前言：回顾这一路

2022 年 11 月 30 日，ChatGPT 发布。

从那天起，世界变了。

这个系列，我们从 Transformer 讲到 Agent，从原理讲到实践。

这最后一篇，让我们聊聊未来。

一、当前的技术边界

1.1 大模型能做什么？

图例：✓ 已实现 | △ 部分实现 | ✗ 尚未实现

1.2 大模型不能做什么？

1. 真正的理解

# LLM 可以回答
"中国的首都是哪里？" → "北京"

# 但它真的"理解"北京是什么吗？
# 它只是学会了统计模式

2. 可靠的推理

# 简单数学可以
"1 + 1 = ?" → "2"

# 复杂一点就不行
"一个房间有 3 个人，进来 2 个，出去 1 个，又进来 4 个，
 其中 2 个是之前出去的人回来了。现在房间里有多少人？"
# 经常算错

3. 持续学习

# LLM 不能从对话中学习
User: "我叫张三"
AI: "你好张三"

# 下次对话
User: "我叫什么？"
AI: "抱歉，我不知道你的名字"  # 忘了

4. 真实世界交互

# LLM 只能处理文本/图像
# 不能直接：
# - 操作物理设备
# - 感知真实环境
# - 执行物理任务

1.3 当前的关键挑战

二、正在发生的变革

2.1 Scaling Law 的延续与争议

Scaling Law：更多数据 + 更多参数 + 更多计算 = 更强能力

乐观派：

• GPT-4 到 GPT-5 还有很大提升空间
• 合成数据可以突破数据瓶颈
• 算法优化可以降低成本

悲观派：

• 互联网数据即将用完
• 收益在递减
• 能耗不可持续

现实可能是：Scaling 会继续，但需要更聪明的方式。

2.2 推理时计算（Test-Time Compute）

一个新趋势：训练时少花钱，推理时多思考。

代表：

• OpenAI o1/o3：推理时"思考"更久
• DeepSeek R1：开源的推理模型
• Chain-of-Thought：让模型一步步想

核心思想：

# 旧方式：一次给出答案
answer = model.generate(question)

# 新方式：多次推理、验证、修正
thought_1 = model.think(question)
thought_2 = model.verify(thought_1)
thought_3 = model.refine(thought_2)
answer = model.conclude(thought_3)

2.3 Agent：从对话到行动

2024-2025：Agent 元年

当前进展：

• Claude 的 Computer Use
• OpenAI 的 Operator（传闻）
• 各种 Coding Agent（Cursor、Devin）
• Browser Agent（浏览网页）

挑战：

• 可靠性不够（经常出错）
• 安全性（自主行动的风险）
• 效率（太慢、太贵）

2.4 多模态的融合

从"文字 AI"到"全感知 AI"：

里程碑：

• GPT-4V/GPT-4o：看图、听音、说话
• Gemini 1.5：100万 token，理解视频
• Sora：文字生成视频

趋势：

• 模态边界在消失
• "全能模型"正在出现
• 交互方式在革命

三、可能的未来方向

3.1 技术路线猜测

3.2 短期（1-2年）

几乎确定会发生：

1. 模型继续变强

   • GPT-5、Claude 4 等新一代
   • 推理能力显著提升
   • 多模态成为标配

2. Agent 逐渐成熟

   • 代码生成更可靠
   • 简单工作流自动化
   • 但仍需人类监督

3. 成本继续下降

   • 更好的量化方法
   • 更高效的推理框架
   • 开源模型追赶闭源

4. 监管逐步到位

   • 各国出台 AI 法规
   • 行业自律标准
   • 安全要求提高

3.3 中期（3-5年）

可能发生：

1. 个人 AI 助理普及

   "帮我安排下周的行程，考虑我的会议、天气、和喜好"
   → AI 自动搞定所有细节

2. 编程方式革命

   # 从"写代码"到"描述需求"
   "做一个电商网站，支持用户注册、商品浏览、购物车、支付"
   → AI 生成完整可用的代码

3. 科学研究加速

   • AI 辅助药物发现
   • AI 辅助材料设计
   • AI 辅助定理证明

4. 教育个性化

   • AI 私人教师
   • 自适应学习路径
   • 实时答疑解惑

3.4 长期（5-10年+）

不确定但可能：

1. AGI 的曙光？

   • 什么是 AGI？定义都有争议
   • 乐观者说 5 年，悲观者说 50 年
   • 可能是渐进的，没有"奇点时刻"

2. 人机协作新范式

   • 不是 AI 替代人，而是增强人
   • 工作方式重新定义
   • 创造力重新定义

3. 社会深刻变革

   • 就业结构变化
   • 教育体系重构
   • 新的伦理问题

四、对从业者的建议

4.1 技能发展路线

4.2 学什么最有价值？

短期高价值：

• Prompt Engineering（入门快、立即有用）
• RAG 系统开发（企业刚需）
• Agent 开发（新兴热点）

中期高价值：

• 模型微调（LoRA、全量）
• 推理优化（vLLM、量化）
• 系统架构（生产级应用）

长期高价值：

• 算法研究（需要深厚基础）
• 安全对齐（越来越重要）
• 跨学科应用（AI + X）

4.3 避免的陷阱

1. 只会调 API

# 这样的技能很快会贬值
response = openai.chat.completions.create(...)

# 要理解背后的原理
# 为什么 temperature 这样设？
# 为什么 prompt 这样写？
# 出问题怎么排查？

2. 追逐每一个新模型

# 不要这样
"GPT-4 出了！学！"
"Claude 3 出了！学！"
"Gemini 出了！学！"

# 应该这样
理解核心原理，新模型只是参数不同

3. 忽视工程能力

# 算法很重要，但
# - 怎么部署到生产？
# - 怎么处理高并发？
# - 怎么控制成本？
# - 怎么保证安全？
# 这些同样重要

4. 低估变化速度

# AI 领域变化太快
# 今天的最佳实践，明天可能过时
# 保持学习，保持开放

五、系列回顾

5.1 我们学了什么？

5.2 核心知识点速查

5.3 推荐学习路径

入门路径（2-4周）：

第1篇(Transformer) → 第14篇(Prompt) → 第11篇(RAG) → 第12篇(Agent)

进阶路径（1-2月）：

第5-7篇(训练) → 第8篇(LoRA) → 第9-10篇(部署) → 第19篇(架构)

深入路径（持续）：

第2篇(Attention) → 第16篇(MoE) → 第17篇(长上下文) → 第18篇(安全)

六、写在最后

6.1 这个系列的初衷

两年前，我开始学习大模型。

那时候：

• 论文看不懂
• 代码跑不通
• 概念一团乱

于是我想：如果有一个系列，能用人话讲清楚这些东西就好了。

"从入门到放弃" 不是说要放弃学习，而是：

• 承认学习很难
• 接受不完美
• 但还是要继续

6.2 学习的心态

1. 不要怕"不懂"

第一次看 Transformer 论文：完全懵
第二次：有点懂了
第三次：原来这么简单
第N次：咦，还有这个细节

学习就是这样

2. 动手比看书重要

# 看 100 篇文章不如
# 自己跑一遍代码
# 自己调一遍参数
# 自己踩一遍坑

3. 教是最好的学

写这个系列的过程
让我自己理解得更深了

6.3 AI 时代的生存之道

不管你是：

• 程序员
• 产品经理
• 设计师
• 学生
• 还是其他任何人

AI 都会影响你。

我的建议：

1. 了解它：至少知道 AI 能做什么、不能做什么
2. 使用它：让 AI 成为你的工具，提升效率
3. 不要怕它：AI 是工具，不是对手
4. 保持学习：这个领域变化太快

6.4 最后的最后

感谢你读到这里。

这个系列写了 20 篇，大约 15 万字。
希望对你有一点点帮助。

AI 的未来还很长，
我们都是这个时代的见证者和参与者。

一起加油。

—— 2025 年，写于某个深夜

附录：资源汇总

学习资源

工具推荐

值得关注