有一天朋友在微信找不到我,问我咋那么久没有回复消息,我这才意识到一个多小时过去了,而这一个多小时我一直在跟 ChatGPT 聊天,朋友得知后觉得不可思议:
你特么是有多寂寞?
显然,我并没有寂寞到变态的地步…而且 ChatGPT 也不允许你聊骚 - -
我是发现,我以前有很多属于自己的压力和焦虑的情绪,很难会有一个人可以听你一直倾诉,还会给你时不时来点排忧解惑,而现在 ChatGPT 这样的语言模型居然可以真的帮到我(毕竟很多比较私人的东西还是不想让太多人知道),我把它_当作知心朋友或者心理医生_,还是多多少少可以得到缓解的,不是很多人说:
有时候你只要说出来就会好受很多了。
你也可以试试。
当然,更多时候,我还是会使用它进行辅助学习,就拿编程来说,它确实帮了我不少,不仅是帮我简单写写代码哈哈。
1. 分屏策略
通常我会在电脑上外接一个显示器,在扩展显示器里面会_打开两个 ChatGPT 窗口,一个 Google 窗口。_
主屏幕则用来编写代码,实现项目需求。
具体来说,扩展显示器里其中一个 ChatGPT 窗口更多像是「闲聊」,我会围绕想要实现的项目跟它聊个热火朝天,这个窗口的 ChatGPT 并没有实际的操作,而是会围绕我的想法和需求,进行多次探讨,慢慢地会让我对项目需求更加清晰。
反正一有什么想法就可以在 「窗口1」与之对谈,这过程中会对整个项目的结构更加完善。
举一个简单的例子,比如你要开发一个关于天气的应用,那么可以从使用什么框架,什么样的结构等去跟聊出一个大概:
使用 Flask 进行 web 开发。
定义项目结构为
/app
,/templates
,/static
文件夹
/app
存放 Flask 应用逻辑
/templates
存放 HTML 模板
/static
存放静态资源…
这样我们就可以对任务很好的_拆分_了。
而「窗口2」就是专门用来「执行」的,我可以将拆分后的小任务交给它去帮我生成代码建议,它这时候是一个没有感情的机器,我说什么它就做什么就可以了。
比如:提问 ChatGPT “如何使用 Python 的 requests
库获取天气数据?
当然有时候它写的代码并不令人满意,往往需要我跟它说「不对,应该这样那样」、「需要用什么库的什么功能」…,他才会一步一步修改到你满意为止。
这过程常常需要使用搜索引擎,也就是「窗口3」,在里面获取相关文档相关案例去告诉 ChatGPT 应该按什么样的路线去走,同时也要搜索一下它提供给你的关键内容,看它有没有在瞎几把乱说。
而我,感觉越来越像是 Human Debugging 了,发现问题,找他们帮我解决问题,然后再现问题,再找他们帮我解决问题…
这个过程中:
2. 表达变得更加重要
不知道你会不会有这种情况,与有些人根本无法沟通下去,完全不知道他要表达什么,有时候他急了还要带上情绪,可能你们之间存在认知差异,但也有些人真的会把一个很简单的东西说到别人一头雾水。
ChatGPT 也是如此,虽然说它可以理解上下文,但是我发现如果你能够把你的需求表达的精准简洁,得到的回复往往不需要太多的弯弯绕绕。
你要让它尽快理解你,不要太费解。
所以表达变得更加重要,那么如何让自己的表达得更好呢?
我觉得无她,就是得多练了。
至于怎么练?
在我的经验里,可以这么操作:
多总结,比如你看完了一篇文章,你可不可以又快又准的把它们总结出来,让别人一看就简单明了的懂。想想看,那些博客文章下面点赞多的评论,他们的总结表达是不是清晰明了。
多写,我觉得写作就是一种很好的锻炼,因为它强制你输出,而且还有一定的篇幅和结构限制,你要把你的想法你的思考更完整的写出来。写得多了,就会越有感觉,就越能把复杂的事情给讲明白。
多用,多用 ChatGPT,多跟它聊你的想法,看它是不是越来越了解你。
3. 逆向操作
最后我还想说,有时候从 0 做一件事情会毫无头绪,那不如看看能不能逆向操作,可能会有不一样的视角。
比如你要使用 Python 去开发一个应用,是不是一定要从零开始一点点「添砖加瓦」呢?我觉得不一定。
你可以尝试到 GitHub 上面找到别人已经实现的类似功能,把他们的源代码 clone 下来,然后自己先简单看一遍,也许你会很懵逼,但没有关系,这个时候有个大概的认识就可以了。
接着把这些代码扔给 ChatGPT ,让它给你解释这些代码都是干嘛的,你要知道的是,ChatGPT 对代码的理解能力比生成正确代码的能力要强多了,它甚至能告诉你每一行代码都是什么意思。
那这个时候你完全可以把 ChatGPT 帮你搞懂的代码逻辑用到你的项目中去,这比你从 0 乱搞要更有建设性。
其实不仅是 Python,别的领域,大抵如此。
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。