大模型的价格战方才平息没多久，市场上立马就有新动向涌现。
据悉，字节跳动的AI助手豆包已然正式推出了PC客户端，这其实不是什么新鲜事了。实际上，只要对大模型应用稍有密切关注就会知晓，早在上个月的更新里，除了能通过传统的Web端访问，用户已然能通过桌面客户端和浏览器插件来使用豆包了。
有意思的是，此前5月14日，OpenAI在其首次春季新品发布会上，推出了首个多模态生成模型GPT-4o，还同步推出了桌面App。
当下，能以桌面端形式独立运行的AI助手属于凤毛麟角，可国内外却几乎同时出现大模型厂商布局客户端的消息，这不免是一种默契。
从字节的豆包到OpenAI的ChatGPT，这些AI大模型厂商像是约好了一样，齐刷刷地拓展产品线，尤其是朝着桌面客户端的转移，无疑是极为显著的战略调整。
这一系列举动不单单是技术的自然推进，更多的是对市场需求和用户习惯的深度洞悉与体现。
就拿ChatGPT的桌面客户端来说，对比网页版，其在使用上明显更便捷、更自然。桌面客户端能够与电脑深度融合，直接获取电脑正在浏览的网页与文件内容、正在处理的办公内容，进而针对这些来解答问题。通过客户端应用，ChatGPT还能实现实时交流协助代码阅读，指导用户进行代码修改。
而字节的豆包AI推出的桌面客户端，不仅整合了豆包的诸多核心功能，还通过与本地操作系统的深度融合，实现了在桌面任意应用中使用AI划词、AI启动器、常驻桌面等功能。
这二者绝非只是简单地把应用功能进行打包。
从上述情形能明显看出，相较于网页版，桌面应用通常能提供更稳定且丰富的交互体验。比如说，它们能更好地整合操作系统层级的功能，如通知推送和后台运行，而且在处理大量数据时效率更高。对于那些依赖深度交互和长时间操作的AI服务来说，这种优化至关重要。
这一转变或许凸显了AI服务商对效率办公市场的高度觊觎。
随着AI技术的日益成熟和应用领域的不断拓展，越来越多的人开始寻求集成这类工具以提升效率。桌面客户端相比网页应用，在效率办公方面显然更具优势。
这或许将成为开启大模型C端商业化的关键之钥。
在当前国内大模型商业化的阶段，于B端市场，多数企业仍以诸如按时间段收费、按API接口调用量收费以及各种包含硬件的交付项目等方式为主。C端市场中应用的收费模式，主要围绕产出内容收费、订阅/会员制付费等，但成熟的收费产品少之又少，多数C端产品依然是免费模式。
即便大厂实力超群，也不得不考虑商业化问题，而桌面客户端这种具有效率工具属性的产品能够有力强化大模型的C端商业化。
然而，这一趋势也带来了一些挑战与反思，比如隐私和数据安全问题。桌面客户端可能会让用户数据更易被本地化存储和处理，这虽然能提升响应速度和效率，但同时也需要更严格的安全措施来确保用户信息不被泄露。
总之，AI厂商纷纷推出桌面客户端，这是对当下市场发展趋势的积极响应，或许，桌面客户端即将成为下一个大模型的战场。
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。
