引言
随着人工智能大模型技术的飞速发展,AI大模型已经从实验室走向我们的日常生活,前几天GPT发布了4o多模态模型,同时还自带了手机上AI Agents的演示,AI大模型多模态技术已经非常酷炫,但是AI落地会以什么样的方向往前迭代呢 ?
本文将从AI大模型的占位、使用体验 和 设备互联 等三个维度,将AI的落地从复杂度上分为功能型AI,任务型AI和场景型AI,并以手机为示例,分析AI大模型在实际落地过程中会经历的三个阶段 。
AI大模型占位:+AI与AI+
AI大模型的占位决定了技术与用户互动的方式。在+AI模式下,AI作为现有设备或软件的增强功能,如智能修图或自动抠图等。而AI+模式则是AI大模型为主导,其他软硬件辅助,以用户目的为导向,提供更加具象化的体验。
使用体验:从被动到主动
用户体验是衡量AI落地成功与否的关键。AI服务正从被动响应用户指令,发展到一键式响应,最终实现主动式服务,实现提前预测需求并满足用户需求的完美过程。
设备互联:单一设备到多设备联动
AI技术落地的差异化也表现在设备间互联互通程度。从单一设备的AI功能到多设备联动的AI,形成场景化多设备智能AI系统,提供连贯的场景化用户体验,这也是一个漫长的过程。
人类生活是靠场景组成,场景又是一个个任务组成,每个任务又拆分为若干个过程,当前的手机AI智能化更多的是过程和任务的拆分,此时我将AI和人类生活结合,将AI落地分为过程AI,任务AI以及场景AI三个阶段,例如手机场景,用在拍照的过程中使用AI抠图是过程型AI,AI Agents自动实现拍照,修图,优化等过程是任务型AI,完整的像智能佣人一样服务整个回家或者工作场景则是场景AI,以下详细说明:
手机:应用AI、任务AI和场景AI
手机上的AI落地可以分为三个层次,从任务的难易度分 :
1. 应用AI:指令AI (+ AI, 单设备, 被动响应)
应用AI 指的是在各个应用中加入AI能力,如:
- 拍照 + AI:智能抠图去除背景人物,图片理解同时自动整理智能化相册等等 。
- 阅读 + AI:自动生成文档摘要、推荐关联阅读内容等等 。
- 通讯 + AI:语音到文本转换,在线翻译,智能对话等等 。
落地难易情况:较易,各手机厂商已经在逐步实现,差异在于AI大模型微调能力。
2. 任务AI:系统AI (AI+, 单设备, 一键式响应)
任务AI 指的是AI跨越单个应用,提供一键式服务,如:
- 拍照任务:从手抬起来呼喊“拍照”到自动调整参数、去除背景、亮度调节,最后帮助用户分享到社交网络全流程AI实现,只需要一个简单的指令即可 。
- 旅游路线规划:根据用户需求,一键生成旅游计划书并自动预定相关服务,包括订车票,订酒店,定闹钟等等。
落地难易情况:较难,需要系统层面的支持和应用间的接口开放,需要手机厂商和应用厂商等的协同实现。
3. 场景AI:多设备协同AI(AI+,多设备协调,主动服务)
场景AI 涉及多设备联动,完整贯彻在全生活场景,如:
- 回家场景:当回到家,空调,灯均自动打开,电视主动打开并调整到喜欢看的节目,扫地机器人把地提前扫干净 ,服务机器人自动接过你的物品并且整理好,厨房已准备好你喜爱的食物,服务机器人服务你洗漱,自动端过来食物,你开始边吃边看电视。
- 工作场景:早上8点,闹钟自动提醒,窗帘自动打开,音响开始播放新闻,服务机器人准备好早餐和洗漱物品,你吃喝完出门,走到门口,车会自动停在门口,走过去自动开门,并且按既定路线开往公司…。
落地难易情况:最难,需要大量智能设备,软件的配合和高度的云边端多设备多系统集成。
当前AI大模型落地确定的场景或者设备 是手机,电脑和车,他们三者普及率最高而且当前的软硬件条件最适合AI落地,之前也介绍过从技术上AI大模型的技术分为四个层级,分别是Prompt工程,AI Agents,Fine-tune,Pre-train ,技术层级并代表不了什么,实际落地的阶段一定是符合人类的生活习惯,从简单到复杂,沿着单一任务到全场景的路线前行 ,如同前面介绍的手机一样,最终的形态AI一定是具身智能机器人加上全场景的智能化辅助 。
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。