3月21日上午，

一条新闻忽然成了爆点：

《突发！Kimi崩了！》

一时，好奇的读者纷纷打听：

Kimi是什么？它怎么会崩了？

它崩了说明什么？

也许你不知道Kimi，但你一定知道大模型。和ChatGPT一样， Kimi（全称Kimi chat或Kimi智能助手）是大模型产品家族中的一员，来自通用人工智能创业公司“月之暗面”，是月之暗面基于自研千亿参数大模型打造的对话式AI助手产品。

3月18日，Kimi宣布支持200万字超长对话上下文。一时间，试用者纷至沓来，海量数据涌入服务器，造成3月21日的服务器宕机。不过，公司很快实施了一系列应急措施，服务器当天就恢复了正常使用。

超长对话上下文一直是Kimi的特色。2023年10月上线之初，Kimi就可以处理高达20万字的中文输入，概括内容，总结要点。除了帮助用户整理材料，只要资料足够，Kimi还能摇身一变成为该领域的初级专家。Kimi可以一顿“吃下”80集的《甄嬛传》剧本，以“嬛学家”的身份回答观众提问；官方甚至声称只要给它一本近百万字的中医诊疗手册，Kimi就能针对症状给出诊疗建议。

截至3月25日，月之暗面股东之一九安医疗最大累计涨幅达31.63%，相关概念股也显著波动。大模型产品又一次引发了资本的强烈关注。

大模型为什么叫“大”模型？

Kimi为什么火了？这就要从大模型是什么开始说起了。

大模型是一种生成式人工智能的具体应用。生成式人工智能的目标是创建新的内容和想法（包括文章、对话、图片、视频和音乐等），但它并非凭空“想象”，而是通过一些算法“学习”大量数据，经过不断地反馈、调整、训练，最终从中总结出规律、模式等，再利用这些规律、模式来生成内容。

因为需要的数据量特别巨大，这些规律、模式就称为大模型，一个训练好的大模型，可以通过继续投喂新的数据、采用新的训练方法等进行升级换代。例如GPT家族就有从GPT-1、GTP-2到如今的GPT-4的一系列大模型。

2018到2023五年间所有的大语言模型“代表作”

专注于“吃”文字、生成文字的大模型称之为大语言模型。Kimi就是一个大语言模型产品，它的应用场景包括专业学术论文的翻译和理解、辅助分析法律问题、一次性整理几十张发票、快速理解程序开发文档等。

而能处理文字之外的数据类型（如图像、音乐等）的大模型叫作多模态大模型。例如不久前引发轰动的文生视频大模型Sora。

还有上海人工智能实验室研发的文生视频大模型“书生·筑梦”，这款多模态大模型于2024年2月亮相，可根据输入的提示词生成有故事性、含多镜头的分钟级视频，具有转场流畅、故事连贯、画质高清等特点。利用“书生·筑梦”等AI工具制作的系列动画片《千秋诗颂》已在CCTV-1播出。

生成式人工智能是新质生产力中的典型新质生产要素，预期将极大提高生产效率、促进传统行业转型升级。根据麦肯锡2023年6月的乐观预测，生成式人工智能每年可能为全球经济增加2.6万亿至4.4万亿美元的价值。根据高盛研究，在满足增长条件的情况下，生成式人工智能的突破将在10年内推动全球GDP增长7%。

百模大战，“卷”的是什么？

在当前的数字经济发展浪潮中，大模型技术早已成为产业竞争的焦点。例如在视频处理方面，2023年时多数产品只能生成3-4秒的视频，质量参差不齐；仅仅几个月后，2024年初OpenAI研发的Sora展示了惊人的能力，能生成长达60秒的高质量视频；不久之后，Pika推出了Lip Sync功能，让视频角色的口型与音频同步。最近，openAI与好莱坞已在计划合作，让大模型进军电影行业。

Pika的Lip Sync能让不同的角色说同一句话

由Kimi掀起的“超长文本”之战也开始燎原：

3月22日，阿里的通义千问官宣升级，向所有人免费开放1000万字的长文档处理功能。用户可通过通义千问网站和APP快速读研报、分析财报、读科研论文、研判案情、读医疗报告、解读法律条文、分析考试成绩、总结深度文章等。

3月23日，360智脑宣布正式内测500万字长文本处理功能。目前360AI浏览器已向用户免费开放100万字长文本阅读功能，可一分钟读完《三体》，并就文本外的“超纲”问题进行问答和延展学习。

据媒体报道，百度在下个月将对文心一言进行升级，届时也将开放长文本能力，文本范围在200-500万字。

李开复带队创办的AI2.0公司今年2月发布的大模型Yi-34B-Chat-200K，则可以完成处理200K上下文（约20-30万个中英文字符）、多文档阅读理解，以及超长知识库构建等任务……

厂商对长文本的“疯狂”绝不只是数字上的竞赛。长文本技术能够推动大模型更深层次的产业落地，可以在金融、司法、科研等精艰深的领域里，全篇连贯地理解上下文，满足理解和问答的需求。市场需求的求“长”若渴，促使企业加速技术研发和应用创新。

但输入文本越长就越好吗？也不见得。

大模型作为全新的、发展中的技术，自身具有很大的不确定性，并非一条方向确定的“轨道”。早在2023年中，斯坦福大学和加州伯克利大学以及Samaya的研究员，就在一篇题为“中途迷失：语言模型的长·上下文利用之道”的论文中提出：文本长度作为输出效果的一项指标，并不是越长模型效果就越好。例如，当能回答用户问题的文字段落位于长文本中间部分的时候，大语言模型更难准确识别、理解。

毋庸置疑，当前大模型产品处于剧烈的迭代和变化中，导致其商业化和相关产业“叫好”胜过“叫座”。例如，在各大厂“卷”起长文本的情况下，Kimi能够提供的长文本处理能力，通义千问、360智脑等竞争对手也能够提供，当大厂不收费，Kimi也很难赚到钱。

**开源生态也挑战着大模型商业生态的形成。**许多领先的大模型如GPT-3、BERT、Transformer等，核心技术和架构都是开源的。训练和评估大模型的数据集和工具也是开源的，任何企业都可以用自己的数据去训练自己的大模型。在这种生态下要形成有竞争力的商业产品无疑更难。

另一方面，大模型训练需要强大的算力支撑，成本极高。例如，OpenAI的语言模型GPT-3训练过程中的成本达数百万美元。如果一个大模型不能快速商业化，形成赢利闭环，则不要说投入的钱是否能收回来，后续研发资金也成问题。从投入产出比来说，目前大模型的应用总体还在“烧钱”的阶段。

应用是王道

**目前可见的商业应用模式，主要还是将大模型嵌入已有服务或平台的组成部分。**例如2023年8月华为公布的鸿蒙4系统的智能助手“小艺”，就是首个直接面对消费者的、具有AI大模型能力的终端智慧助手。

此外，就特定生产场景定制智能解决方案也是大模型的商业应用模式之一，如文心一言的行业大模型，与各行业企业联手，在通用大模型的基础上学习行业特色数据与知识，建设行业AI基础设施，实现降本增效。

在企业数字化转型方面，生成式人工智能是新质生产力应用场景创新的利器，在研发设计规划、生产过程管控、经营管理优化、产品服务优化等环节均有用武之地。2023年8月，海尔集团所属海尔创新设计中心，落地完成了全国首个基于工业设计场景的AIGC（人工智能生成内容）行业方案。

常规的工业设计程序往往需要众多人力资源的投入和多次的调整优化，周期长、效率低。海尔创新设计中心研发的业界首个集成式虚拟设计师AI助手“Co-designer”，使概念设计提速83%，集成式渲染（批量图）提速89.5%，数字化营销（全场景图）提速85%。

有话说

每一种新兴技术的成长之路都不可避免地伴随着一系列挑战。对于大模型等新兴技术来说，找到更加优化的运用场景是实现其价值转化的关键。这可能要求技术开发者深入理解技术的核心优势和功能，将技术与不同行业、不同领域的实际需求相结合，不拘一格实现转化应用。

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。

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】

123?spm=1001.2014.3001.5501)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】