本文已收录在Github，关注我，紧跟本系列专栏文章，咱们下篇再续！
- 🚀 魔都架构师 | 全网30W技术追随者
- 🔧 大厂分布式系统/数据中台实战专家
- 🏆 主导交易系统百万级流量调优 & 车联网平台架构
- 🧠 AIGC应用开发先行者 | 区块链落地实践者
- 🌍 以技术驱动创新，我们的征途是改变世界！
- 👉 实战干货：编程严选网
1 学习大模型的意义
1.1 底层逻辑
AI大潮已来，不加入就被淘汰。就像现在职场谁不会用PPT和excel一样。你问任何一个人他会不会用PPT，都说会用，只是说好还是不好，除非岗位跟电脑完全无关。但凡用电脑，基本都用excel和PPT，不会用的基本都被淘汰，逻辑一样。
AI虽有应用场景，好像跟普通人无关？
如智能驾驶，人脸识别，跟普通人关系不大，我们都是被动使用。但现在大模型跟我们每人都有关，强大的提升工作效率工具。你不会用，就好像跟PPT和excel一样，你就会慢慢被职场淘汰。
会用就行？
用大模型，好像很简单。无论通义千问、ChatGPT，用起来简单，聊天就OK。但还不够，因为我们用它不只是当搜索引擎，用它是为提升工作效率，得用的好。
1.2 啥叫用的好？
如写文章、PPT和excel，让他给你优化。甚至coding，让大模型帮你写。完全替代你的代码不可能，但给你写一些框架性东西或具体一个小问题，然后拿过来你试下好不好用，有bug也可让他改。还是大幅提升工作效率，最终跟PPT和excel依然逻辑类似。
2 LLM潜力与微调
LLM是AI代表，潜力与使用方式有关。潜力要通过微调挖掘，以适应不同场景和需求。大模型出现引发行业需求爆发，尤其随ChatGPT问答能力超过临界值，行业需求逐渐增加。
PPT和excel技能高的的PPT一看就惊艳，excel用的特熟练，你这数据分析用的非常到位，待遇自然远高于那些用的不好的。LLM同理：
- 用好，几倍原效率
- 用不好，就感觉和现状无区别
差距明显，有人可一人干两人活，待遇肯定高于原效率的人。
LLM底层逻辑用的不好
- 没挖掘出大模型潜力，你只是让他答普通问题
- prompt写不好，他就乱答
- 问的问题范围不好，也不着边际乱答
这都是用的不好的标志。
若已通过各种尝试磨练或技巧学习，把某模型潜力发挥到极致。如ChatGPT最终能解决所有问题吗？也不行，就比如大模型不会回答你公司内部信息问题，因为他不知道，没数据训练过。
通过知识库可部分解决这问题，但知识库不是万能，最终会有场景需要训练。如想调整他回答的语气活泼点或更官方点或有些个人特色。这种场景大模型，因为没有训练这种内容，所以不可能满足你的需求。你要对它训练，至少微调。
所以不仅要会用，还要用好，甚至微调，才能拉开跟其他职场人差距。待遇才能更丰厚，工作机会更多。
问答能力突破临界值
行业需求爆发，自大模型出现，问答能力突破临界值。以前模型都在临界值下徘徊，难商用，只能在学术界兜转。直到ChatGPT迈过阀值，错误少到一定界限。问什么都能回答，这就是奇点。导致行业需求爆发。
3 大模型的应用需求
公司内部问题解决、产品解答、智能聊天和游戏NPC等方面的应用需求。大模型可提高效率、流畅度和人机交互体验。随需求增加，相关工程师需求也会提升。
3.1 对内
像OA、ERP和CRM等问题，平时都是文档来文档去，如OA公司制度都是文档，某人对某制度疑惑，要么问HR或行政，整体效率低。这些知识全都可接入大模型，模型+知识库。
3.2 对外
类似客服解答产品的这种需求。每个公司都有自己的一些产品，有些产品边界、产品参数，还有一些应对各种情况的服务之类的，都要解答客户问题。现在解决方法一般先建一个官方网站里面介绍产品，然后后面再对接一个真人客服，当然也会加一些智能客服内容，但总体效果不如未来使用大模型加知识库，然后还有智能聊天，这是最底层需求。但现在人越来越忙，尤其老年人，他们没人聊天。这需求其实非常大，但一直没有被满足。但总之现在大模型出现之后，让问题看见曙光。
3.3 智能NPC
如游戏里面的NPC都是写死的，都是给你一个逻辑控制，遇到啥场景他做啥回答，完全写死，所以感觉刻板。如将来游戏NPC也接入大模型，让他对话更流畅，更像一个人。但这个游戏里面单纯的找各种不同人对话，是不是感觉也很有意思？这就是游戏里需求，也非常大。尤其未来元宇宙如果出现vr、ar都结合上之后，再加大模型，这里面的需求场景几乎无限大。
行业需求爆发，是不是可能让从事相关工作的工程师的待遇进行提升？肯定的，不过个案不能代替全部。如果说按一个行业，它总体待遇是由供需关系和创造价值量决定的。但是总体上它的需求产生了爆炸性提升。但总体上，互联网其实就是一个这样一层一层往上叠代爆发的过程。
4 互联网行业技术发展与工资待遇
互联网行业工资待遇高的原因是因为需求突然爆发，供应不足；互联网是编辑成本低的行业；创造的价值量与用户量成正比，但成本不成正比；技术的发展也是一层一层往上叠代的，学习最顶层的技术才能拿到高薪。
互联网刚出，你会个HTML，简单JS，工资可能就拿非常高。当时根本无法想象的。90年代当时美国互联网泡沫，你就是会一个HTML这么简单的一个东西就可以拿很高的年薪。就是因为这个需求突然爆发了，但供应提不上来，没那么多人会，所以工资待遇高。而且互联网又是一个编辑成本很低的一个行业。就是你只要做出一个东西，可以给全球每一个人看你这个成本，还是原来的成本不会增加太多。
这就是为什么互联网行业的待遇容易比较高，这就是创造的价值量跟你的用户量成正比，但是你的用户量跟你的成本却不成正比。你一个用户成本跟100万个用户的成本其实差不了许多，差的可能你就是服务器成本，但是你主要的研发成本差不多，剩下主要是供需关系。
最开始HML假设在这位置，然后就是ASP、PHP语言刚出来的一些动态页面，会这些语言你就高薪。再往后安卓出来智能手机IOS之前可能还有java，java是在这位置后，然后IOS和安卓它是一层一层往上开发，然后到算法，现在到了大模型。
你现在再学习下面的东西，如HTML，PHP5、java。在现在这个位置学习他，你不可能高薪，因为它已是基础设施。就好像你开发应用一样，你现在去开发操作系统，你除非说国产替代，正常来讲，微软和苹果已把操作系统完全占领，你不可能再打开空间。再往上，可能微信QQ之类的，你再开发一个类似的，也不可能打败它。
跟这个技术的原理是类似的，技术也是一层一层往上叠代。你现在这个角度去学习更底层东西。不是说完全没必要学，如果说你有时间可学习，这样知识体系更完整。但仅靠下面知识找工作，高薪不易。你只有拿最顶层技术，可能高薪。
5 大模型训练经验与高薪offer
前段时间有个大模型训练的拿到200万年薪。工作经验只有六年。他为什么那么高offer？大模型经验他比较多，大模型其实是GPT3出来后，CP3出来到现在大概也就三年。算上GBTR大概四年，他在阿里就有四年大模型训练经验，很难得。
模型本身其实现在工作需求已比较大。如果说它下面游戏NPC有了一个突破，然后你又比较熟悉这方向，会的人又比较少。这时你立马就可跳槽拿高薪。
6 为啥通过本专栏学习大模型？
专栏围绕大模型，就围绕ChatGPT、通义千问进行组织的。首先基于ChatGPT的历史发展开始讲解前后左右：
- 前就是它的历史
- 后讲大模型延伸。但完整175B ChatGPT训练不动。所以用高效微调训练一个6B模型及launch基于long ten结合一个稍微小一点的语言模型6B的进行一些应用的开发
- 强化学习，在ChatGPT训练时用到
不像有的人讲ChatGPT，直接把NLP一大套底层知识搬给你。这些也不是没用，但对你这个入门主题偏了，导致理论啃太久，兴趣丧失，不利学习。等用到这些知识再给你讲就不显得过于单薄。
现关于大模型或ChatGPT的专栏，主要还是一些帖子或简单专栏。对GPT依赖的一些知识，如transformer、历史，还有强化学习都不多。这就需要你有较多理论基础知识才能看懂。而本专栏相对降低对基础知识要求。讲解时也包含一些底层思考和类比，让你更好理解这些模型到底在干啥。
7 专栏学习方法及收获
现在训练专栏都不系统，因为ChatGPT是新兴事物，22年8月才出现，然后11月才火起来，至今不满2年。要么它就是基于传统的NOP专栏，然后再单独开一张，介绍一下全程PPT。
7.1 学习方法
不只是学习本套专栏的方法，其实学习所有人工智能你都可以用这套方法，就是关于数学公式推导。人工智能有大量数学公式推导，是人工智能专栏最大难点，但你数学不好，又想学课咋办？建议先跳过，先扫两眼公式，感觉看懂就看看。看不懂跳过，把公式推倒当成黑盒，只记结论及逻辑。但建议你有能力，感觉数学还可，还是把公式啃完，当然了大部分应用开发工程师不需要。
7.2 收获
你会学习到ChatGPT、千问等大模型训练原理，即：
- 底层原理
- 如何训练
再掌握多种NLP逻辑，因为fort就是为解决下游NLP任务，如文本分类，N12，阅读理解。就拿一个人家训练好的Bert模型拿过来，然后在下游进行或者分类，或者说NE2，去接一下不同的下游处理，就可以直接上手处理不同的任务。一般还是需要微调，所以你再训练即可解决实际问题。
理解bert系列、GPT系列模型差异。学会高效调参技巧，如PEFT和 Langchain。就是显存不够时，还能把LLM训起来，如6B、13B。最后学会用langchain加不同LLM如qwen + 一个知识库使用向量数据库，搭建一个自己的智能助手，这就是收获。
8 适合人群
想从0开始学习chatGPT的人群。基础不多想学没关系，数学基础不是那么的优秀也可学。可把数学公式推导先跳过。后面对数学有兴趣，把这基础补补再来看也可。
想理解大模型底层原理，以便更好使用大模型。如为什么大模型避免不了幻觉，就是说它避免不了胡乱回答。你只有理解底层原理才知为什么，你才能尽量的有指导性去回避让他乱答。
想自行训练和搭建大模型服务的人群：
- 要么就是外包，你给别公司去搭建
- 要么就是你在公司里，其他人都不会，又不想花很多钱去买外包服务
但自己学一下给自己公司搭一个大模型的服务地图储备，这个其实还看目的。如只是想学会它底层原理，然后去更好使用这些模型，那懂点点python、linux就可。对技术依赖不多。但想训练场，想玩更彻底，还是要有些数学和AI基础。
