本书《大模型时代：ChatGPT开启通用人工智能浪潮》由龙志勇和黄雯撰写，深入探讨了大模型时代的到来及其对人工智能浪潮的影响。
作者简介
龙志勇：曾任阿里巴巴资深产品专家兼事业部副总经理、阿里元境资深AI专家、硅谷AI创业公司云脑科技（定制人工智能解决方案）联合创始人兼首席运营官，获GMIC“AI Startup Top10”等荣誉，在人工智能、云计算、互联网行业深耕20余年。曾撰文《从到AI的冬天》，并有多本畅销译著：《如何创造可信的AI》《稀缺》《超级合作者》《需求》等。
黄雯：互联网大厂高级AI产品经理，曾就职于腾讯和AI创业公司，积累了丰富的AI产业互联网、自然语言处理和大模型应用经验。
全书分为4个篇章。
第一篇：技术篇，科普了ChatGPT和大模型背后的技术原理，浅显易懂，小白也很容易理解。
第1章：我是一个传话筒
本章通过拟人化的手法，介绍了ChatGPT对话机器人“小二”与大模型“老莫”之间的互动，阐释了ChatGPT在接收用户输入和生成响应过程中的工作原理。
第2章：我是一个大模型
本章继续以对话形式，揭示了大模型“老莫”如何通过预测下一个最可能的字或词来生成连贯的文本，以及大模型在训练和推理阶段的工作原理。
第3章：ChatGPT是怎样炼成的
探讨了ChatGPT的训练过程，包括预训练、监督学习和强化学习等阶段，以及这些训练如何赋予ChatGPT强大的语言理解和生成能力。
生成式预训练方法的重要性直到2022年才显现，主要因为早期算力不足和数据稀缺，且符号主义主导了AI研究。杰弗里·辛顿在1986年提出自监督学习模型，但受限于资源。2017年，Transformer架构的出现推动了大语言模型的发展，OpenAI的GPT选择生成式训练，而谷歌的BERT则采用双向编码。尽管GPT在初期表现不佳，但通过不断增加算力和数据，GPT-2和GPT-3逐渐展现出通用智能的潜力，最终获得业界认可。伊利亚·萨特斯基弗强调，除了技术和资源，信念也是关键。GPT的成功证明了坚持和信念在AI发展中的重要性。
第4章：大模型的未解之谜
讨论了大模型中的“涌现”现象，即模型在达到一定规模后表现出的新能力，以及这些能力的出现往往是不可预测和不可控的。
第2篇：变革篇，这波生成式AI对于编程、劳动力市场、人类认知等方面的带来的巨大变革。
第5章：大机器时代的启示
通过历史视角，比较了大模型时代与工业革命时期的技术变革，探讨了新技术对劳动力市场的影响和可能的社会变革。
第6章：大模型与智力革命
分析了大模型如何改变人类的认知过程，提高知识处理的效率，并可能引发一场智力革命。
第7章：自然语言编程与脑机协作
讨论了大模型如何通过自然语言编程和交互，促进人与机器之间的协作，以及这种协作如何影响知识工作。
第8章：变革时代的韵脚
探讨了大模型对劳动力市场的影响，以及新技术如何可能创造新的就业机会和引发社会结构的变化。
卢德主义者反对机器，因其导致失业和收入不均。工业革命初期，技术进步主要体现为取代人力，导致“恩格斯式停顿”，工人生活水平停滞。然而，随着技术发展，新岗位如经理、工程师等出现，提高了对技术工人的需求和工资。新技术不仅降低产品成本，还创造了新市场和产品，如蒸汽机车、汽车和智能手机，扩大了市场规模。生产率提升也增加了闲暇时间，促进了消费市场扩大。1840年后，工业革命进入良性循环，工人实际工资上涨。新技术使能效应的关键在于生产体系和人力教育的适应，确保新岗位的增加能抵消旧岗位的损失。
第3篇：应用篇，讲解了AI在各个场景的应用情况。
第9章：大模型应用的两种创新
分析了大模型在行业中可能引发的渐进式创新和颠覆性创新，以及企业如何利用大模型进行创新。
蒸汽机时代催生了工厂制，工人集中于工厂，生产分工专业化，整体效率提升。电气化初期，工厂仅替换中央动力源的蒸汽机，未改变集中驱动架构，效果不佳。经济史学家小沃伦·迪瓦恩指出，问题在于未充分利用电动机的灵活性。若每台机器配备独立电机，摆脱传动轴，可大幅提高灵活性，优化生产流水线布局，减少动力故障影响，提高生产率。1929年，电动机提供全美工厂80%机械动力，被视为“第二次工业革命”的催化剂。
第10章：知识工作型应用
探讨了大模型在知识密集型产业中的应用，如教育、法律和政府工作等领域。
第11章：企业业务型应用
讨论了大模型在企业业务流程中的应用，如市场营销、客户服务和产品设计等。
第12章：创意娱乐型应用
分析了大模型在创意产业中的应用，如内容创作、娱乐和个人IP打造等。
第13章：大模型应用的三重境界
提出了大模型应用的三个层次：个人效率提升、业务流程优化和全新业务模式的创造。
第一重是个人使用，提高工作效率，探索应用成熟度，注意数据保密。
第二重是嵌入业务流程，调整流程和岗位，进行质量审核，可与供应商签订服务等级协议，评估应用成熟度和优先级。
第三重是重新设计业务，进入新市场，创建新模式，适合初创企业或独立团队，追求颠覆式创新和市场增量。
整体效益最大化需考虑业务环节的信息量和容错率。
第4四篇：产业篇，介绍了AI大模型的产业链，投资机会。
第14章：大模型产业拆解
详细拆解了大模型产业的四个层次：硬件基础设施、软件基础设施、模型MaaS层和应用层。
第15章：关于大模型产业的对话：第1集
通过对话形式，讨论了大模型的商业化、技术挑战和社会影响。
V姐认为国内GPU在推理场景有优势，未来需求量大。老A指出推理GPU是边际服务成本，类似互联网视频初期的带宽成本。V姐预测推理成本会下降，甚至可能转移到用户终端。小柯提到LLaMA-13B推理成本已降低，但仍需优化算力效率。老A强调模型推理成本应低于替代人时的价值，选择高价值应用场景才能盈利。V姐总结模型推理成本应低于替代人时的价值，选择高价值应用场景才能盈利。
