在当前的AI革命中，大模型扮演着至关重要的角色，而这**背后的基础便是Scaling Law。简而言之，随着数据、参数和计算能力的不断提升，大模型的能力也随之增强，展现出小规模模型所无法比拟的“涌现能力”。**越来越多的AI企业纷纷推出开源大模型，按照扩展定律实现指数级的增长，为AI领域的发展注入了新的活力和动力。
然而，另一个不可忽视的趋势是，大型模型的体积正在逐渐缩小，这为私有化部署提供了可能。这一趋势对于个人隐私保护要求较高的场景尤为重要。通过无需联网传输数据，直接在设备上运行的AI技术，我们可以增强用户的信任感。尽管云服务器上的AI可能具备更高的性能，但其安全性和可靠性却令人担忧。因此随着模型体积的减小，私有化部署将成为更加可行和受欢迎的选择。
本文介绍几个适合私有化部署的最新大模型，并提供部署指导，手把手部署到电脑及手机。
一、开源大模型
热门的大模型如ChatGPT和Bard受限于专有闭源技术，限制了其应用并模糊了技术透明度。相比之下，开源AI大型模型（LLMs）如Meta的Llama 3和微软的Phi3，不仅增强了数据安全和隐私保护，还降低了成本、减少了外部依赖，并实现了代码透明和模型定制。这些“小而美”的开源模型便于部署，预示着AI技术将更为开放、透明和灵活。
1、Llama 3
近期，Meta发布了开源Llama 3 8B和Llama 3 70B模型，Meta称它们是同体量下性能最佳的开源模型。基准测试显示，Llama 3 400B+实力与Claude和新版GPT-4 Turbo相当，在顶尖模型中占据重要地位。
2. Phi-3
Phi是微软AI研究院的新开源小型语言模型，专为商业环境设计，小巧高效。它包括Mini、Small和Medium三种规模。Phi-3-Mini虽有3.8B参数，但在关键测试中表现出色，与大型模型如Mixtral 8x7B和GPT-3.5相当。更大版本在扩展数据集下表现更佳。
小结
基准测试显示，Llama 3 8B和Phi3 3.8B小模型表现优异。在小规模参数的背后，还有相似的优化方法。由于大型模型性能的关键在于框架、数据和参数。小参数下使用MOE框架意义不大，因此这两个模型注重数据优化，提高数量和质量，这也为精简大型模型指明了方向。
二、电脑部署的流程
Ollama是部署大型语言模型的强大工具，兼容Llama 3、Mistral、Gemma等模型。部署过程简洁明了：下载并安装Ollama，随后运行模型。
以Windows为例，轻松从官网或文末获取Ollama，一键安装即可。
安装好Ollama后，在命令行中输入【ollama run llama3】并运行，即可轻松下载并启动llama3大型模型（其他模型的运行命令同样适用）。初次下载模型可能需要一些时间，完成后，就可以开始与模型愉快地对话了。
Ollama还支持其他功能如，图片等多模态输入、传入提示词调教模型等，具体可以看下文档。
三、手机部署的流程
与电脑相比，手机在部署大模型方面展现出更大的意义。这是因为手机与我们的日常生活联系得更为紧密，且手机中储存着大量的个人数据，为后续交互提供了极大的便利。当前，许多人手头都有闲置的手机，如果其性能足够强大，那么运行大模型便成为了一个不错的选择。以我的旧手机小米8为例，可以应对这一需求。
要在手机上部署大模型，使用Termux+Ollama就成了。
尽管在手机上部署稍显繁琐，类似于电脑的安装配置过程，但需要搭建Linux环境。尽管安卓系统的底层建立在Linux内核之上，但重新装载Linux并非易事。然而，我偶然发现了一款名为Termux的出色工具，它能在Android设备上流畅运行众多Linux命令和应用程序。只需访问F-Droid官方网站，便能轻松下载安装Termux，为您的移动设备增添强大的Linux功能。
安装后打开Termux如下图。（如有要打开多个Linux窗口，左上角右滑点击New session就可以。）
第一步，利用Termux的proot-distro功能，可便捷安装Linux系统如Ubuntu、Debian或Arch Linux。
// 先来安装proot-distro
pkg install proot-distro//
使用proot-distro安装一个debian
proot-distro install debian
// 安装成功后通过login命令就直接进入debian，为发行版启动一个root shell
proot-distro login debian
第二步，同电脑的流程，安装Ollama，下载及运行大模型。
//进入之后再来安装ollama
curl -fsSL https://ollama.com/install.sh | sh
// 安装完毕可以查看ollama版本进行验证，出现版本号之后就可以使用ollama
ollama -v
// 后台开启ollama服务
nohup ollama serve &
//运行大模型（其他模型的命令如下图，可通过ollama list查看模型）
ollama run phi3
第一次安装软件和大模型首次可能会花费较长时间，大约需要一小时。但安装完成后，后续使用便捷。只需运行debian系统的login、Ollama服务以及大模型，即可开始使用。
在手机上编写代码有其独特魅力，输入代码并看到屏幕上的输出感觉很酷。然而，安装远程软件如Tailscale或todesk，用电脑编写代码更有趣。但需注意，算力受限会影响大模型的响应速度，同时会增加手机电量消耗。
四、本地大模型的体验
模型表现：大模型表现权威的数据可以看一些相关的测评，比如下图。
经过我初步的测试与体验，手机本地部署的两大模型llama3和Phi3各有千秋。llama3展现出了稳健的性能，而Phi3则在反应速度上占据优势，给我的综合感受带来了不小的惊喜。
响应速度方面，必须承认，无论是手机还是电脑，性能的高低都会对模型的表现产生影响。若能在配备GPU的电脑上运行，或许能得到更为流畅的体验。但在手机上，这两款模型的反应速度确实略显迟缓，有时甚至需要耐心等待几分钟才能得到简短的回应。值得一提的是，Phi3的反应速度明显超过了llama3，这在模型规模上形成了有趣的对比——llama3的8B模型几乎是Phi3的3.8B模型的两倍。
对于中文处理能力，这些开源模型确实存在一些不足。当面对一些不常见的问题时，模型有时会在回答中突然转向英文。此外，很多中文表达含糊不清，导致笑话内容显得有些尴尬。这背后的原因在于，高质量的中文数据集与英文数据集相比仍有较大差距，这一数据层面的差异在未来或许会愈发明显。在中文任务的处理上，llama的表现似乎更胜一筹。如有兴趣，不妨尝试llama的中文版——llama3-Chinese，或许会带来不一样的惊喜。
llama3
phi3
代码能力：看着都有模有样的，但还是可以看出来Phi3有一些语法错误。
llama3
phi3
数学推理：看着都还不错，Phi3感觉更好些。
llama3
phi3
安全性：都有不错的合规意识
llama3
phi3
五、结语
我们不禁感慨，虽然目前AI的实际应用仍显得零星，但技术的发展确实需要时间的积累。大型模型的昂贵推理成本无疑限制了其广泛的推广和应用。
然而，正是像Llama 3和Phi3这样的小模型的崭露头角，让我们看到了大型模型实用化的希望。虽然小模型的训练成本相对较高，但它们低廉的推理成本为整体经济带来了显著的节省，尤其是在为海量用户提供服务时，高性能的小模型让AI摆脱了成本的束缚，更加灵活地应用于各种场景。想象一下，如果我们能够根据自己的需求在本地部署定制化的AI，那种魅力将是无法言喻的！
展望未来，相信随着模型的不断优化和定制AI芯片等技术的快速发展，更多“小而美”的AI大模型将逐渐融入我们的日常生活，让我们更加深入地感受到AI带来的巨大变革！
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】
6455
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
