“技术的价值在于应用，理论与实践相结合才能事半功倍”

最近一段时间就发现了一个问题，写的越理论的东西看的人越多，越实际越细节的东西看的人越少，不知道是因为系统推送的原因，还是观看者的原因。‍‍‍‍‍

因此，根据这个现象就想提几个学习的建议，让大家少走一点弯路。‍‍‍‍‍‍‍‍‍‍‍‍‍

01人工智能技术学习建议‍‍‍

这个关于学习人工智能技术的建议，也可以说是一个学习技术的方法论。

首先大家要明白一点——(任何)技术都是一个更偏向于实践的东西，具体来说就是学习技术实践要大于理论，要以实践为主理论为辅，而不是反其道而行之，但是在实际的经历和观察中，我发现很多人却是以理论为主，实践为辅。‍‍

知行合一，在知中行，在行中知_‍‍

就拿这个公众号来说，越理论的东西看的人越多，真的涉及到实操的部分看的人反而变少了。

比如说，很多人对什么是人工智能，什么是神经网络，什么是大模型，什么是多模态大模型等等很感兴趣；但对大模型实际过程中的训练数据的收集与清洗，损失差和反向传播等核心操作却视若无睹。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

但是这些理论的东西，每个理解过人工智能技术的人都能说上几句；但真的让他来实际操作从大模型的选型，模型的训练和部署来打造一个能用的大模型，这时他就开始傻眼了。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

理论需不需要懂？‍‍‍‍

需要，但并不是特别需要；很多理论只是看别人的书和文章你是不会真正明白的，只有实际动手操作时才能真正理解理论。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

就类似于java面试八股文，随便一个面试者都可以说上几句；但一旦涉及到具体的业务场景或技术场景，这时很多人就傻眼了，而这也是不同面试者之间的差距。‍‍‍‍‍‍‍‍‍‍‍‍‍‍

理论并不等于技术，技术也不等于理论，技术更多时候是理论和实践的结合；在实践中检验理论，在理论中指导实践，最后理论和实践互相验证，互相修正。‍‍‍‍

所以说，学习大模型技术最重要的是上手实践一下，不一定非要像openAI，谷歌，meta一样搞那么大的模型，哪怕只是设计一个两三层的神经网络模型，然后自己完成模型的设计，训练和部署也比一直看理论更有用。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

或者是找一些开源的大模型项目，看看它们解决了哪些问题；是怎么做的，又为什么这么做，是否有其它解决方案；而且一些小模型个人电脑就可以跑的起来，或者找一些免费的GPU资源，比如谷歌的Colab平台。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

这样你才能知道不同模型之间的差别是什么，怎么使用模型解决不同领域的问题等。‍‍‍‍‍‍‍‍‍

_学习大模型的三个方向_‍‍

很多人学习人工智能技术就一心扑在技术上，认为自己把技术学好了就一定能找到工作，一定能成为公司技术部核心成员；但大家要明白的一个事实是，技术是为业务服务的，技术的作用是解决业务问题，而不是搞学术研究。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

学习大模型技术，个人认为有三个方向：‍

大模型基础技术大牛‍‍‍‍‍

说白了就是数学大牛，大模型技术本质就是一个数学模型，因此需要做这个方向的技术人员更多的是数学专业的大牛；比如说微分，概率，线性代数等。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

他们的作用是设计更好的机器学习算法和打造更好的技术学习模型，比如怎么设计一个更好的神经网络，怎么设计更好的损失函数，怎么优化反向传播算法等。‍‍‍‍‍‍‍‍

这种工作更加偏向于底层技术和学术研究，而且这种人才待遇好，要求高，基本上不是名牌大学毕业的很难参与进来。‍‍‍‍‍‍‍‍‍

大模型“运维”人员‍‍‍‍

之所以说是“运维”人员，是这个方向需要做的就是根据企业的业务需求，找到合适的商业或开源模型，然后能够收集和处理训练数据，然后完成模型的训练，部署和升级等任务；能够熟练使用不同的模型和工具处理不同领域的问题。因为他们特别像传统的服务器维护人员，因此叫大模型“运维”。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

这个技术方向就需要懂得大模型的基础理论，并且有很强的实操能力，然后有充足的业务经验，能够把大模型和业务场景相结合，因此这个更看重的是经验和实操，反而技术要求并不高，重要的是能够熟练使用各种工具。‍‍‍‍‍‍‍‍‍‍‍‍‍

大模型上层应用构建‍‍

再一个方向就是基于大模型构建上层应用，这个方向更像是一个传统的技术开发者，不需要了解大模型的运作原理，只需要能使用大模型的功能文档和接口文档即可，如果能懂一些大模型的理论就更好不过了。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

个人建议

对大部分人来说，选择后两种方式比较好，最好是能把后两种方向结合起来。因为研究大模型基础技术的成本太高，绝大部分企业都没有足够的资金和技术来实现，因此其就业的压力和竞争力可想而知。‍‍‍‍‍‍‍‍‍

其次，后两个方向只需要有一定的经验和学习能力就可以做到，甚至很多程序员可以直接转行成为第三种大模型应用开发者。‍‍‍‍‍‍‍‍

所以，对大部分人来说，最好的选择就是搞大模型应用，门槛相对较低，前景广阔。‍‍‍

因此，对个人来说一定要弄清楚自己的定位，否则就会导致自己没有努力的方向；然后这个也想学，那个也想学，最后什么都会又什么都不会。‍‍‍‍‍‍‍‍‍‍‍

对技术人员来说，写作应该是一项必不可少的技能之一。写作的作用并不是说要你的文笔有多好，而是要把自己学习和思考的过程给记录下来，哪怕是错的。‍

一是方便后续回顾，二是写作的过程是一个从新思考的过程，有些不明白不清晰的地方在写作的过程中就会重新进行思考，这时就会有一个更加清晰的认识。‍‍‍‍‍‍‍‍‍

有句老话叫：“厉害的不是你学会了什么，而是你能够用简单的语言把你学的东西讲明白”。‍‍‍‍‍‍‍‍‍‍‍‍

学习是一个输入端过程，而写作是一个输出的过程。‍‍‍

最近两年大模型发展很迅速，在理论研究方面得到很大的拓展，基础模型的能力也取得重大突破，大模型现在正在积极探索落地的方向，如果与各行各业结合起来是未来落地的一个重大研究方向

大模型应用工程师年包50w+属于中等水平，如果想要入门大模型，那现在正是最佳时机

2025年Agent的元年，2026年将会百花齐放，相应的应用将覆盖文本，视频，语音，图像等全模态

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

给大家推荐一个大模型应用学习路线

这个学习路线的具体内容如下：

第一节：提示词工程

提示词是用于与AI模型沟通交流的，这一部分主要介绍基本概念和相应的实践，高级的提示词工程来实现模型最佳效果，以现实案例为基础进行案例讲解，在企业中除了微调之外，最喜欢的就是用提示词工程技术来实现模型性能的提升

第二节：检索增强生成（RAG）

可能大家经常会看见RAG这个名词，这个就是将向量数据库与大模型结合的技术，通过外部知识来增强改进提升大模型的回答结果，这一部分主要介绍RAG架构与组件，从零开始搭建RAG系统，生成部署RAG，性能优化等

第三节：微调

预训练之后的模型想要在具体任务上进行适配，那就需要通过微调来提升模型的性能，能满足定制化的需求，这一部分主要介绍微调的基础，模型适配技术，最佳实践的案例，以及资源优化等内容

第四节：模型部署

想要把预训练或者微调之后的模型应用于生产实践，那就需要部署，模型部署分为云端部署和本地部署，部署的过程中需要考虑硬件支持，服务器性能，以及对性能进行优化，使用过程中的监控维护等

第五节：人工智能系统和项目

这一部分主要介绍自主人工智能系统，包括代理框架，决策框架，多智能体系统，以及实际应用，然后通过实践项目应用前面学习到的知识，包括端到端的实现，行业相关情景等

学完上面的大模型应用技术，就可以去做一些开源的项目，大模型领域现在非常注重项目的落地，后续可以学习一些Agent框架等内容

上面的资料做了一些整理，有需要的同学可以下方添加二维码获取（仅供学习使用）