Sisyphus235
MLOps
|
DP
获得徽章 0
- 在大模型和多模态出现后语言学习的讨论一直非常激烈。
一方认为没有必要再学习语言，毕竟语言只是一个工具，既然大模型能辅助就不需要学习了；另一方认为大模型只是个工具，语言学习可以利用这个工具得到更好的加强。
我的想法：本质上这个讨论背后还是 AI V.S. IA 的原始争论，上个世纪就出现了。即 Artificial Intelligence 和 Intelligence Augmentation，前者重工具和机器智能的培养，后者重人文，机器是辅助。
语言在这个背景下是一个场景，如果只是为了收获信息，那么不必须学习外语，这点上偏向第一方；但如果深入思考，会发现语言给人类的绝不止信息，更多是赋予人跨越时空、人种的能力，他让我们的文化可以传承，让不同地区的文化能够传递，这样机器就做不到了，即使到了终极时代我依然持有这个观点。一个佐证就是，很多思想、观点到文化是无法表达的，简单说就是《浮士德》所传递的人的意义，必须要通过这样的神话小说化后让人来感受，复杂说就是佛所说的若见诸相非相，即见如来。
分享给语言的终身学习者们展开赞过 评论3 - 在物理范畴上硬件遇到了纳米尺寸下电子击穿的自然规律瓶颈，摩尔定律逐渐失效。硬件加持的快速发展会逐渐让渡到软件驱动，发展的核心能力围绕着数据和算力两个基础，数据和算力通过算法连接产品和物理世界的生产。
算法从个人探索的智力结晶在向模型化、大模型化发展，也从白盒慢慢转变到黑盒。
这引发了互联网行业的一次技术变革：
1. 2014 年左右开始出现 k8s 驱动的云原生技术，通过声明式范式将基础设施的指数级复杂性封装在云平台内部，换取了云上应用复杂度的线性增长；
2. 2014 年从微软推出 Azure Machine Learning Studio 开始，devops 支持下的传统开发走向了机器学习时代的 mlops 模式；
3. 2022 年底 llm 开始爆发，mlops 关注的模型数据准备、模型训练、模型部署、模型监控、模型管理、模型评估、模型推理等环节也无法满足大模型的需求，2023 各种 llmops 的探索出现。展开赞过 评论2 - 和人相关的模型往往需要有语言对话能力，类似 ChatGPT 这样的 NLP 大模型。但很多工作都需要专业的能力，例如数学分析、力学计算等。所以很可能 AI 的发展方向是基于 NLP 发展出能够使用工具的大模型，利用 Matlab, AutoCAD 等工具完成人类日常的工作，比如发邮件赞过 评论3
- #你的工作会被ChatGPT取代吗# 致 AI 次元的程序开发者：
现状是万物互联、基础设施完善，没有颠覆式的技术出现，且当前技术体系伴随市场高速发展了数十年，这导致很难从底层做革命性创新，大部分的工作在应用开发中，互联网的下半场开发特点是结合产业做复杂化的问题解决。复杂体现在业务的特殊性，也体现在技术上要打破前端、客户端、服务端、算法、测试等的岗位限制。
而技术迭代迅速，零散的时间即使全部用来学习也很难跟上技术的发展。解决方法有二：
一是抓住核心的算法和网络结构等相对不变的知识，二是在所属领域和 AI 协作打造专属的 AI 领域知识图谱（因为 AI 的知识图谱更新最快，信息量最全面），形成个人和专属 AI 的协作体系：CyberThinker（例如基于 ChatGPT 驯化 private persnonal AI）展开等人赞过 评论9