、大事儿满天飞的感觉。

回想Q1，一会儿唱个歌，一会儿机器人整个活儿，一会儿生成个长视频，一会儿出个多模态，热闹的不行，天天都有大事件。咋就到Q2，就没了呢～

为什么呢？是不是发展到了新台阶？还是哪里受阻了？

个人觉得，可能几方面都有：

1. 对于AI大模型能做什么，逐渐有了预期：去年许下的愿望，今年都差不多实现了（我之前总结了“五个更” – 更快、更好、更长、更便宜、更多模态，都还在路上）

2. 对于AI大模型不擅长做的事儿，也确实遇到了瓶颈：我认为确实遇到了瓶颈，并非新问题，而是老问题，比如幻觉这事儿依然没啥解，比如逻辑思维这事儿依然不咋地，再比如多个模态的大一统还没到来，依然没见到更好的Transformer们出来。不过，好消息是ScalingLaw还在，于是我就想，是不是因为数据和算力着实不够了？目前几个头部大模型的数据基本都是万卡、十几T Token，没见到数量级的变化。（我也不知道，欢迎讨论）

3. POC门槛越来越低，使得胃口越来越刁钻：一点点的进步，已经不算事儿了。大家不再满足于一个能对话（胡诌八扯）的AI，而是真的希望AI立刻、马上能产生价值，于是…从一种“卧槽”变成了另一种“卧槽”，产生价值这事儿难度很大，商业闭环和落地上还差得远，更多人发出“不过如此”的声音，应用落地任重道远。

4. 技术炒作曲线使然：Gartner的曲线告诉我们，任何新型技术都逃不过从“期望之巅”到“绝望之谷”的起伏，只不过这轮AI大模型的节奏特别快～

我喜欢搞这些研究，就是被这些现象背后的趋势所吸引，且相信时间的力量。既然选择All in AI，就坚持走下去。

不过，对了，还有个好处，就是对于跟进洞察来说，倒是轻松了，大家也不用焦虑到总以为第二天AI就统治地球了，回归实用主义。

最近几个开源论文都在深度分享自己的数据准备和训练过程，看来去年的技术壁垒，现在成了所有人的共识，秀来秀去，回到了浅显易懂但极其繁杂的数据工程和大规模并行计算上。对国内厂商来说，也是个好事儿，毕竟还是千“工程师”易得，而一“算法天才”难求。

随着大模型的持续爆火，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”可以说现在大模型就是当下风口，是一个可以改变自身的机会，就看我们能不能抓住了。

那么，我们该如何学习大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。我已将重要的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。

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。