前言
如果说Stable Diffusion让我第一次感受到AI的创造力
大模型就是让我真正尝试到AI正在成为数字劳动力
还是2024年开始
我的关注点逐渐从AI绘图转向大语言模型
图片可以创造内容
语言模型正在放大创造能力。
对，第一次就是GPT
第一次接触GPT时
很多人把它当作聊天机器人, 乃至很长的一段时间
但有人会很快发现：
真正重要的不是聊天
而是推理！
也就是说，代码生成、知识组织、内容生产、需求分析，这些能力，堪称恐怖，真的可怕！
（因为未来不知道怎么样，这种未知的恐怖似乎完全不可控）
随后
大量模型开始出现：
- GPT
- Google Gemini
- Grok
- Meta Llama
- DeepSeek
- Qwen
不同模型，模型本身越来越像基础设施
差异更多体现在生态系统。
为什么开始本地部署
云端模型足够强大。
但依然会去研究本地部署。
主要原因是
想法安全点
企业场景下。
很多内容无法上传到第三方平台。
成本控制
高频调用模型后。
API成本会快速增长。
可定制可训练的能力
本地模型可以：
- 微调
- 私有知识库
- Agent集成
- 企业工作流接入
很多人关注：
哪个模型最强？
如果当你真正实践后发现，问题会随之而来：
- 显卡够不够
- 显存够不够
- 推理速度如何
- 知识库如何构建
- 工作流如何设计
这些工程问题往往比模型选择更重要
回顾之后，当内心底层有另外一层思考
>从AI绘图到大模型
>从提示词到工作流
>从生成内容到构建系统
过去几年最大的收获并不是学会了多少工具
我的确理解了一件事：
并且懂了一件事
世界很大，AI的价值从来不在模型本身
如何把模型转化成生产力
本地部署，也仅仅是这条道路上的其中一个方向
而世界，有很多方向