
在小红书上刷到的,深以为然。现在大模型卷性能已经到了无以复加的地步了。各大公司招人洗数据的bar基本都博士起步,部分优秀硕士勉强有机会。凡是在大模型行业做到头部的,基本都是有知名论文傍身,名校强组背景,已经不适合新人入场了。
ai的下一步在应用,在无数广泛的领域,可以是智能家居,可以是自动p视频,可以是科学定理新发现,可以是家庭机器人,可以是新一代游戏ai......
我们需要结合更多的领域知识去发现特定领域的需求,在赛道拥挤之前把握机会。
如何找到这样的方向呢。可以从自己的兴趣入手,比如我好喜欢打游戏,感觉游戏中的ai太笨了,能否使用大模型来增强游戏中ai的聪明程度(比如文明6,玩过的应该懂),但是游戏需要拥有深刻的游戏理解才行,包括游戏源码,国内也就腾讯,米哈游等少数大厂有机会做好。
所以相比于关注loss曲线,关注benchmark的性能,不如关注数据集的特点,设计更多新颖的有增长空间的任务,这或许才是下一阶段ai应该关注的事情
ai的下一步在应用,在无数广泛的领域,可以是智能家居,可以是自动p视频,可以是科学定理新发现,可以是家庭机器人,可以是新一代游戏ai......
我们需要结合更多的领域知识去发现特定领域的需求,在赛道拥挤之前把握机会。
如何找到这样的方向呢。可以从自己的兴趣入手,比如我好喜欢打游戏,感觉游戏中的ai太笨了,能否使用大模型来增强游戏中ai的聪明程度(比如文明6,玩过的应该懂),但是游戏需要拥有深刻的游戏理解才行,包括游戏源码,国内也就腾讯,米哈游等少数大厂有机会做好。
所以相比于关注loss曲线,关注benchmark的性能,不如关注数据集的特点,设计更多新颖的有增长空间的任务,这或许才是下一阶段ai应该关注的事情


