急！现在转大模型还来得及吗？-优快云博客

大模型的出现，让行内和行外大多数人都感到非常焦虑。

行外很多人想了解却感到无从下手，行内很多人苦于没有硬件条件无法尝试。想转大模型方向，相关的招聘虽然层出不穷，但一般都要求有大模型经验。而更多的人，则一直处于观望之中，感觉自己只能每天看看各种自媒体，以及在聊天时的各种口嗨，难以躬身入局。

但也有不少人对其表示怀疑，巨大的算力成本和模糊的落地场景是其发展的阻碍。大家更容易将其和元宇宙等概念联系起来，视为泡沫。但技术的变革和炒作不一样，不是用Gartner曲线能度量出来的，养活一堆炒股人、自媒体只是变革附带的效应。即使人工智能的发展经历三起三落，也没有什么能阻挡历史的进程。

隔行如隔山，实际上，大模型不是泡沫，而是像深度学习本身一样，是AI的一种新技术领域。在ChatGPT家喻户晓之前，大模型已经在学术界火了两三年了。

对于NLP算法工程师来说，不是要不要转方向的问题，而是必须要跟进。就像从n-gram统计语言模型到基于RNN的神经语言模型，再到Bert等预训练语言模型一样，现在再到大语言模型，这一路的演进都是作为NLP算法工程师必须了解的。

与其焦虑，不如行动。具体如何入门，可以先从做垂类模型的公司或者小公司切入，完整地参与到大模型的生产和落地中，积累了一定经验，再决定以后的方向。

大模型需要的基础也很简单，需要的更多是实战经验。如果不做强化学习的部分，掌握语言模型的基本概念以及Transformer的原理，再了解一下常见的几类大模型的结构，就可以上手了。在实践过程中，再积累一些分布式训练的经验就够了。现在各种深度学习库乃至LLM库都越来越健全，只要做过机器学习，调用起来各种接口也应该会得心应手。

其实所谓的新的增长点，不局限于大模型本身，而是大模型是趋势，其中有无数新的增长点。如果你是技术人员，要考虑的是具体深入演进哪个子领域，写上层模型代码还是cuda编程，做预训练还是微调。可以结合当前业务场景和自身的成长需求，来选择合适的技术栈。入门之后，会有更多更细的选择，像选用哪种深度学习库，用什么框架来适配新的显卡，都是需要用长远的眼光来认真衡量的。

大模型深刻将影响AI未来的发展，算法工程师之外的其他互联网人，也都应当充分思考与其的关联。如果你是互联网创业者或者产品经理，需要考虑能将大模型具体应用到什么行业什么场景；如果你是开发人员，要考虑如何更好地将大模型结合到App中，而不只是简单地提供调模型的接口。如果你是运营，要考虑如何更好地建立用户对大模型的认知。对于非互联网人，也应该积极去拥抱变化，体验新技术带来的魅力，跟上时代的发展。

如果实在没法赶上风口，也不要紧，毕竟任何行业都存在周期性。最重要的是，进入一个行业之后，就尽量去接触这个行业的最高标准，不断沉淀积累。不能风口来了，却没有能力抓住。

但也不能完全被行业标准所禁锢，这会让一个人的理解力和判断力变得狭隘。要时刻保持开放的头脑，能跳出行业看问题。平时要多思考，多了解工作以外的事情，看清数字变化背后的本质。

每个人的情况不同，要提高判断力，在无数诱惑下更加专注，不断扪心自问对自己来说什么事情是有价值、有意义的。我们不必做所有的事情，只需要做有意义的事情。

我这边还有一些大模型面经。有需要的朋友可以找我要，我这边都是免费分享的！

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。

在这里插入图片描述