长期以来，消费互联网的核心能力被认为来自规模化的行为反馈：Amazon 依赖购买关联构建商品图谱，Google 通过搜索与点击形成信息回路。由此产生的共识是，缺乏海量用户与网络效应，推荐系统就难以运行，冷启动几乎不可跳过。
这一逻辑正在被LLM改写：不同于仅捕捉相关性的传统系统，LLM 引入了对内容、商品与行为背后语义与情境的推理能力，使“理解”成为可调用的基础设施。初创公司不必先构建自己的Mechanical Turk，而是通过API租用世界模型，将系统杠杆从自有数据规模转向人类长期积累的通用知识。
竞争焦点正从数据规模，转向过滤机制与语义洞察力。‘
【读书笔记】
传统消费互联网系统是基于统计归纳的“人机回环”模型，消费级互联网平台通过观察大规模用户的搜索、点击与购买行为，归纳出“买了 X 往往买 Y”“搜索 A 后会点击 B”的关联模式；网络效应和冷启动问题由此形成高准入门槛，但这种优势来源于规模，而非理解能力
以相关性为核心的推荐系统存在根本性的认知上限， 即使 Amazon 拥有近 10 亿个 SKU，其系统对商品的理解仍主要停留在人工元数据与行为关联上，并不知道商品“是什么”以及“为什么被需要”；这类似于狗能感知钥匙声与散步的高度相关，却并不理解钥匙本身
LLM 带来了从“行为相关性”到“语义与情境推理”的阶跃式变化，LLM 能同时处理文本、图像、视频与产品信息，并在更高维度上建立关联；例如，传统系统只能根据“买胶带 → 买气泡膜”做推荐，而 LLM 可能进一步推断出“用户正在搬家”，从而延伸到宽带、保险等跨品类需求
LLM 正在重构冷启动逻辑，使“理解能力”可以被外包或租用，过去推荐系统必须依赖自有用户规模构建 Mechanical Turk，而如今初创公司可以通过 API 调用通用 LLM 的世界模型，直接利用人类长期积累的通用知识与模式，在缺乏自身用户数据的情况下提供有竞争力的推荐
数据割裂使平台只能“盲人摸象”，而 Agentic LLM 可能形成新的整合视角，Google、Meta、Amazon 等平台各自掌握用户行为的一部分，却无法看到完整图谱；手机虽拥有更广泛的数据，但仍受隐私和系统边界限制；一个持续与用户互动、并接入多种设备与场景的智能体，可能在不同维度上形成新的整体认知
LLM的本质是帮助人类发现未知的超级过滤器，互联网移除了旧有的编辑和策划机制，导致商品与媒体无限堆积；LLM不仅仅是搜索工具，它是一种全新的过滤机制，能解决人类无法在无限选择中“看到尚未知晓的事物”的难题
【正文】
AI、网络与Mechanical Turk LLM在多大程度上为搜索和推荐系统的性能带来了阶跃式提升？它们是否能让你在无需拥有庞大用户基数的情况下，就构建出一个出色的系统？
任何达到临界规模的消费级互联网系统，在某种程度上都会变成一个Mechanical Turk。它观察用户的行为并从中得出结论。Amazon知道如果你买了X，你可能还会买Y，因为它已经观察了大量用户的购买行为，并发现如果他们买了X，就很可能买Y。Google在搜索领域的统治地位部分归功于它能看到人们搜索什么、点击什么，以及随后又搜索了什么。
当然，这是一种网络效应，并伴随着冷启动问题，这构成了准入门槛。在拥有用户之前，你如何提供这些推荐、建议和关联？而在做到这些之前，你又如何获取用户？这也是所有机器学习初创公司面临的问题。
然而，这种模式的局限性在于，这些系统都不真正理解你为什么观看、购买或查看那些内容，它们也不真正理解那些东西到底是SKU什么。Amazon拥有接近10亿个SKU，但它对这些商品的全部了解仅限于人类输入的元数据以及一定程度的购买关联性。Instagram或TikTok也面临同样的问题。这些系统在SKU之间以及转化漏斗的各个环节拥有关联数据，但它们不知道原因，就像狗知道钥匙声与散步高度相关，却不知道钥匙是什么一样。
但LLM至少在对“是什么”和“为什么”的自动化理解上带来了阶跃式变化。模型可以查看那些文字、图像、视频和产品，以及所有元数据，并将它们连接到具有某种理解能力的模式中，或者至少是一种范围极其广阔的关联模式中。
因此，YouTube可以说：“你看过赛车追逐视频。这是一个看起来包含赛车追逐的视频。”但这也带来了新型的关联（或者如果你愿意，称之为“理解”）。今天，Amazon知道如果你买了打包胶带，你可能需要气泡膜。它应该知道如果你买了这些，你可能还需要灯泡，或许还有烟雾报警器，因为你正在搬家。但LLM可能会知道向你展示家庭保险和宽带广告，而这些信息很可能无法从Amazon的购买数据中推导出来。
你也不一定需要全部的用户基数来做到这一点——或者更确切地说，它不需要是你自己的用户基数，因为你可能不需要构建自己的Mechanical Turk。如果这类知识足够通用，它可能只是来自一个世界模型的一次API调用。你可以“租用”解决冷启动的能力。以往Amazon或TikTok通过观察人们在Amazon和TikTok上的行为来构建推荐系统，而现在这可能仅仅是一个通用LLM的推理结果，任何人都可以将其接入自己的产品。你移动了“人机回环”的位置：现在，人类和Mechanical Turk角色存在于过去几百年所有训练数据的创作过程中。你转移了杠杆的支点。
不过，冷启动问题的另一半在于，Amazon或TikTok需要观察你本人做了什么，以便它们能推算出哪些行为图谱可能契合。新用户流需要尽可能无痛地向你投放足够的想法，并引导你做出足够的选择，以便它开始进行匹配。Tinder用一种极其简单的方式改变了约会行业，而现在Tinder提出了另一种缩短这一过程的方法：让应用查看你的系统相册，以搞清楚你是个什么样的人。
将这个问题泛化，Google、Amazon、Meta、TikTok、Tinder以及一大批其他公司（Uber、Doordash、Venmo）都了解你的一些信息。但他们每个人都只持有非常局限的视角，就像“盲人摸象”的故事一样。理论上，你的手机拥有更广阔的视野，尽管Apple和Google在处理这些信息时非常谨慎（中国的Android OEM厂商在这方面则激进得多），但它在不同维度上也受到限制：你的手机可能知道你在Amazon上买了什么，或者你在Instagram上看到了什么图片，但它看不到引导Meta向你展示这些图片的背后图谱。现在，一个智能体化的LLM助手可能会成为另一个以不同方式“摸象”的盲人：它了解不同的事情，但随着你使用它，它也了解关于你的不同信息，从而得出新的结论，尤其是如果它正在Amazon和Instacart上为你购物，且你正在使用它的浏览器和可穿戴设备时。
我不知道这将如何运作，这些也可能是错误的问题。AI的现状感觉非常像1997年的万维网或2007年的移动互联网：我们知道这影响巨大，但我们不知道它具体将如何发展。
但我确实认为，这是对我过去写过很多的一个问题的最新转折：互联网移除了所有旧的过滤器、策划和编辑机制，以至于现在我们拥有了实际上无穷无尽的产品、媒体和零售选择，却无法找到或看到那些我们尚未知晓的事物。我们从互联网获得的过滤器非常不完善，而现在我们拥有了一种截然不同且全新的过滤器。这似乎是一个比“取代Google”更重大的课题。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
