最近一段时间关于人工智能技术学习与应用心得

最近一年多来开始转行做人工智能，从刚开始一点都不懂的小白到现在对人工智能有了初步的认识；中间过程可以说是相当不容易。

因此，经过这段时间的应用和学习，也慢慢有了一点心得体会，因此在此记录一下。

关于什么是人工智能，什么是机器学习，什么是神经网络，什么是大模型，以及各种模型架构在这里就不说了；在前面的文章中已经不止一次的讲述过以上内容。

谈到人工智能技术，作者刚开始可能和大部分人的想法一样，那就是高大上；而这种高大上的技术不是我们这些普通人能够轻易接触的，因此在这第一步很多人打起了退堂鼓。

但是，作者在这里要说的还是那句老话，技术的本质只是一个工具，再高大上的技术只是用来方便人们的工作与生活；因此，我们不需要给技术蒙上一层神秘的面纱；如果一项技术做得高高在上，让绝大部分人都接触不到，那么这就不是我们个人的问题，而是这项技术的问题。

技术发展的最终目的就是为了让更多的人的能够体验到技术带来的进步和好处。

所以，我们首先要摆正心态，人工智能虽然看起来高大上，但也是我们普通人触手可及的东西。

其次，我们学习新东西要讲究方式方法，遵循循序渐进的原则，而不是像无头苍蝇一样，还想一口吃成一个胖子。

先说方式方法，学习人工智能或者说学习新技术，最好的方式是先从应用开始学起，也就是解决问题；因为技术就是为了解决某个问题才出现的，而应用场景就是技术解决问题的场景。因此，从应用场景出发你就能知道问题是怎么产生的，以及技术是怎么解决问题的。

但很多人学习技术的时候，却是从技术的基本理论开始的，比如说什么是人工智能，人工智能有哪些基本理论；神经网络是什么，原理什么，什么又是机器学习；然后钻进理论中出不来，最后越走越累，越走越偏，最终放弃。

而如果我们从应用或者说从使用的角度出发呢？ 把人工智能技术当作一种工具。比如说当年的chatGPT，它就是一个聊天机器人；但是不是很多人还不知道chatGPT能干啥的情况下，就想去研究它的底层理论和实现；比如说自然语言处理，神经网络，Transformer架构等等。

然后发现看不懂就去查找大量的基础知识，甚至去学起了高等数学；最后越看越晕，越看越复杂。

扪心自问一下，以你自己的水平，学习人工智能真的需要去学高等数学吗？ 

当然，并不是说研究它背后的技术是错的，而是你的方法不对，不应该一上来就去研究它的底层原理。

这种由于方法论的错误，直接就导致了你偏离了本来目标，把大量的时间浪费在和你没有关系的东西上。

而说到循序渐进，很多人学习人工智能时，又要学习文字处理，又要学图片处理和视频处理；反正各种乱七八糟的新技术，出什么技术学什么技术；最后感觉啥玩意都会又啥玩意都不会。

而比较好的学习方式应该是，先去学习其中的一种技术，比如说文字处理模型；等你把文字处理模型都理解透彻之后，那么你就真正明白神经网络到底是干什么的了，以及怎么干的。

这时，你再去学习图片或视频处理就成了水到渠成的事情；毕竟万变不离其宗，一法通万法通。

其次，学习新技术最好从老技术开始学起；比如说现在大模型更新迭代速度很快；去年出个GPT，今年出个DeepSeek，明年又不知道出个什么新模型；对比DeepSeek和GPT来说，DeepSeek应用了一些GPT没有的新技术，而这些新技术架构更复杂，技术难度也更大；因此学习成本和难度也更大。

记得之前在网上看到一个博主说自己学习JQuery技术，他在学习JQuery技术用的并不是最新版本的JQuery，而是老版本的JQuery；原因在于老版本的JQuery更简单，封装的也不怎么好；因此更容易看得懂。而其又具有JQuery的核心思想，毕竟新版本的JQuery只是比老版本的JQuery封装的更好，更快，但其核心思想并没有变。

这些当学好老版本的JQuery之后，再学习新版本的JQuery就更加得心应手，并且更加了解当前新版本的JQuery有哪些优势和劣势。

贪多嚼不烂

关于人工智能的应用问题

上面讲了怎么学习人工智能技术的问题，现在讲一下人工智能应用的问题；技术的目的是为了应用，因此应用才是重头戏，也是我们普通人能够接触的东西。

关于应用有两个方面，一个是不懂技术，把人工智能技术当成一个工具来使用；比如使用chatGPT来写文案，提建议等；第二种是懂技术，利用人工智能去开发一些新的工具去解决某个领域的问题。

对于前者，你只需要多动手多摸索即可，就像拿到了一个新手机一样，不管什么按钮都自己点点；而对于后者，你需要做的并不是去研究各种模型是怎么实现的，你需要做的是把人工智能应用到具体的业务场景中，这时你就会发现很多问题，然后再根据这些问题去优化你的技术和模型。

而且，以作者的个人经验来看，很多你当时认为正确的理论或想法，可能后面你会发现是错误的；举例来说，刚开始作者认为，人工智能的发展以后会形成专门做模型的服务公司和专门做业务的应用公司。

但随着技术的发展，大模型的功能变得越来越强大，社区也变得越来越活跃，再加上训练成本的降低；越来越多的企业选择自己训练模型，而不是使用别人已经训练好的模型。

而且由于缺少行业数据，哪些模型服务公司也很难训练好一个功能强大的垂直领域的模型。

因此，人工智能与具体行业的结合，最大的问题并不是技术问题，而是数据问题；人工智能技术可以应用于各行各业，但没有具体行业的数据做支撑，那么也只能是空中楼阁。