本書《大模型時代：ChatGPT開啟通用人工智能浪潮》由龍志勇和黃雯撰寫，深入探討了大模型時代的到來及其對人工智能浪潮的影響。
作者簡介
龍志勇：曾任阿里巴巴資深產品專家兼事業部副總經理、阿里元境資深AI專家、硅谷AI創業公司云腦科技（定制人工智能解決方案）聯合創始人兼首席運營官，獲GMIC“AI Startup Top10”等榮譽，在人工智能、云計算、互聯網行業深耕20余年。曾撰文《從<華為的冬天>到AI的冬天》，并有多本暢銷譯著：《如何創造可信的AI》《稀缺》《超級合作者》《需求》等。
黃雯：互聯網大廠高級AI產品經理，曾就職于騰訊和AI創業公司，積累了豐富的AI產業互聯網、自然語言處理和大模型應用經驗。
全書分為4個篇章。
第一篇：技術篇，科普了ChatGPT和大模型背后的技術原理，淺顯易懂，小白也很容易理解。
第1章：我是一個傳話筒
本章通過擬人化的手法，介紹了ChatGPT對話機器人“小二”與大模型“老莫”之間的互動，闡釋了ChatGPT在接收用戶輸入和生成響應過程中的工作原理。
第2章：我是一個大模型
本章繼續以對話形式，揭示了大模型“老莫”如何通過預測下一個最可能的字或詞來生成連貫的文本，以及大模型在訓練和推理階段的工作原理。
第3章：ChatGPT是怎樣煉成的
探討了ChatGPT的訓練過程，包括預訓練、監督學習和強化學習等階段，以及這些訓練如何賦予ChatGPT強大的語言理解和生成能力。
生成式預訓練方法的重要性直到2022年才顯現，主要因為早期算力不足和數據稀缺，且符號主義主導了AI研究。杰弗里·辛頓在1986年提出自監督學習模型，但受限于資源。2017年，Transformer架構的出現推動了大語言模型的發展，OpenAI的GPT選擇生成式訓練，而谷歌的BERT則采用雙向編碼。盡管GPT在初期表現不佳，但通過不斷增加算力和數據，GPT-2和GPT-3逐漸展現出通用智能的潛力，最終獲得業界認可。伊利亞·薩特斯基弗強調，除了技術和資源，信念也是關鍵。GPT的成功證明了堅持和信念在AI發展中的重要性。
第4章：大模型的未解之謎
討論了大模型中的“涌現”現象，即模型在達到一定規模后表現出的新能力，以及這些能力的出現往往是不可預測和不可控的。
第2篇：變革篇，這波生成式AI對于編程、勞動力市場、人類認知等方面的帶來的巨大變革。
第5章：大機器時代的啟示
通過歷史視角，比較了大模型時代與工業革命時期的技術變革，探討了新技術對勞動力市場的影響和可能的社會變革。
第6章：大模型與智力革命
分析了大模型如何改變人類的認知過程，提高知識處理的效率，并可能引發一場智力革命。
第7章：自然語言編程與腦機協作
討論了大模型如何通過自然語言編程和交互，促進人與機器之間的協作，以及這種協作如何影響知識工作。
第8章：變革時代的韻腳
探討了大模型對勞動力市場的影響，以及新技術如何可能創造新的就業機會和引發社會結構的變化。
盧德主義者反對機器，因其導致失業和收入不均。工業革命初期，技術進步主要體現為取代人力，導致“恩格斯式停頓”，工人生活水平停滯。然而，隨著技術發展，新崗位如經理、工程師等出現，提高了對技術工人的需求和工資。新技術不僅降低產品成本，還創造了新市場和產品，如蒸汽機車、汽車和智能手機，擴大了市場規模。生產率提升也增加了閑暇時間，促進了消費市場擴大。1840年后，工業革命進入良性循環，工人實際工資上漲。新技術使能效應的關鍵在于生產體系和人力教育的適應，確保新崗位的增加能抵消舊崗位的損失。
第3篇：應用篇，講解了AI在各個場景的應用情況。
第9章：大模型應用的兩種創新
分析了大模型在行業中可能引發的漸進式創新和顛覆性創新，以及企業如何利用大模型進行創新。
蒸汽機時代催生了工廠制，工人集中于工廠，生產分工專業化，整體效率提升。電氣化初期，工廠僅替換中央動力源的蒸汽機，未改變集中驅動架構，效果不佳。經濟史學家小沃倫·迪瓦恩指出，問題在于未充分利用電動機的靈活性。若每臺機器配備獨立電機，擺脫傳動軸，可大幅提高靈活性，優化生產流水線布局，減少動力故障影響，提高生產率。1929年，電動機提供全美工廠80%機械動力，被視為“第二次工業革命”的催化劑。
第10章：知識工作型應用
探討了大模型在知識密集型產業中的應用，如教育、法律和政府工作等領域。
第11章：企業業務型應用
討論了大模型在企業業務流程中的應用，如市場營銷、客戶服務和產品設計等。
第12章：創意娛樂型應用
分析了大模型在創意產業中的應用，如內容創作、娛樂和個人IP打造等。
第13章：大模型應用的三重境界
提出了大模型應用的三個層次：個人效率提升、業務流程優化和全新業務模式的創造。
第一重是個人使用，提高工作效率，探索應用成熟度，注意數據保密。
第二重是嵌入業務流程，調整流程和崗位，進行質量審核，可與供應商簽訂服務等級協議，評估應用成熟度和優先級。
第三重是重新設計業務，進入新市場，創建新模式，適合初創企業或獨立團隊，追求顛覆式創新和市場增量。
整體效益最大化需考慮業務環節的信息量和容錯率。
第4四篇：產業篇，介紹了AI大模型的產業鏈，投資機會。
第14章：大模型產業拆解
詳細拆解了大模型產業的四個層次：硬件基礎設施、軟件基礎設施、模型MaaS層和應用層。
第15章：關于大模型產業的對話：第1集
通過對話形式，討論了大模型的商業化、技術挑戰和社會影響。
V姐認為國內GPU在推理場景有優勢，未來需求量大。老A指出推理GPU是邊際服務成本，類似互聯網視頻初期的帶寬成本。V姐預測推理成本會下降，甚至可能轉移到用戶終端。小柯提到LLaMA-13B推理成本已降低，但仍需優化算力效率。老A強調模型推理成本應低于替代人時的價值，選擇高價值應用場景才能盈利。V姐總結模型推理成本應低于替代人時的價值，選擇高價值應用場景才能盈利。
第16章：寒來暑往幾度：AI泡沫與機遇
反思了AI技術發展中的泡沫和機遇，以及如何避免過度樂觀和悲觀。
第17章：關于大模型產業的對話：第2集
繼續通過對話形式，深入探討了大模型的商業潛力、技術挑戰和未來發展方向。
作者討論AI原生應用的特點，具體包括：
充分利用新技術特性：從設計之初就圍繞新技術（如云計算、大模型）進行優化，發揮其最大優勢，而非簡單嵌入現有系統。
類人交互與任務：設計“類人”的交互和任務，視模型為人類，使用自然語言進行交流，期待模型執行復雜任務，如同請人類助手辦事。
高價值任務：將模型用于高價值、專業性強的任務，對標高薪人類助理或專業教練，避免低價值、簡單重復的工作。
個性化與定制化：提供深度個性化的虛擬人物或角色，允許用戶定制模型，增強用戶黏性和社區化。
多模態輸入與輸出：結合AR眼鏡等技術，接收圖像、視頻等多模態輸入，提供更豐富的交互體驗。
長期記憶與個性化服務：模型具備長期記憶能力，了解用戶歷史，提供個性化、持續的服務，形成高競爭壁壘。
這本書全面覆蓋了大模型技術的發展、應用及其對社會的深遠影響，為讀者提供了一個關于大模型時代的全方位視角。由于作者有在AI一線工作創業的經歷，內容比較詳實生動，干貨滿滿，非常值得一讀。
