1、LLM 技术原理2、LLM 产品 Landscape3、一个产品经理的 LLM 暴论4、LLM 学习方法/媒介素养
关于我
“你个大忽悠，去知识星球捞钱吧！”
“没干过产品经理的战略不是好AI布道师”
战略、产品经理、运营
抖音百科、今日头条、飞书、识区、类Notion文档、Simeji日文输入法、头条国际化TopBuzz
toB/toC、内容/工具/社区、国内/出海
0-1/1-100、MVP/PMF/GTM/UG/商业化
为什么复合视角对这轮AI浪潮很重要？：
做产品、投资，与借假修真
大模型时代：ChatGPT引发的狂欢
2022年8月，由Jason M. Allen使用Midjourney生成的《太空歌剧院》获美国科罗拉多艺术博览会数字艺术类别冠军
2022年11月30日，ChatGPT上线，两个月月活突破1亿，成为史上增速最快的App
2023年全球生成式AI融资规模暴涨
中国百模大战
一、LLM 技术原理
“不了解大模型的技术原理的话，要么踩雷、要么被忽悠，没法讨论大模型创新”
LLM 是什么？
大模型是棵分叉无数的大树，先搞清楚是什么，才不会鸡同鸭讲
LLM 为什么现在爆发？
多年以后，面对行刑队，奥雷里亚诺·布恩迪亚上校将会回想起父亲带他去见识冰块的那个遥远的下午
—— 《百年孤独》 加西亚·马尔克斯
自然语言处理：人工智能皇冠上的明珠
神经网络历史：深度学习框架演进
80年代末
Yann LeCunn 卷积神经网络 CNN（Convolutional Neural Network）
2000年代
Geoff Hinton 深度学习 DL（Deep Learning）
2012-2017年
卷积神经网络 AlexNet
循环神经网络 RNN （Recurrent Neural Network）
长短期记忆网络 LSTM（Long Short-Term Memory Networks）
残差网络 ResNets（Residual Networks）
生成对抗网络 GANs（Generative Adversarial Networks）
2017年~
2017年：Transformers 横空出世《Attention
is All you Need》
2018年：Google BERT（Bidirectional Encoder Representations from Transformers / 双向编码器表征模型）
2018年：OpenAI GPT（Generative Pre-trained Transformer / 生成式预训练转换器）
Scaling Laws：神经网络的大力出奇迹
·
随着模型大小、数据集大小和用于训练的计算浮点数增加，模型性能会提高
为了获得最佳性能，所有三个因素必须同时放大
当不受其他两个因素的制约时，模型性能与每个单独的因素都有幂律关系
GPT 进化之路
LLM 进化树
GPT-4：AGI的火花
鉴于GPT-4能力的广度和深度，我们相信它可以被合理地视为通用人工智能(AGI)系统的早期版本(但仍不完整)……GPT-4实现了一种形式的通用智能，确实显示出了通用人工智能的火花。
——微软 Sparks
of Artifificial General Intelligence: Early experiments with GPT-4
大语言模型的技术原理与训练过程：以GPT为例
State of GPT：OpenAI 联合创始人 Andrej Karpathy GPT模型技术原理和训练过程
GPT训练的四个主要阶段：
1.Pretrain 预训练
2.Supervised Finetuning 自监督微调（SFT ）
3.Reward Modeling 奖励建模（RM ）
4.Reinforcement Learning 强化学习（RL）
·
每个阶段：数据集、算法、模型、注释
·
LLM 为什么难？算法、算力、数据
·
预训练：最主要工作，相当于训练计算时间的99%，数千 GPU、数月训练时间
·
其他三个为微调阶段：少量 GPU 、数小时或数天训练时间
·
1、Pretrain 预训练
数据集、tokenization、参数
·
预训练时要处理的数量级：上下文长度通常是
2000、4000 甚至是 100,000（决定GPT在尝试预测序列中的下一个token时将查看的最大token数）
·
不应该仅仅通过模型包含的参数数量来判断模型的能力，还要看训练token数
·
预训练参数粗略数量级：Meta
650亿模型，2000 个 GPU、训练21 天、花费500万美元
·
2、Supervised Finetuning 自监督微调
数据集：
·
少量但高质量（数万）
·
·
QA格式
·
例子：关于垄断一词的简短介绍
3、Reward Modeling 奖励建模
在奖励建模步骤中，要做的是将数据收集转变为比较形式，然后让Transformer对每个补全的质量进行了猜测——这就是训练奖励模型的方式，能够对提示的完成程度进行评分
4、Reinforcement Learning 强化学习
强化学习期间所做的基本上是再次获得大量提示，然后针对奖励模型进行强化学习
为什么用RLHF？因为效果好
Reinforcement Learning from Human
Feedback/基于人类反馈的强化学习
利用人类的偏好作为奖励信号来微调模型
二、LLM 产品 Landscape
AI应用哪家强？你看好哪个方向？你用的最多的AI产品是什么？
先有信息，才有观点。
极少数有价值的观点，只能产生于充分的、甚至冗余的信息之中。
用户的狂欢
ChatGPT成史上用户增长最快产品
Midjourney Discord社区用户数遥遥领先，2023年5月数据
中国情侣 By Midjourney V5，2023年3月
资本的狂欢
各细分方向模型与应用
生成式AI应用全景图
2023中国AIGC产业图谱
The 2023 MAD (ML/AI/Data) Landscape
全球5000+AI产品盘点
信息爆炸的时代
信息的角度，比信息更重要
体验产品的角度，比产品更重要
三、一个产品经理的
LLM 暴论
1、为什么还没有LLM的杀手级应用跑出来？
首先是技术周期：模型层还没ready，中间层蓬勃发展，应用层为时尚早
对创业公司、新产品而言：只有应用层没有模型层的公司，因为壁垒不够强，边跑边被吃掉了。比如Jasper.ai
对大厂而言：监管、现阶段基础模型开发高优于应用；大厂尤其是产品经理缺少对AI的独到/深刻认知，包括苹果。
总而言之，无论是大厂还是小厂、还是创业者，大家都还在消化底层模型的能力、提升认知
认知迭代的阶段，如何学习？
2、LLM 时代，了解技术原理，非常重要
（1）了解大模型产业链，认清自己的生态位
在「只有发令枪，没有地图」的生成式AI大航海时代里，清楚自己在船队中的位置，能让你更可能发现新大陆。
（2）大模型产品经理必须了解技术
互联网和移动互联网时代，产品经理完全不懂TCP/IP协议、HTML、Swift语言等技术栈，照样设计产品。
但LLM时代不同了：
·
由于LLM如此强大到几乎无所不能，以至于看起来能无差别地满足所有需求
·
·
今天如果不理解LLM的技术原理、局限性，产品经理就只是个调模型（拉天线）的，无法提出有价值的产品洞察和解决方案：
·
§
还有什么是LLM不会的？还有什么是我可以做的？怎么做？
§
·
“LLM 产品经理可以不写 PRD，但一定要去搞数据：给 LLM 训练的数据集”
·
·
3、LLM时代的产品设计革命：大模型带来的人机交互范式的转换如何影响产品设计？
大模型带来的人机交互范式的转换将彻底改变产品设计思路：
1.LLM改变人机交互：从图形用户界面转向自然语言用户界面
2.最早转变过思路的产品经理和他们的产品将赢得巨大的先机
3.最根本的东西是不变的：用户需求洞察以及你对用户痛点的独特理解和创造性满足
4.图形交互界面的本质：预测用户可能的需求，并通过用户可以理解的方式提供满足方案
自然语言用户界面对产品经理的新挑战：大语言模型已经这么强了，产品还需要做什么？怎么做？
MS-DOS
乔布斯与Macintosh
Window XP
ChatGPT
4、大语言模型产品&系统应该怎么做？
Midjourney 四选一
Midjourney作图，我外甥涂色😁
5、为什么 AGI 大航海时代，战略视角很重要？
「做什么」的沉没成本、维护成本很高
「因为做了A而没做B」的机会成本更高
陆奇：不蹭热点、勤于学习、行动导向：要想明白再做、果断行动、不进则退
6、不要被竞争视角蒙蔽了双眼
任何理论都有适用范围和条件
竞争视角：蓝海市场
用户视角：红海市场
7、AGI大航海时代：新世界不能看旧船票
AGI只有发令枪，没有地图
为什么新世界不能看旧船票？
旧世界的经验往往是新世界的桎梏，旧世界的
Legacy ，是新世界的 Burden
为什么是Google走出来的OpenAI做出了ChatGPT、而不是Google？
“小创新靠大厂，大创新靠小厂”（王小川）
怎么办？
要总结过去的经验，也要勇于跳出自己总结的经验
8、行业大模型是伪命题
“行业大模型解决什么需求？”“融资需求：行业数据
is all you have”
“行业大模型是中国特色词汇，海外没人讲，都是讲通用大模型、AGI”
用行业数据、从零到一预训练一个垂类大模型——技术上不可能成立
基于开源的基座大模型，用行业数据去微调——那就是通用大模型，同时门槛/成本也没那么低
9、看似 dirty job 的组数据，是模型层产品经理最重要的工作
核心算法基本有开源、算力拼财力——数据是关键
数据类型、数据配比、数据格式、数据颗粒度、数据量、数据质量……直接影响大模型表现
10、熟能生巧，Prompt Engineer 是高杠杆技能
很多事情直接写 Prompt 就可以搞定的，在达到 Prompt 的上限前，不要轻易尝试 SFT 和 RLHF
“大多数人的 Prompt Engineer 努力程度之低，根本轮不到拼 SFT 和 RLHF”
要参考 Prompt Engineer的教程，如OpenAI官方最佳实践、CoT（Chain
of Thought）等
熟能生巧、天道酬勤：经验性Prompt
Engineer ＞ 结构性Prompt Engineer
11、LLM会替代人吗？
和工业革命取代体力劳动者不同的是，离电脑越近的人、越是只做信息搬运的人，LLM替代性越强
训练过程决定了，LLM是人类的最大公约数
要么成为少数派，要么被 AI 替代
四、LLM 学习方法/媒介素养
（一）ChatGPT
信息爆炸导致FOMO、焦虑怎么办？
1.
以主动提问和文字输出来倒逼输入 ，可能是解决信息过载和FOMO的最好路径
2.
为什么没有杀手级应用跑出来？
ChatGPT盗版了吗？侵犯用户了吗？
选择合适的视角
一方面， 关注最宏观、技术哲学的视角
：AI会灭绝人类吗？人类如何和AGI相处?
另一方面， 关注最实际上手、用户视角/产品经理视角/研发视角：直接体验产品、直接写更好的prompt、直接去学如何调用api写app
越是信息爆炸，越是知识民主化，越需要大浪淘沙、迭代认知
知识的角度，比知识更重要
信息、体验产品亦
多读好内容，自然会分辨
以饮食来比喻，胃口是有限的，坚持多吃好的，自然而然不想吃垃圾，最终发现只吃好的更能补足营养
读最好的材料，以一敌百
跟最好的人学，受人以渔
（二）用户视角、体验产品、第一性原理
1、character.ai：如何将大语言模型能力提供给用户？
如何将大语言模型的超强能力，在C端、移动端上恰当地提供给用户？
这个问题，没有银弹，只有一点点的产品形态创新、用户体验提升，配合无数次试错和迭代。
毕竟强如OpenAI，当初也只是在 InstructGPT 的基础上，调了一个对话版本的 ChatGPT ，意外走红
2、Pi：差异化定位，利用「LLM创意有余而精准不足」的特点
Pi 是「一个教练、知己、创意伙伴或共鸣板」，会在对话中主动提出延伸问题，让你感觉仿佛和真人对话。
利用「LLM创意有余而精准不足」的特点，在应用场景、产品定位上扬长避短
Pi 选择了聊天、个人助手的场景，这类非工作场景对创意、情绪价值要求更高，而对精准度要求低，对幻觉容忍度高，用户更容易接受。
Pi VS ChatGPT
3、使用GPT的建议 By Andrey Karpathy
第一，实现最佳表现，第二，按顺序优化费用
·
用最好的 GPT-4 模型
·
·
让 Prompt 里包含详细的上下文，想象它们不能回邮件
·
·
多参考提示工程技术
·
·
尝试使用少样本few-shots示例提示
·
·
尝试使用工具和插件来分担 LLM 难以完成的任务
·
·
不仅要考虑单个提示和答案，还要考虑潜在的链条和反射，以及如何将它们粘合在一起，以及如何制作多个样本
·
·
最大化提示工程的效果，应该坚持一段时间，然后再看看微调，但预计这会更慢并且涉及更多工作
·
·
RLHF 很难成功，它目前确实比 SFT 好一点，但非常复杂
·
·
为了优化您的成本，请尝试探索容量较低的模型或更短的提示等
·
·
五、结语
别说自己不懂技术，记住你是最好的用户
1、LLM 技术容易让人畏难、迷失
2、用户不懂技术，理所当然
3、产品经理当然需要理解技术，理解为了满足用户需求而需要干的所有事情——但这都是为了服务用户的手段
4、应该学习这些技术，但不应该丢弃小白用户的心态
5、产品经理最核心的，是理解用户需求 ，所谓3秒变成小白
·
现在大部分需要用户大量学习成本、学习如何写Prompt的产品体验都是不合理的
·
·
产品经理应该敏锐地察觉到这种不合理，并想办法解决它
·
LLM 风口过了吗？风继续吹、风再起时
1、ChatGPT 流量下降，LLM 风口过了吗？
2、恰恰相反，无论是大厂还是小厂、还是创业者，大家还在消化底层模型的能力、提升认知
3、作为明显对 LLM 过分上头的人，不担心GPT流量下降，反而是真正做事的人蓄力的时间和机会
4、与其汲汲于AI怎么替代我、如何应用到业务上、信息太多看不过来，
更好的心态似乎是：
战略上不着急，战术上废寝忘食
保持对底层技术和应用的理解和观察，努力形成独特的深刻认知，等风来。因为：
出自：https://mp.weixin.qq.com/s/CRZlXIOkLEfTUaklfq9yCQ