💡 本篇会带给你
-
了解大模型能做什么
-
整体了解大模型应用开发技术栈
一、前言
在剧烈变革的时代,千万别只拿代码当干货!作为咱们新时代的IT人员,学会拥抱AI、使用AI、学习AI、懂AI。永远不会错。
目前,行业共识是:两个确定一个不确定
-
确定未来 - AI 必然重构世界
-
确定进入 - 想收获红利,必须现在进入
-
不确定落****地 - 解决什么需求,技术路线、产品策略都是什么,确定性还很低
等「不确定」确定了,代码的价值才是大的。
二、什么是 AI?
「深蓝」的创造者许峰雄博士说过:「AI is bullshit。深蓝没用任何 AI 算法,就是硬件穷举起步。」
思考:你觉得哪些应用算是 AI?
一种观点:基于机器学习、神经网络的是 AI,基于规则、搜索的不是 AI。
三、大模型能干什么?
大模型,全称「大语言模型」,英文「Large Language Model」,缩写「LLM」。
现在,已经不需要再演示了。每人应该都至少和下面一个基于大模型的对话产品,对话过至少 100 次。
国家 | 对话产品 | 大模型 | 链接 |
---|---|---|---|
美国 | OpenAI ChatGPT | GPT-3.5、GPT-4 | https://chat.openai.com/ |
美国 | Microsoft Copilot | GPT-4 和未知 | https://copilot.microsoft.com/ |
美国 | Google Bard | Gemini | https://bard.google.com/ |
中国 | 百度文心一言 | 文心 4.0 | https://yiyan.baidu.com/ |
中国 | 讯飞星火 | 星火 3.5 | https://xinghuo.xfyun.cn/ |
中国 | 智谱清言 | GLM-4 | https://chatglm.cn/ |
中国 | 月之暗面 Kimi Chat | Moonshot | https://kimi.moonshot.cn/ |
中国 | MiniMax 星野 | abab6 | https://www.xingyeai.com/ |
注意:分清对话产品和大模型。
但是,千万别以为大模型只是聊天机器人。它的能量,远不止于此。
3.1、按格式输出
3.2、分类
3.3、聚类
3.4、持续互动
3.5、技术相关问题
3.6、更多举例
-
舆情分析:从公司产品的评论中,分析哪些功能/元素是用户讨论最多的,评价是正向还是负向
-
坐席质检:检查客服/销售人员与用户的对话记录,判断是否有争吵、辱骂、不当言论,话术是否符合标准
-
知识库:让大模型基于私有知识回答问题
-
零代码开发/运维:自动规划任务,生成指令,自动执行
-
AI 编程:用 AI 编写代码,提升开发效率
3.7、可能一切问题,都能解决,所以是 AGI(Artificial General Intelligence)
划重点:
-
把大模型看做是一个函数,给输入,生成输出
-
任何问题,都可以用语言描述,成为大模型的输入,就能生成问题的结果
这当然还是美好的理想,但正在无限逼近。我们很幸运,能亲历这个过程。
当下,如何发挥大模型的现有能力呢?最大障碍是没有形成认知对齐。
找落地场景的思路:
-
从最熟悉的领域入手
-
让 AI 学最厉害员工的能力,再让 ta 辅助其他员工,实现降本增效
-
找「文本进、文本出」的场景
-
别求大而全。将任务拆解,先解决小任务、小场景(周鸿祎:「小切口,大纵深」)
四、大模型是怎么生成结果的?
4.1、通俗原理
其实,它只是根据上文,猜下一个词(的概率)……
OpenAI 的接口名就叫「completion」,也证明了其只会「生成」的本质。
下面用程序演示「生成下一个字」。你可以自己修改 prompt 试试。还可以使用相同的 prompt 运行多次。
from openai import OpenAI`` ``from dotenv import load_dotenv, find_dotenv``_ = load_dotenv(find_dotenv())`` ``client = OpenAI()`` ``prompt = "今天我很" # 改我试试``prompt = "下班了,今天我很"``prompt = "放学了,今天我很"``prompt = "AGI 实现了,今天我很"``response = client.completions.create(` `model="gpt-3.5-turbo-instruct",` `prompt=prompt,` `max_tokens=512,` `stream=True``)`` ``for chunk in response:` `print(chunk.choices[0].text, end='')
4.2、略深一点的通俗原理
用不严密但通俗的语言描述大模型的工作原理:
-
大模型阅读了人类曾说过的所有的话。这就是「机器学习」,这个过程叫「训练」
-
把一串 token 后面跟着的不同 token 的概率存入「神经网络」。保存的数据就是「参数」,也叫「权重」
-
当我们给它若干 token,大模型就能算出概率最高的下一个 token 是什么。这就是「生成」,也叫「推理」
-
用生成的 token,再加上上文,就能继续生成下一个 token。以此类推,生成更多文字
Token 是什么?
-
可能是一个英文单词,也可能是半个,三分之一个
-
可能是一个中文词,或者一个汉字,也可能是半个汉字,甚至三分之一个汉字
-
大模型在开训前,需要先训练一个 tokenizer 模型。它能把所有的文本,切成 token
思考:
-
AI 做对的事,怎么用这个原理解释?
-
AI 的幻觉,一本正经地胡说八道,怎么用这个原理解释?
4.3、再深一点点
这套生成机制的内核叫「Transformer 架构」。但其实,transformer 已经不是最先进的了。
架构 | 设计者 | 特点 | 链接 |
---|---|---|---|
Transformer | 最流行,几乎所有大模型都用它 | OpenAI 的代码 | |
RWKV | PENG Bo | 可并行训练,推理性能极佳,适合在端侧使用 | 官网、RWKV 5 训练代码 |
Mamba | CMU & Princeton University | 性能更佳,尤其适合长文本生成 | GitHub |
五、用好 AI 的核心心法
OpenAI 首席科学家 Ilya Sutskever 说过:
数字神经网络和人脑的生物神经网络,在数学原理上是一样的。
所以,我们要:
把 AI 当人看。把 AI 当人看。把 AI 当人看。
凯文·凯利老师,他说了类似的观点:「和人怎么相处,就和 AI 怎么相处。」
-
用「当人看」来理解 AI
-
用「当人看」来控制 AI
-
用「当人看」来说服用户正确看待 AI 的不足
六、大模型应用架构
大模型技术分两个部分:
-
训练基础大模型:全世界只需要 1000 人做这个
-
建造大模型应用:所有技术人,甚至所有人,都需要掌握
大模型应用技术特点:门槛低,天花板高。
6.1、典型业务架构
Agent 还太超前,Copilot 值得追求。
6.2、技术架构
纯 Prompt
就像和一个人对话,你说一句,ta 回一句,你再说一句,ta 再回一句……
Agent + Function Calling
-
Agent:AI 主动提要求
-
Function Calling:AI 要求执行某个函数
-
场景举例:你问过年去哪玩,ta 先反问你有多少预算
RAG(Retrieval-Augmented Generation)
-
Embeddings:把文字转换为更易于相似度计算的编码。这种编码叫向量
-
向量数据库:把向量存起来,方便查找
-
向量搜索:根据输入向量,找到最相似的向量
-
场景举例:考试时,看到一道题,到书上找相关内容,再结合题目组成答案。然后,就都忘了
Fine-tuning
努力学习考试内容,长期记住,活学活用。
6.3、如何选择技术路线
面对一个需求,如何选择技术方案?下面是个不严谨但常用思路。
值得尝试 Fine-tuning 的情况:
-
提高大模型的稳定性
-
用户量大,降低推理成本的意义很大
-
提高大模型的生成速度
基础模型选型,也是个重要因素。合规和安全是首要考量因素。
需求 | 国外大模型 | 国产大模型 | 开源大模型 |
---|---|---|---|
国内 2C | 🛑 | ✅ | ✅ |
国内 2G | 🛑 | ✅ | ✅ |
国内 2B | ✅ | ✅ | ✅ |
出海 | ✅ | ✅ | ✅ |
数据安全特别重要 | 🛑 | 🛑 | ✅ |
然后用测试数据,在可以选择的模型里,做测试,找出最优。
AI 全栈课程主要以 OpenAI 为例,少量介绍国产大模型,微调会讲开源大模型。因为:
-
OpenAI 使用量最大,即便国内也是如此
-
OpenAI 最好用,最先进,没有之一
-
其它模型都在追赶和模仿 OpenAI。学会 OpenAI,其它模型触类旁通;反之,不一定
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
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。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。