2024.8.23，李沐学长回交大讲座纪要。李沐学长在讲座中介绍了大语言模型的发展趋势，创业Boson.AI的心得体会，以及个人职业选择（PhD，打工 or 创业）

李沐学长在今天上海交通大学的讲座上，分享了过去两年在大语言模型训练、部署、产品化、和基础架构上的一些实际经验，对大语言模型未来趋势做一些预测，以及个人职业生涯选择上的一些建议；

大语言模型

与传统AI一样，LLM（大语言模型）的三大基础依然是：算力，数据，算法

从硬件上看，摩尔定律依然活着。带宽和存储的增长或许逼近极限，但更低bit数据格式带来了更大的通量和更快的速度。由于显卡规模的增大，水冷散热变得非常必要。由于大语言模型火热带来的高溢价，和老黄关系再好，也不得不加价买卡。新卡每年性能翻倍，但价格是原先的1.4倍。但长期看算力依然是越来越便宜。各种厂商AI加速卡很多，但大多只在推理阶段还算OK，nVIDIA依然垄断了大模型的训练阶段的算力，短期很难找到替代品。

长期看算力的持续贬值，大模型训练成本也会不断下降，所以大模型本身也不是一个能保值的东西，价值会随着时间降低，也某种意义上受摩尔定律的影响。

10-50T token的预训练数据规模已经接近极限（因为全人类的知识量有限，当前数据质量的提升比数量提升更重要）；由于硬件和数据瓶颈，大模型的激活参数在 500B 可能是极限，100-500B 的大模型会是未来主流的大小。

End-to-end和多模态是当前大模型的趋势。由于文本是信息密度最高的，也是最容易获得的。通过文本模型的泛化能力，用文本模态作为多个模态中介是一个很好的方案。

在人机交互产品设计方面，对于单一的简单操作，比如关窗户，用户更倾向于手动点一下按钮，可能会觉得和大模型交互不是那么有意义。而对于一些复杂的任务则并非如此，需要按一系列条件执行一系列任务，交给大模型则更为省事。但长文本的prompt控制也远不如直接说话方便，使用语音更符合用户习惯。

模型层面，语言模态已经比较成熟，能给个80-85分；语音(audio)则是勉强可用，70-80分水平，而视觉(video)则比较薄弱，大概只能给个50分。

应用层面，数据越多的领域，就越能被自动化。当前大模型在简单的文科任务上已经能很好地代替人类。因为文科任务是最能简单快速采集大量数据的。在简单理科任务和复杂文科任务上能力正在突破。而当前想要替代蓝领，还非常遥远。工厂需要投放大量传感器，做好数字化基础设施建设，数据收集和整理方案成熟起来，才有大模型落地的希望。而这一切当前看来还很难，但一旦实现就会是重大变革。

我们在创业中学到了什么？高质量数据和后训练算法的创新，对行业大模型的提升很大。OpenAI的RLHF有点牵强，（RL）这套技术很原始。Llama标数据据说花了5000w美金，和内部人士聊过，感觉数据没标好，算法也没花太多时间，所以开源的Llama还有很大提升空间。

对于不一样的数据，不一样的目标函数，针对性做研发是有意义的。

之前的机器学习范式：先做好Evaluation（评估），再去做其他事情。自然语言非常难评估，但是也非常关键。LLM本质还是ML（机器学习），都吃数据，都需要很好的评估方法，特点都是一致的。

自建GPU集群不会比租便宜很多，利润大头都被nv吃掉了。

职业规划建议

沐神兜兜转转，什么地方都去过，无论是学校，大公司还是创业。在交大6年读完本硕，CMU读了5年PhD，也还在港科有2年科研助理经历。也去过UCB和斯坦福做过访问学者。大厂在百度待过2年（首席架构师），在亚马逊待过7年（资深首席科学家）。加上两年的创业经历。（这些经历时间线上可能有重叠）

沐神总结了一下大厂打工人、PhD，创业的区别。大厂的目标是升职加薪，PhD的目标就是博士毕业，创业的目标就是套现退出；为了达成这些目标，作为大厂员工，就得去解决问题，对其公司目标；读博则是需要找到有价值的科研问题并解决；而创业是要为付费客户解决问题。而这三者需要的动力则是不一样的，而创业需要最强的动力。

作为打工人、PhD、创业者，有着不同的优缺点：

无论哪个选项，都面临着不同程度上的延迟满足：打工一般做出成果，很快便能升职加薪，PhD做出成果可能要延迟几年才能收获认可，而创业通常至少要5年以上才能得到正反馈。

创业是最艰难的，要面临长时间没有正反馈的生活，也要能一直保持着热情。

关于大厂工作、读博、创业，沐神都写过对应的文章，《工作五年反思》《博士这五年》《创业一年，人间三年》，这种定期总结的习惯，也是持续自我提升的一个不错的方法。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

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。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

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】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 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】