在Scaling Law(规模与性能的幂律增长规律)若隐若现、似要消失,大模型越来越难找到代际感的今天,中国独有的规模优势或许将在人工智能领域“涌现”。
有人正努力让人工智能更像人:2024年世界人工智能大会(WAIC),爆发式展示了25款人形机器人,且都被冠以“具身智能”的身份,也就是机器人的身子被AGI(通用人工智能)技术赋予了智慧的大脑。
有人努力让AI落入现实:支付宝推出智能助理,问一问就能获得订票、问诊、查旅行攻略等超8000项数字生活服务;拥有7亿用户、1100万应用的钉钉也已经跑出来了50万个AI助理;联想则推出了内嵌智能体、能与用户自然交互的AI PC。
百度CEO李彦宏所言“不要卷大模型,要卷应用”在网上被热传,蚂蚁集团董事长兼CEO井贤栋则说:“在人工智能时代,我们在探索,让AI像扫码支付一样便利每个人的生活。”
在AIGC(生成式人工智能)大模型技术苦苦寻找应用场景时,中国拥有超大规模用户的平台纷纷下场了。或许还稍显缓慢,但平台的集体出手与探索,让我们有理由期待中国人工智能被动跟随的局面能被改写,特别是在连接个体生活应用的端侧,或将掀起人工智能发展的第三波浪潮。
第三波浪潮:大模型即将接管生活
Scaling Law是被人工智能领域普遍接受的幂律增长,即:语言模型的性能随着模型大小、数据集规模和训练计算量呈现幂律关系。这意味着在一定范围内,增大模型规模和数据集规模,能够显著提升模型性能。也就是业内常说的:模型越大,性能越好。
但最近半年来,Scaling Law明显放缓,OpenAI也不得不承认,GPT5.0版本要等到明年才能推出。而造成这一现象的根本原因在于,全球普遍出现了算力和数据的供给短缺,特别是数据规模量陷入了极大的瓶颈。机器吃不饱,就导致了大模型的性能输出侧无法完成高质量输出。
在这种情况下,大模型就一直无法解决机器幻觉、高错误率的问题。MiniMax创始人、首席执行官闫俊杰认为,GPT 4存在30%40%的错误率,国内大模型整体上也存在60%70%的错误率,要想让AI从一个辅助人类的工具到能独立完成工作,为社会创造更大的价值,最核心的一点是整体降低大模型的错误率。
大模型技术的发展似乎陷入了一个恶性循环的怪圈,大模型的性能提升需要大量使用后的数据投喂,但大模型的错误率又让人们不敢大规模使用。如何破局?
业内还发现一个现象,将大模型缩小规模至特定的专业领域,Scaling Law依然在发挥价值,向专业大模型投喂专业知识库,模型依旧呈现能力的巨大提升。比如多模态领域近一年来进展便神速,在今年WAIC现场,商汤展示了可控人物视频生成大模型Vimi,可将静态图片生成1分钟唯美视频;支付宝也发布了多模态医疗大模型,并将与20家机构联合发起AI医疗共建计划。
Vimi 使用情深深雨濛濛视频片段作为控制生成的长视频
到今天为止,大模型并不是越大越好,也不是只有将性能力发展到惊艳才能使用。如果缩小规模,放至特定的场景使用,也可以实现数据规模与性能提升的良性循环。
回顾大模型的发展不过两年时间,已掀起了三次浪潮,且越来越锁定特定场景。
第一波浪潮, 是OpenAI训练的大语言模型的横空出世,带给人类的震撼是,机器可以跟人用自然语言对话,拥有人的逻辑思考、推理、总结、规划以及多模态生成能力,中国厂商随后全面跟进,也生长出多个大语言模型创业公司。这一波的应用以聊天对话框的方式出现,如国外的ChatGPT,国内的文心一言、腾讯元宝、通义、豆包、Kimi等。
第二波浪潮, 微软、谷歌基于大语言模型做系统重构,发起生产力工具端的变革,如微软在Windows、Azure系统中全面应用Copilot智能体调用大模型能力,以及对PC这一生产力工具的系统级改造。谷歌则用来全面改造搜索工具。中国企业百度也在第一时间用自研大模型重构了所有业务,之后钉钉用AI助理连接了B端企业场景应用,发起了更广泛的智能化场景改造。这波浪潮最大的特点是聚焦工作场景的智能提效。
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
】
![](https://img-blog.csdnimg.cn/img_convert/0dc35641cd2d85e39db6e8cb368fa5cb.png)