急！现在转大模型还来得及吗？零基础入门到精通，收藏这一篇就够了

大模型的出现，让行内和行外大多数人都感到非常焦虑。

行外很多人想了解却感到无从下手，行内很多人苦于没有硬件条件无法尝试。想转大模型方向，相关的招聘虽然层出不穷，但一般都要求有大模型经验。而更多的人，则一直处于观望之中，感觉自己只能每天看看各种自媒体，以及在聊天时的各种口嗨，难以躬身入局。

但也有不少人对其表示怀疑，巨大的算力成本和模糊的落地场景是其发展的阻碍。大家更容易将其和元宇宙等概念联系起来，视为泡沫。但技术的变革和炒作不一样，不是用Gartner曲线能度量出来的，养活一堆炒股人、自媒体只是变革附带的效应。即使人工智能的发展经历三起三落，也没有什么能阻挡历史的进程。

隔行如隔山，实际上，大模型不是泡沫，而是像深度学习本身一样，是AI的一种新技术领域。在ChatGPT家喻户晓之前，大模型已经在学术界火了两三年了。

对于NLP算法工程师来说，不是要不要转方向的问题，而是必须要跟进。就像从n-gram统计语言模型到基于RNN的神经语言模型，再到Bert等预训练语言模型一样，现在再到大语言模型，这一路的演进都是作为NLP算法工程师必须了解的。

与其焦虑，不如行动。具体如何入门，可以先从做垂类模型的公司或者小公司切入，完整地参与到大模型的生产和落地中，积累了一定经验，再决定以后的方向。

大模型需要的基础也很简单，需要的更多是实战经验。如果不做强化学习的部分，掌握语言模型的基本概念以及Transformer的原理，再了解一下常见的几类大模型的结构，就可以上手了。在实践过程中，再积累一些分布式训练的经验就够了。现在各种深度学习库乃至LLM库都越来越健全，只要做过机器学习，调用起来各种接口也应该会得心应手。

其实所谓的新的增长点，不局限于大模型本身，而是大模型是趋势，其中有无数新的增长点。如果你是技术人员，要考虑的是具体深入演进哪个子领域，写上层模型代码还是cuda编程，做预训练还是微调。可以结合当前业务场景和自身的成长需求，来选择合适的技术栈。入门之后，会有更多更细的选择，像选用哪种深度学习库，用什么框架来适配新的显卡，都是需要用长远的眼光来认真衡量的。

大模型深刻将影响AI未来的发展，算法工程师之外的其他互联网人，也都应当充分思考与其的关联。如果你是互联网创业者或者产品经理，需要考虑能将大模型具体应用到什么行业什么场景；如果你是开发人员，要考虑如何更好地将大模型结合到App中，而不只是简单地提供调模型的接口。如果你是运营，要考虑如何更好地建立用户对大模型的认知。对于非互联网人，也应该积极去拥抱变化，体验新技术带来的魅力，跟上时代的发展。

如果实在没法赶上风口，也不要紧，毕竟任何行业都存在周期性。最重要的是，进入一个行业之后，就尽量去接触这个行业的最高标准，不断沉淀积累。不能风口来了，却没有能力抓住。

但也不能完全被行业标准所禁锢，这会让一个人的理解力和判断力变得狭隘。要时刻保持开放的头脑，能跳出行业看问题。平时要多思考，多了解工作以外的事情，看清数字变化背后的本质。

每个人的情况不同，要提高判断力，在无数诱惑下更加专注，不断扪心自问对自己来说什么事情是有价值、有意义的。我们不必做所有的事情，只需要做有意义的事情。

最后，附上一些大模型面经，供需要的同学参考。别忘了关注公众号“互联网持续学习圈”，带你了解更多大模型相关的知识。祝好！