大模型启示录电子书

内容简介

推荐序一

推荐序二

推荐语

前言

致谢

第1章 什么是大模型

1.1 从单节点模型开始

1.2 大模型的养成

1.3 大模型的核心能力

1.4 大模型的构建

1.5 大模型需要的基础设施

1.6 大模型的“不可能三角”

番外篇 OpenAI为何成功

番外篇 CUDA壁垒是怎样形成的

第2章 软件在大模型时代还有没有价值

2.1 历次科技变革，改变了谁

2.2 大模型变革下的四类SaaS企业

2.2.1 人调用软件

2.2.2 软件梳理流程

2.2.3 翻译工具

2.2.4 大模型调用软件

番外篇 GPU IaaS业务拉开云加速序幕

2.3 大模型与DevOps（可观测性）

2.3.1 可观测性的实现原理及关键环节

2.3.2 大模型如何与可观测性结合

2.3.3 针对大模型搭建可观测性平台

2.4 大模型改变数据库

2.4.1 大模型如何改变数据库交互

2.4.2 大模型是否能改变数据库底层

2.4.3 数据仓库与数据湖如何支持大模型训练

2.4.4 大模型的应用取决于成本

2.4.5 向量数据库

2.4.6 大模型可被用于ETL工作

2.5 大模型改变网络安全

2.5.1 大模型在不同网络安全场景中的应用

2.5.2 现有网络安全企业的大模型应用情况

2.5.3 微软Security Copilot的优点和缺点

2.5.4 大模型数据交互安全

2.5.5 AI Native网络安全公司出现了吗

2.6 大模型与RAG

2.6.1 RAG的技术难点

2.6.2 RAG是个系统，单点突破难做差异化

2.6.3 RAG需求爆发得非常快

2.6.4 相对微调，RAG技术更具优势

2.6.5 RAG的评测

2.6.6 混合搜索与技术栈选择

2.6.7 RAG的商业化与进入市场策略

2.6.8 金融领域的RAG应用

2.7 大模型改变办公与销售管理软件

2.7.1 大模型如何影响办公类产品

2.7.2 大模型如何影响会议类产品

2.7.3 大模型如何影响协同产品

2.7.4 大模型如何影响销售管理工具

番外篇 数据基础设施（Data Infra）：大模型决战前夜

第3章 大模型将改变产品生态

3.1 大模型与产品设计

3.1.1 大模型AI产品的设计流程

3.1.2 大模型AI产品的设计准则

案例 Microsoft 365 Copilot的产品设计

3.2 大模型与产品销售和营销

案例 卫瓴科技如何通过大模型赋能销售和营销

案例 Salesforce的大模型赋能销售解决方案

3.3 大模型与组织变革

3.3.1 AI时代的组织进化展望

3.3.2 个人与组织价值创造逻辑的差异

3.3.3 组织协作的“假象”与“理想”

3.3.4 AI在组织协作中应用的可能性

3.3.5 技术路径与商业实践探索

案例 腾讯如何搭建适合自己的大模型

第4章 大模型将改变更多行业

4.1 大模型改变客服和电销

4.1.1 大模型改变了客服

4.1.2 将大模型应用在电销上难度大

4.1.3 如何交付大模型客服

4.1.4 大模型客服如何选择模型

4.1.5 客户眼中的大模型客服与落地仍然有预期差

4.2 大模型改变教育

4.2.1 成熟AI教育公司的启示

4.2.2 大模型对教育场景的重塑

4.2.3 大模型如何影响教育创业和教育事业

4.2.4 大模型教育如何看待/选择大模型

4.3 大模型改变设计

4.3.1 大模型应用在不同的设计场景

4.3.2 大模型对设计的提效

4.3.3 现有的设计软件如何应对大模型

4.3.4 大模型设计在To B场景的落地

4.4 大模型改变游戏

4.4.1 AI NPC在玩法层面的落地

4.4.2 AI NPC在局部留存/商业化上更容易落地

4.4.3 AI在游戏的技术层面落地难点

4.4.4 游戏公司使用AI工具的情况

4.4.5 大模型在游戏引擎中落地的方向

4.4.6 大模型在VR中的落地情况

4.5 大模型改变广告

4.5.1 广告创业公司的观点

4.5.2 广告平台方的观点

4.5.3 广告主的观点

4.5.4 生成式广告

4.6 大模型改变推荐系统

4.6.1 大模型在推荐系统现有环节的应用

4.6.2 大模型在广告/电商推荐系统中的应用

4.6.3 大模型在搜索推荐系统中的应用

4.6.4 大模型在内容推荐系统中的应用（以Meta为例）

4.7 大模型改变传统工业

4.7.1 大模型在传统工业中的应用处于初级阶段

4.7.2 小模型在传统工业中的应用广泛

4.7.3 大模型在传统工业应用的难点

4.7.4 大模型在传统工业应用的方法

案例 头部AI咨询公司C3.ai

案例 难以被AI颠覆的艾斯本科技（Aspen Tech）

第5章 对大模型未来的思考

5.1 大模型未来三年的几个假设

5.1.1 开始摘低垂果实（2024年）

5.1.2 AI带来的实际经济影响（2024年）

5.1.3 GPT-5会成为更标准落地的分水岭（2025年）

5.1.4 面向消费者（To C）领域的预期（2025年）

5.1.5 AI或许可以替代高阶的职能（2026年）

5.1.6 工业领域会看到很多多模态实践（2026年）

5.1.7 基建与电力可能比GPU更稀缺（2024—2026年）

5.2 大模型技术面临的挑战

5.2.1 数据

5.2.2 计算资源

5.2.3 安全和合规

5.3 大模型就像贪吃蛇与俄罗斯方块

5.3.1 贪吃蛇与俄罗斯方块

5.3.2 贪吃蛇也没有秘密

5.3.3 中国的方块与美国的方块

5.3.4 模型与应用公司的下一步

5.3.5 Sora如何改变世界

5.3.6 我们在1.0，即将进入2.0

5.4 GPT-4 Turbo带来的行业进化

5.4.1 GPT-4 Turbo带来的成本下降

5.4.2 GPT-4 Turbo长下文带来的变化

5.4.3 低代码工具及GPTs

5.4.4 OpenAI的官方RAG工具

5.5 GPT-4o带来的行业进化

5.5.1 GPT-4o如何降低延迟

5.5.2 GPT-4o的实时互动机制

5.5.3 GPT-4o为什么要用到RTC