吴恩达教授讲话必出干货。
作为Google Brain的联合创始人、Coursera的联合创始人以及在全球范围内广受欢迎的AI教育家,吴恩达教授不仅在学术界树立了丰碑,更以其深远的洞察力和前瞻性思维,引领着AI技术的商业化浪潮。
近日,吴恩达教授在一次深入访谈中分享了他对AI技术未来发展的独到见解。在这次访谈中,他不仅对AI基础模型、Agentic Workflow、开源技术等热门话题进行了深入探讨,更对AI在不同行业中的应用前景进行了全面展望。
本文旨在透过吴恩达教授的访谈,挖掘AI市场的潜在机遇。从他的洞察中汲取智慧,为读者揭示AI技术如何塑造行业未来,以及企业和创业者如何在这一变革中寻找到新的增长点。随着AI技术的不断进步,市场机遇正以前所未有的速度涌现,而本文将作为您把握这些机遇的指南。
一、AI基础模型的创新机遇
1.1 AI基础模型的发展趋势
AI基础模型,作为推动智能技术革新的核心力量,近年来经历了迅猛的发展。从早期的简单算法到如今复杂的深度学习网络,基础模型已成为AI领域的基石。随着研究的深入,这些模型在处理语言、图像、声音等方面展现出了前所未有的能力。特别值得一提的是,大型语言模型(LLM)和生成对抗网络(GAN)等技术,正在不断突破我们对机器智能的想象。
1.2 训练成本下降的推动作用
成本,一直是限制AI技术广泛应用的关键因素之一。然而,正如Andrew Ng在访谈中所指出的,AI训练成本的显著下降,为模型创新提供了强大的推动力。这一变化不仅降低了企业进入AI领域的门槛,也为研究人员提供了更多尝试和实验的机会。
·降低门槛:随着云服务和开源工具的普及,即使是小型企业和初创公司也能够利用强大的AI模型,而无需承担巨额的硬件投资。
·加速迭代:成本的降低意味着可以更频繁地训练和优化模型,加速了从概念到产品的转化过程。
·促进竞争:在成本不再是主要障碍的情况下,技术创新成为企业竞争的关键,激发了行业内的创新热潮。
1.3 创新机遇的具体表现
-
定制化模型:企业可以根据自身需求,定制开发特定领域的AI模型,提供更加精准的解决方案。
-
跨学科融合:AI基础模型与医疗、金融、教育等其他领域的结合,催生了新的产品和服务,拓宽了AI的应用场景。
-
技术民主化:随着成本的降低,更多的人能够接触和学习AI技术,推动了全球范围内的技术普及和创新。
AI基础模型的创新机遇在于其不断扩展的技术边界和日益降低的应用成本。这不仅为技术专家提供了广阔的研究空间,也为各行各业的企业打开了新的增长通道。
二、Agentic Workflow的商业化潜力
2.1 Agentic Workflow概念解析
Agentic Workflow,即代理工作流,是一种新兴的AI应用模式,它通过模拟人类的迭代思维过程来优化AI决策和创造性任务的执行。与传统的一次性任务执行不同,Agentic Workflow允许AI系统在给定任务中进行多次学习和调整,以达到更高的精确度和效率。
2.2 Agentic Workflow的优势
-
迭代优化:Agentic Workflow通过迭代过程,使AI能够不断学习和适应,从而优化输出结果。
-
自主性:系统能够在遇到问题时自主寻找解决方案,减少了对人工干预的依赖。
-
灵活性:能够适应多变的任务需求和环境变化,提供更加灵活的解决方案。
-
效率提升:通过自动化和智能化的工作流程,显著提高了任务执行的效率。
2.3 行业应用前景探讨
-
*医疗行业:在医疗领域,Agentic Workflow可以用于辅助诊断、患者监护和个性化治疗计划的制定,通过不断学习和调整,提供更精准的医疗服务。
-
金融服务:在金融行业,该工作流可以应用于风险评估、投资策略制定和市场分析,提高决策的准确性和响应速度。
-
制造业:Agentic Workflow能够优化生产流程,实现智能调度和资源分配,提高生产效率和降低成本。
-
教育行业:在教育领域,它可以个性化定制教学计划,根据学生的学习进度和理解能力进行实时调整。
-
客户服务:通过Agentic Workflow,客户服务系统能够更有效地处理咨询和解决问题,提供更加个性化的服务体验。
2.4 商业化潜力分析
-
市场适应性:随着企业对效率和创新的追求,Agentic Workflow的市场需求将持续增长。
-
技术整合:企业需要将Agentic Workflow与现有的业务流程和技术架构整合,创造新的商业模式和收入来源。
-
创新服务:基于Agentic Workflow的创新服务能够为企业带来竞争优势,吸引客户并提高市场份额。
-
投资机会:随着技术的成熟和应用的扩展,投资者将看到Agentic Workflow领域的巨大潜力,并寻求投资机会。
Agentic Workflow作为一种创新的AI应用模式,其商业化潜力巨大。它不仅能够提升现有业务流程的智能化水平,还能够激发新的商业模式和服务创新。随着技术的不断进步和市场的逐渐成熟,Agentic Workflow有望成为推动各行各业智能化转型的关键力量。
三、开源技术的全球供应链影响
3.1 开源对AI技术发展的重要性
开源技术已经成为推动AI技术发展的关键因素。通过开放源代码,全球的研究人员和开发者能够共享知识、工具和最佳实践,加速了AI技术的创新和应用。以下是开源对AI技术发展的几个重要影响:
-
知识共享:开源促进了全球范围内的知识共享,使得AI领域的最新研究成果能够迅速传播。
-
协作加速:开放的代码库为全球的开发者提供了协作的平台,共同解决技术难题,加速了技术迭代。
-
成本降低:开源软件降低了企业进入AI领域的门槛,减少了研发成本,使得更多组织能够参与到AI技术的开发和应用中。
-
创新驱动:开源技术激发了创新,许多新的AI应用和商业模式都是基于开源项目发展起来的。
3.2 开源如何促进全球AI创新和合作
开源技术通过以下方式促进了全球范围内的AI创新和合作:
-
打破地理界限:开源项目不受地理位置的限制,全球的开发者可以共同参与,促进了跨地域的协作。
-
促进多样性:开源社区的多样性带来了不同的观点和解决方案,有助于创造更全面和创新的技术。
-
加速技术迭代:在开源环境中,技术的迭代速度更快,因为全球的开发者都可以贡献代码和改进。
-
降低技术门槛:开源技术降低了学习和使用AI技术的难度,使得更多的人才能够参与到AI的创新中。
3.3 开源对全球供应链的影响
-
供应链的灵活性:开源技术提高了全球供应链的灵活性,使得企业能够快速适应市场变化和需求。
-
供应链的透明度:开源增加了供应链的透明度,企业可以更好地理解和控制其技术来源和依赖。
-
供应链的稳定性:开源项目通常具有更广泛的社区支持,有助于确保技术的长期稳定性和可维护性。
3.4 商业模式的转变
-
基于开源的商业模式:许多企业正在探索基于开源技术的商业模式,如提供定制化服务、支持和培训。
-
开源与商业软件的融合:一些企业将开源技术与商业软件相结合,提供更加全面和差异化的解决方案。
开源技术对AI技术的发展具有深远的影响。它不仅推动了全球范围内的技术共享和创新,还促进了国际合作,加强了供应链的灵活性和稳定性。
四、跨行业AI应用的扩展
4.1 医疗行业的AI应用
-
个性化医疗:AI技术通过分析患者的医疗记录、基因信息和生活方式,提供个性化的治疗方案。
-
辅助诊断:利用深度学习模型,AI能够辅助医生进行疾病诊断,提高诊断的准确性和效率。
-
药物研发:AI在药物发现和开发过程中的应用,缩短了研发周期,降低了成本。
4.2 金融行业的AI应用
-
风险管理:AI系统能够分析大量数据,预测市场趋势,帮助金融机构进行风险评估和管理。
-
信贷审批:通过机器学习算法,银行可以更准确地评估借款人的信用风险,优化信贷审批流程。
-
算法交易:AI技术在股票市场的应用,实现高频交易和算法交易,提高交易效率。
4.3 教育行业的AI应用
-
个性化学习:AI可以根据学生的学习进度和能力,提供定制化的学习内容和教学计划。
-
智能辅导:AI助教可以提供24/7的学习支持,帮助学生解决学习中的问题。
-
教学评估:AI技术能够评估学生的学习成果,为教师提供反馈,优化教学方法。
4.4 制造业的AI应用
-
预测性维护:AI通过分析机器数据,预测设备故障,减少停机时间,提高生产效率。
-
智能供应链:AI优化库存管理和物流调度,降低成本,提高供应链的响应速度。
-
质量控制:利用计算机视觉技术,AI能够自动检测产品缺陷,保证产品质量。
4.5 跨行业AI解决方案的市场机会
-
技术整合:跨行业AI解决方案需要整合不同领域的技术,为企业提供全面的智能化服务。
-
定制化服务:根据不同行业的特点和需求,提供定制化的AI解决方案,满足特定市场的需求。
-
数据驱动的决策:AI技术能够帮助企业更好地利用数据,进行数据驱动的决策,提高决策的质量。
-
创新商业模式:AI技术的应用为传统行业带来了新的商业模式和收入来源,如基于AI的咨询服务、SaaS产品等。
AI技术的跨行业应用正在不断扩展,为各个行业带来了深刻的变革。从医疗到金融,从教育到制造业,AI技术的应用案例层出不穷,展示了AI在不同领域的强大潜力。
五、AI技术教育与培训的兴起
5.1 教育需求评估
随着AI技术的普及和应用,对于相关技能的需求也在不断增长。企业和个人都认识到了掌握AI技能的重要性,这推动了AI教育和培训领域的快速发展。
-
企业需求:企业需要员工具备AI相关的知识和技能,以适应数字化转型和提高竞争力。
-
个人发展:个人为了提升职业竞争力,增加就业机会,对学习AI技术表现出浓厚兴趣。
-
教育机构的适应:学校和大学正在调整课程,增加AI相关的教育内容,以满足社会的需求。
5.2 教育和培训领域的市场机遇
-
在线教育平台:随着技术的发展,在线教育平台能够提供灵活多样的AI课程,满足不同学习者的需求。
-
专业认证课程:专业机构和大学提供的认证课程,为学习者提供了系统学习AI的机会,并增加了他们的职业资格。
-
企业培训服务:面向企业的定制化培训服务,帮助企业提升员工的AI技能,促进内部创新和效率提升。
-
竞赛和研讨会:通过举办AI竞赛和研讨会,激发学习者的兴趣,促进知识交流和技术发展。
5.3 教育内容和方法的创新
-
实践导向:教育和培训课程强调实践操作,使学习者能够通过项目和案例学习来掌握AI技能。
-
跨学科融合:AI教育不仅关注技术本身,也注重与其他学科如数据科学、机器学习等领域的融合。
-
技术更新:随着AI技术的不断进步,教育内容需要定期更新,以反映最新的技术趋势和应用。
5.4 政策和资金支持
-
政府政策:许多国家和地区的政府正在推动STEM教育,包括AI技术的教育和培训。
-
资金投入:教育投资正在增加,为AI教育和培训领域的发展提供了资金支持。
AI技术教育与培训的兴起,反映了社会对于AI技能的迫切需求。教育和培训领域的市场机遇巨大,不仅为学习者提供了提升自身技能的途径,也为教育机构和企业提供了发展机会。
六、高性能AI硬件与基础设施的投资
6.1 快速推理需求对硬件发展的影响
随着AI技术的快速发展,尤其是深度学习模型的广泛应用,对高性能硬件的需求日益增长。快速推理需求正在推动硬件技术的创新和发展:
-
处理能力:AI模型,特别是大型模型,需要强大的计算能力来实现快速推理。这促使硬件制造商开发更高效的处理器,如GPU、TPU和FPGA。
-
能效比:除了处理能力,能效比也是AI硬件设计的重要考虑因素。低功耗、高性能的硬件有助于降低运营成本,提高环境可持续性。
-
专用硬件:为了满足特定AI任务的需求,市场上出现了越来越多专用硬件,如用于图像处理的AI加速器和用于自然语言处理的定制芯片。
6.2 硬件制造商的市场机遇
-
技术创新:硬件制造商有机会通过开发创新的AI硬件来获得市场优势,如通过采用新的半导体材料或架构设计。
-
产品多样化:随着AI应用的多样化,硬件制造商可以针对不同行业和应用场景提供定制化的硬件解决方案。
-
合作伙伴关系:与软件开发商、云服务提供商和行业领导者建立合作伙伴关系,共同开发和推广AI硬件解决方案。
6.3 服务提供商的市场机遇
-
云服务:云服务提供商可以通过提供集成了高性能AI硬件的云平台,满足客户对弹性计算资源的需求。
-
边缘计算:随着AI应用向边缘设备转移,服务提供商有机会开发和部署边缘计算解决方案,以支持实时AI推理。
-
技术支持和服务:提供专业的技术支持和维护服务,帮助客户最大化硬件性能,优化AI应用的部署和运行。
6.4 投资和资金流向
-
研发投资:企业和政府对AI硬件研发的投资不断增加,以推动技术突破和产品创新。
-
风险投资:风险投资者看好AI硬件领域的潜力,为初创公司和创新项目提供资金支持。
-
市场扩张:随着AI技术的全球普及,高性能硬件的需求也在增长,为硬件制造商和服务提供商提供了市场扩张的机会。
高性能AI硬件与基础设施的投资是推动AI技术发展的关键因素。快速推理需求正在推动硬件技术的创新,为硬件制造商和服务提供商带来了前所未有的市场机遇。
七、AI评估工具的开发需求
7.1 评估工具的重要性
在AI模型的选择和优化过程中,评估工具发挥着至关重要的作用。它们不仅帮助研究人员和开发者了解模型的性能,还能指导模型的改进和迭代。
-
性能基准:评估工具提供了量化模型性能的标准,使开发者能够比较不同模型的优缺点。
-
迭代优化:通过评估结果,开发者可以识别模型的不足之处,进行针对性的优化。
-
决策支持:评估工具为技术选型和资源分配提供了数据支持,帮助企业做出更明智的决策。
7.2 开发高效评估工具的市场缺口
尽管AI技术发展迅速,但市场上仍然缺乏高效、全面的评估工具,这为相关工具的开发提供了市场缺口:
-
多维度评估:当前的评估工具往往集中在模型的单一性能指标上,缺乏对模型多维度特性的全面评估。
-
用户友好性:许多评估工具操作复杂,不够用户友好,限制了其在非技术用户中的普及。
-
集成与兼容性:评估工具需要与不同的AI平台和框架兼容,以满足不同用户的需求。
7.3 探索评估工具的开发机遇
-
定制化评估:针对特定行业或应用场景,开发定制化的评估工具,满足特定需求。
-
自动化和可视化:提高评估工具的自动化水平,通过可视化手段展示评估结果,提升用户体验。
-
云服务集成:将评估工具作为云服务提供,方便用户随时随地进行模型评估。
7.4 评估工具的创新方向
-
实时评估:开发能够实时反馈模型性能的评估工具,加速模型的迭代过程。
-
跨模型比较:提供跨不同类型和架构模型的比较功能,帮助用户选择最合适的模型。
-
集成学习与发展:评估工具可以集成机器学习算法,根据历史评估数据自动优化评估流程。
7.5 市场与投资前景
-
市场需求增长:随着AI技术的广泛应用,对高效评估工具的需求将持续增长。
-
投资机会:评估工具的开发和创新吸引了投资者的关注,为创业公司和项目提供了资金支持。
-
政策支持:政府和教育机构可能会支持评估工具的研发,以促进AI技术的健康发展。
AI评估工具在模型选择和优化中扮演着关键角色,而当前市场上高效评估工具的缺乏为开发提供了广阔的机遇。随着AI技术的不断进步,开发创新、用户友好、功能全面的评估工具将成为推动行业发展的重要力量。通过满足市场对高质量评估工具的需求,企业可以抓住这一市场缺口,实现技术突破和商业成功。
八、AI技术的伦理和安全性考量
8.1 伦理和安全问题的提出
随着AI技术的飞速发展,伦理和安全问题逐渐成为公众和行业内关注的焦点。从数据隐私保护到算法偏见,再到自动化带来的就业问题,这些挑战需要全行业共同努力,寻求解决方案。
-
数据隐私:AI系统通常需要大量数据进行训练,如何确保数据收集和处理过程中用户的隐私权益,是一个重要议题。
-
算法透明度:AI决策过程的不透明可能导致“黑箱”问题,引发公众对AI决策的不信任。
-
偏见和歧视:AI系统可能会继承并放大训练数据中的偏见,导致不公平或歧视性的结果。
8.2 提供伦理和安全咨询的市场机会
-
合规性咨询:随着伦理和安全法规的出台,企业需要专业咨询来确保其AI应用符合相关法律法规。
-
风险评估:企业需要对AI系统进行风险评估,以识别和缓解潜在的伦理和安全问题。
-
伦理框架设计:帮助企业建立伦理框架,指导AI研究和应用的道德标准。
8.3 安全性服务的市场机遇
-
安全测试:提供AI系统的安全性测试服务,确保系统在面对外部攻击时的稳定性和可靠性。
-
隐私保护技术:开发和提供先进的隐私保护技术,如差分隐私和同态加密,以增强数据的安全性。
-
安全培训:为AI开发者和用户提供安全意识和技能培训,提高整个行业的安全水平。
8.4 伦理和安全性的创新方向
-
可解释AI:开发可解释的AI模型,提高算法的透明度,使非技术用户也能理解AI的决策过程。
-
公平性算法:研究和应用减少算法偏见的技术,确保AI系统的决策是公正无偏的。
-
伦理AI研究:推动伦理AI的研究,探索AI技术与人类价值观的融合。
8.5 政策和市场支持
-
政策引导:政府通过制定政策和标准,引导AI技术的健康发展,为伦理和安全性服务提供政策支持。
-
市场需求:随着社会对AI伦理和安全意识的提高,相关服务的市场需求将持续增长。
-
投资趋势:投资者越来越重视企业的伦理和安全记录,愿意投资那些注重伦理和安全性的AI项目。
AI技术的伦理和安全性考量是行业发展的重要方面。随着技术的发展和公众意识的提高,提供相关咨询和服务的市场机会日益显著。企业、研究机构和政府部门需要共同努力,通过创新和合作,确保AI技术的安全、可靠和伦理发展,同时抓住这一领域的商业机遇。
九、AI与特定行业的深度融合策略
9.1 行业深度融合的必要性
AI技术的潜力在于其与特定行业深度融合的能力,这种融合能够带来更为精准和高效的解决方案。深度融合意味着AI技术不仅要理解行业特定的数据和流程,还要能够适应行业特有的需求和挑战。
9.2 与行业专家合作的策略
-
建立合作伙伴关系:与行业领导者和专家建立紧密的合作关系,共同开发符合行业需求的AI解决方案。
-
行业知识整合:将行业专家的知识和经验整合到AI解决方案中,确保技术解决方案能够解决实际问题。
-
定制化开发:针对不同行业的特点和需求,开发定制化的AI应用,提供差异化的服务。
9.3 深度融合带来的市场机遇
-
行业特定解决方案:为特定行业提供定制化的AI解决方案,满足独特的业务需求,创造新的收入来源。
-
增强竞争力:通过深度融合,企业能够提供更加创新和高效的服务,增强市场竞争力。
-
开拓新市场:AI技术可以帮助企业开拓新的市场和客户群体,扩大业务范围。
9.4 深度融合的实施步骤
-
需求分析:与行业专家合作,深入理解行业需求和痛点,为AI解决方案的开发提供指导。
-
技术适配:根据行业特性,选择合适的AI技术和工具,进行定制化开发。
-
试点项目:在小规模范围内实施试点项目,收集反馈,优化解决方案。
-
全面部署:在验证解决方案的有效性后,进行全面部署,实现规模化应用。
9.5 深度融合的创新方向
-
跨学科融合:将AI技术与行业专业知识相结合,开发跨学科的创新解决方案。
-
智能化流程:利用AI技术优化和自动化行业流程,提高效率和准确性。
-
预测与优化:通过AI技术进行数据分析和预测,为行业决策提供支持。
9.6 政策和投资的支持
-
政策环境:利用政府对AI技术的支持政策,为行业深度融合提供政策保障。
-
投资机会:吸引投资者对深度融合的AI项目进行投资,为研发和市场推广提供资金支持。
AI与特定行业的深度融合是实现技术价值最大化的关键策略。通过与行业专家的紧密合作,开发定制化的AI解决方案,企业不仅能够解决行业特定的问题,还能够开拓新的市场机遇。
十、AI技术的长期投资视角
10.1 吴恩达教授的乐观态度
吴恩达教授对AI技术的长期发展持有乐观态度,认为AI将继续作为推动社会进步和经济增长的关键驱动力。他的洞察为投资者提供了信心,也为AI领域的长期投资视角提供了理论基础。
10.2 AI技术的长期发展前景
-
技术成熟度:预计AI技术将随着时间推移变得更加成熟和稳定,应用范围更广。
-
行业融合:AI与各行各业的融合将不断深化,创造新的业务模式和增长点。
-
创新加速:随着技术进步,AI领域的创新速度将加快,推动新技术和产品的发展。
10.3 长期投资AI技术的策略
-
趋势识别:投资者需要识别AI技术发展的趋势和关键转折点,做出前瞻性投资。
-
多元化投资:在AI的不同子领域进行投资,如机器学习、自然语言处理、计算机视觉等,以分散风险。
-
技术与应用并重:投资不仅关注底层技术,也要关注AI技术在各行业中的应用和解决方案。
10.4 长期投资的机遇
-
基础研究:投资于AI的基础研究,为未来的技术突破打下基础。
-
平台和工具:投资于开发AI平台和工具的公司,这些平台和工具将成为行业的基础设施。
-
教育和培训:随着对AI技能需求的增长,投资于AI教育和培训领域具有长期潜力。
10.5 风险管理
-
技术变革风险:关注技术变革可能带来的风险,及时调整投资策略。
-
市场适应性:评估AI技术在不同市场的适应性和接受度,避免过度投资于小众市场。
-
伦理和法律风险:考虑AI技术的伦理和法律问题,确保投资的企业遵循最佳实践。
10.6 政策和法规环境
-
政府支持:关注政府对AI技术的支持政策,利用政策优势进行投资。
-
法规遵循:了解和遵守与AI相关的法律法规,降低合规风险。
AI技术的长期发展前景广阔,为投资者提供了丰富的机遇。通过采取明智的长期投资策略,投资者可以参与到AI技术的发展中,同时管理好相关风险。
结语
随着AI技术的不断演进,市场机遇正以前所未有的速度和规模涌现。从基础模型的创新到Agentic Workflow的商业化,从跨行业的AI应用扩展到教育与培训的兴起,再到伦理和安全性的考量,以及长期投资视角的把握,AI领域呈现出多样化的增长点和潜力领域。
AI技术的发展不是孤立的,它与行业需求、社会进步以及经济动态紧密相连。因此,持续关注AI技术的最新趋势和应用案例,对于把握市场机遇至关重要。
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。