大模型的发展趋势预测——大模型会做的更小，还是做的更大

“大模型的发展，类似于计算机的发展由大到小”

最近在抖音上看到360创始人——周鸿祎说他关于大模型的发展的四个趋势，也就是开源，廉价，专业，小巧。‍‍‍‍‍‍

开源就是以openAI为代表的闭源大模型和Meta/Google为代表的开源大模型的模型大战；廉价就是大模型的训练成本会进一步降低，也就是意味着大模型会越来越便宜；专业即垂直领域的大模型会大放异彩；最后小巧是大模型在未来会被移植到手机上。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

虽然不知道周鸿祎的预测是否准确，开源与闭源模型的大战最终会是什么结果；但不可否认的是，大模型的发展不可能是一家独大，而很可能是多种趋势并存。‍‍‍‍‍‍‍‍‍‍‍‍‍‍

大模型会越来越大

大模型越来越大这是一个趋势，毕竟根据现有的理论，大模型的参数越多其效果越好，涌现能力越强，这是一个不可争议的事实，除非出现新的理论能够颠覆现有的大模型基础理论。

因此，大模型要想越来越强大，那么大模型变大的可能性就越高；其功能也会更强。‍‍‍‍‍‍‍‍‍‍‍

大模型越来越大这是它的优势，但同样也是它的劣势；因为大模型越大，对算力和能源的要求越高，其训练和维护的成本越高。‍

这对很对企业来说是无法接受的，因此越来越大的大模型只能有那些巨头企业或国家才能玩得转。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

越来越大的大模型就类似于超级计算机，其功能强大，但能玩得转的人特别少。

因此，超大模型的竞争，是大厂之间的竞争，也是国家之间的竞争。‍‍‍‍‍

当然，随着技术的发展，更先进的大模型架构和理论会持续出现，那时的大模型可能会越来越强，越来越小。‍‍‍‍‍‍

基于大模型的人工智能应用，后端采用多个模型实现，感兴趣的可以点击体验：‍‍‍‍

大模型越来越小

大模型会变得越来越小，其最终有可能会被安装到手机等移动设备之上，虽然其功能赶不上大模型，但满足普通人的日常使用还是有可能的。

而这就类似于现在的智能手机，所谓的智能手机就是把电脑的操作系统给做的更小，功能更强。‍‍‍‍

当然，虽然大模型的蒸馏和压缩技术在持续发展，但怎么才能把庞大的模型压缩到手机能够支持的体积的同时，还要同时保证大模型的强大功能，还是一个需要研究的课题。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

个人预测，大模型的压缩是一个必须功课的课题；因为在实际应用领域，大模型的离线操作是一个很重要的功能，比如自动驾驶，无人设备等；在恶劣的自然环境或者没有网络的情况下，能够让设备正常使用。

而这就需要大模型能够安装到这些设备之上。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

大模型垂直化发展

大模型有大模型的应用场景，小模型有小模型的应用场景；但从功能性和成本考虑，垂直化应用的大模型也必不可少。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

毕竟，哪怕是人也有自己擅长和不擅长的方面；大模型也是如此，因此通用大模型在垂直领域的效果就大打折扣；所以垂直化的大模型就成了垂直领域最好的解决方案。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

比如说，大模型在法律，金融，教育，航空航天等领域的使用；有些会涉及到国家安全和民生的领域，这时使用一个通用的超大模型，不但具有巨大的安全风险，而且一个模型也无法完全支撑如此庞大的领域。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

因此，每个领域有每个领域的“专家模型”就是最好的选择，没有之一。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

再有就是，类似于互联网常见的分布式部署方案，通过上层统一架构，可以在底层集成多个大模型来完成需要的功能。

比如360邀约十多家国内的大模型公司，然后基于其自研的架构，可以使得多个模型协作，来达到超越GPT4o的能力；虽然单独一个模型的表现并不出色，但通过混合模型(狼群战术)，同样能够达到GPT4o的效果。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

总结‍‍‍

从成本和技术门槛的角度来说，发展垂直化模型是最好的选择，但同样其它的方式也不能完全放弃；只有多条腿走路，才能在大模型的竞争中生存下来，并且找到最适合自己的解决方案。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

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。

这份完整版的大模型 AI 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】