什么？
炼个大模型还嫌贵？
到底哪里贵了！？
大模型算力贵？哪里贵了！？
争先恐后训练大模型，
搞得现在“算力慌”“一卡难求”，
算力当然水涨船高了!
“特供版”GPU又贵又缩水，
大家自己愿意当“冤大头”囤卡，
还好意思埋怨贵了？
这么多年有没有认真工作？
为什么这么多算力还依赖进口!
自己为什么不能制造芯片?
有没有在自主化上想想办法？
解决算力难题，
厂商们可以选择AI云服务。
在社会层面进行算力集约，
让算力普惠。
同时支持国产AI算力，
让国内市场活跃起来。
大模型基础设施贵？哪里贵了！？
数据需要存，接入AI模型需要网，
部署AI模型需要终端。
哪个不需要投入了!
任何一个地方出现短板，
就会出现木桶效应!
加一加算一算，当然不便宜了！
有时候找找自己的原因!
综合成本那么高，
是不是盲目追求高配置了?
IT设施能不能跟上大模型发展？
是不是IT采购做得东一榔头，西一棒槌？
有没有做过全盘的数字化设计？
想要把基础设施的综合成本打下来，
就需要选择和大模型
适配的存储、网络产品。
统筹规划自己的ICT基础设施，
让大模型获得良好的数字化土壤。
大模型数据贵？哪里贵了！？
专用数据从采集、清洗到标注、验证，
每一个环节都需要成本。
有的企业整理3TB数据成本就高达数十万。
通用数据便宜！
不担心大模型差异化问题你去买啊!
平时有没有重视自有数据？
全员通宵埋头标注数据的时候，
高价买数据的时候，
就没想想怎么能剩下一笔数据成本？
想降低数据成本，
首先就要重视自身的数据资产，
加强数据资产的收集保存，
同时强化流通，
数据流通起来才有价值!
大模型运维贵？哪里贵了！？
大模型数据规模大、迭代版本多、算力节点多。
多就代表复杂，复杂就代表故障率高。
一出故障要推倒重训，
一次训练恢复就要一星期以上，
项目进度停滞，人工和算力开销照旧，
整体成本咔咔上涨!
运维成本上涨，
有时候找找自己的原因!
为什么一边抱怨人工贵，
一边还要让员工加班？
为什么不找找运维“平替”？
想要找人工运维的“平替”，
当然就是AI运维了 !
用AI来运维AI，
提升运维智能化水平，
实现故障精准定位，快速恢复。
让运维能力秒变省钱超能力!
大模型人才贵？哪里贵了！？
也就是应届生比其他T人才溢价个50%左右，
算法工程师年薪50万起步，
多一点的100万也够了！
有时候挖一个专家，
还要把他学生、助手、
亲戚七大姑八大姨都给挖过来，
1000万起步差不多吧。
有些时候找找自身原因!
这么多年有没有认真工作？
自己能不能变成AI人才?
有没有让员工都去研究学大模型？
有没有送自己小孩去学AI？
破解AI人才难题，
需要产学研协同努力，
加大人才培养力度，
丰富相关岗位分工，
推进AI资质考核标准化
校园培养、在职培养、
社会培养共同发展。
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】
