黄翰教授指出通用大模型赋能效果有限，因数据质量不佳和推理逻辑不稳定，可能编造虚假信息。未来趋势是从通用向垂直大模型过渡，而真正能赋能工作的是私域大模型。构建私域大模型需选择精简底座，结合领域知识库预训练，再根据业务逻辑微调。私域大模型将成为垂直大模型元年中的重要"爆品"。
最近，智能算法研究中心黄翰教授受邀作了多场关于AI大模型赋能的报告或培训，特别是在大学教育领域的应用。然而，他发现很多单位并没有部署类似DeepSeek这样的大模型，他们更多是想了解如何利用通用大模型来提升工作效率。因此，黄老师结合自己的研究和实践经验，分享了他的看法，希望能为各单位提供一些有价值的参考。接下来，就让我们一起看看黄教授怎么说吧：
1.通用大模型的局限性
首先，我必须泼一盆冷水：目前的通用大模型在实际工作中并没有带来显著的赋能效果。它们更多是提供了一种AI体验，比如通过智能问答获取知识，这些内容在以前往往需要通过大量阅读或深度检索和整理才能获取；又比如通过大模型实现作诗、写作、聊天等娱乐性功能。无论是AI体验还是娱乐功能，其实通用大模型并没有在工作中实现真正的赋能。
为什么通用大模型难以赋能工作？一方面，它的数据质量堪忧。通用大模型使用的数据大多是非标注数据，这些数据未经人工标记、分类或注释，其可靠性和可信度往往难以保证。另一方面，它的推理逻辑不稳定。通用大模型在推理时带有随机性，缺乏严格的业务逻辑。尽管它学习了大量数据中的逻辑，但这些逻辑更多是形式上的，而非深层次的语义或任务逻辑。因此，很多时候，它的结果要么是错的，要么逻辑上讲不通。更糟糕的是，大模型有时会编造不存在的事实。比如，我最近在查资料时发现，有些参考文献是大模型编造出来的，甚至包含论文题目、摘要、卷号、页码等信息。这些关键信息本应是客观的，但大模型却将其视为符号输出，随意编造。这不仅会误导研究方向，还可能引发信任危机。
基于以上局限性，通用大模型在较复杂工作场景或要求数据真实性的场景中很难实现实质性的工作赋能。有人可能会问：未来改进后是否能解决这个问题？答案是，虽然未来的技术进步可能会带来一些改善，但目前来看，问题的核心在于通用大模型学习的内容过于庞杂。我们可以这样理解：通用大模型所学习的数据就像大江大海，各种各样的信息汇聚在一起。在这种情况下，想要精准提取你需要的资源，或者找到适合生长的生态，几乎是不可能的。
2.从通用到垂直**：大模型赋能的新方向**
既然通用大模型在实际工作中存在诸多局限性，那我们该如何更好地利用大模型呢？从国家战略以及当前市场趋势来看，目前的方向是从通用大模型向垂直大模型过渡。
在通用和垂直大模型之间，我们还经历了行业大模型阶段。行业大模型在通用大模型的基础上加入行业数据和专家经验进行训练，更聚焦于某一领域。例如云南白药携手华为云共同打造了“雷公大模型”， 旨在构建普惠的中医药知识服务平台和专业的中药材产业服务平台。
垂直大模型则更进一步，通常使用任务相关数据进行预训练或微调，以提高在某一任务上的性能和效果。例如谷歌开发的医疗大语言模型MedPaLM，专为医学问答、疾病诊断和医学文献分析等任务设计，能够通过理解医学文本提供专业的建议和参考。
3.构建私域大模型**：方法与实践**
如果你有不便公开的数据，或者不愿意与外界共享，可以考虑构建私域大模型。那么，如何构建私域大模型呢？是否可以使用通用大模型的底座，结合自己的数据进行训练呢？比如，用DeepSeek满血版在本地进行训练？答案是不太可行。通用大模型的底座过于庞大，就像一个巨大的湖泊，你用自己的少量数据或者某些业务逻辑的资料去做训练或微调，就好比在湖里放茶叶，根本冲不出茶的味道。
要构建一个真正能赋能工作的私域大模型，首先应该找一个精简的底座，这个底座需具备基本的人机交互、推理逻辑和语义理解功能。然后，用你所在领域的知识库进行预训练，再依据业务逻辑进行微调。此外，甚至可以通过强化学习来巩固学习效果。只有这样构建出的私域大模型，才能真正赋能我们的工作。
4.总结
如果现在问我大模型赋能各行各业的问题，我首先会问你所讲的大模型是指什么？如果你指的是通用大模型，很遗憾，目前它还难以达到显著的赋能效果。但如果你有自己的垂直大模型或本地部署的大模型，我可以告诉你如何构建私域大模型。当然，你也可以选择有成功案例和丰富经验的团队来帮助你完成这一过程，从而避免在试错过程中产生不必要的损失。
如何系统的学习大模型 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。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
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。
（支持资料、图片参考_相关定制）_文章底部可以扫码)
（支持资料、图片参考_相关定制）_文章底部可以扫码)
（支持资料、图片参考_相关定制）_文章底部可以扫码)
（支持资料、图片参考_相关定制）_文章底部可以扫码)
（支持资料、图片参考_相关定制）_文章底部可以扫码)
（支持资料、图片参考_相关定制）_文章底部可以扫码)