ChatGPT 在今年上半年的突然大热，让一大堆关于人工智能、大模型…… 等类型的书，如雨后春笋般冒了出来。说实在的，不是这本书写的不够好，而是因为它出现的慢。还有他在书中后半部所提的，关于 ChatGPT 怎么使用的一些技巧，又因为我最近在学快刀青衣的《给职场人的 AI 写作课》，两者相比，这本书又倒霉的被比了下来，所以我无法给出高分。不过本书还是有一些地方有创新的，例如通过科普情景剧的方式，以拟人化的表述方法，透过几个虚拟角色的对话，来让我们更好的理解以 ChatGPT 为代表的大模型原理是什么，为我们揭开 ChatGPT 智能外衣下的内核。以及所谓的窗口 (对话机器人)、人机交互界面 (键盘、麦克风)、GPT-4 大模型、必应搜索组件…… 等 在其中所起到的作用。 另外书中提到了关于新奇性搜索（Novel Search）算法，我觉得没有解释得很透。这部分推荐去看《为什么伟大不能被计划》这本书，毕竟这算法是这本书的两位作者所发明的。根据书中的描述，这种算法会随机生成一组解决方案，通过评估新奇性并保留新奇性比较高的方案，从而像生物演化一样发生一定的变异。如此往复循环，直到达到预定的迭代次数或者将问题彻底解决。白话一点的说法，就是不求最好 (最接近)，只求最贵 (最无厘头)。

这本书主要讲述了 ChatGPT 大模型的前世今生以及未来发展趋势，探讨了大模型时代的技术、应用和产业变化，并对大模型在知识工作、商业企业、创意娱乐等领域的具体应用进行了介绍。该书首先通过拟人化的形式生动形象地解释了 ChatGPT 大模型背后的原理，对这一赋能大模型变革技术与产业的基础能力进行深度剖析 1；其次，以三次工业革命的历史和逻辑作为参照，描绘出大模型将如何驱动社会进入智能革命和脑机协作时代，并为个人和企业应对此次变革提出建议；最后，对国内外大模型产业的构成和发展进行了分析，并对暗藏泡沫隐患的风险点位做出预警。ChatGPT 大模型的出现标志着人工智能从感知智能向认知智能快速发展，大模型具有更好的通用性、精度和效率，可以通过预训练或其他方式在大型数据集上进行学习，再通过微调高效地处理计算机视觉、自然语言处理等复杂任务。大模型时代的到来将引发新一轮的智力革命和产业重构，构建全新的脑机协作关系，但与机会如影随形的泡沫也会随之涌现。因此，需要警惕泡沫风险，同时积极应对大模型时代带来的挑战和机遇。

值得思考，值得实践。

更多是偏重技术分析和行业应用前景的内容，主要是扩宽一下视野为主。

【8 级，197k】如果我能早一点看到这本书，我肯定不会去啃《人工智能算法》那三本大部头了。不得不说，自从 Google 大脑发布 transformer 模型后，人工智能的发展速度明显提速了，加上 NV 发布的 A100 和 H100 的助力，AI 正在加速到来。仅仅 1 年多的时间，GPT、LLaMa 等模型快速迭代，已经深入了数以亿计的早期用户的生活了。但就是因为这样恐怖的迭代速度，让我们有些束手无措，摸不清它的发展方向，也不知道人类应该在新时代扮演一个什么样的角色。这是一本 2023 年 4 月份才发布的书，很多的数据甚至是 2023 年 2、3 月份来自 OpenAI 的最新数据，时效性堪比月刊。而且这还不是一本 3w、5w 字的新闻稿，而是一本 20w 字的半专业读物，当中的插图、比喻等不仅严谨，而且质量非常高，作者也完全不忌讳提到哪些内容来自于 AI 生成的。可见生成式 AI 已经开始直接影响到传统行业的工作流了。本书分成了四个部分：技术篇、变革篇、应用篇、产业篇。其中最有意思的其实是技术篇，它用情景剧的方式将 ChatGPT 的基础原理描绘的幽默、生动、浅显易懂。大语言模型如 ChatGPT 和 LLaMa，本质上还是基于深度神经网络和自注意力框架，利用超高算力和超大模型而不断发展的模型。简单来说，它只是一个基于前文推算下一个字应该是什么的概率模型，本身并不神秘。然而就像 KK 的《失控》提到的，当参数规模突破百亿瓶颈，量变确实引发了难以解释的质变。比如参数规模突破 71 亿的时候 AI 开始能判断内容的毒性；突破 130 亿开始拥有三位数加减法的能力；突破 620 亿开始拥有多步推理能力；1750 亿（GPT4）开始拥有自我评估和高位数加减法的能力。当然现在 GPT4 模型的单数还不够大，它为了能够应对人类的损失厌恶，甚至会编造一些内容，这些问题也会随着模型进一步增大而解决。而当进入到 GPT5、6，模型规模达到万亿至百万亿的水平的时候，多模态模型已经可以轻易处理图片视频甚至传感器数据的时候，人和 AI 的边界将愈发模糊，《奇点临近》里描述的双指数增长也确有实现的可能。而后面的变革篇，讲到了曾经发生在人类生活中的几次革命，比如蒸汽革命、纺织革命等，以此来安慰读者，面临这种短时间内巨大的变革，人总能找到方法适应新的环境。比如作者提出了 AI 辅助人类（类似于 L2 级自动驾驶）的副驾模式，以及与人类协作（类似 L4 级自动驾驶）的代驾模式，并提出了如何能与大语言模型更好地协作的方式。紧接着的应用篇和产业篇，作者提出了几个现在就可以产业化的应用方式，甚至还贴心地给出了一些实例，比如法律咨询、市场分析、辅助医疗、文案编辑、产品设计、会议助理等等。而到时间跨度上，将来基于大模型的自动驾驶、AI 辅助工厂、AI 机器人等也确实给人简而言之，这是一本内容紧跟时事却不失趣味的科普读物，强烈推荐所有理工科生阅读！

如果对人工智能有兴趣，或者想在这方面有所了解，本书还是值得一读的。本书不仅探讨了大模型时代的技术、应用和产业变化，同时还对大模型在知识工作、企业业务、创意娱乐等领域的具体应用进行了介绍。本书还有一点比较新颖的是通过场景设定，人物模拟，以聊天的方式生动形象地解释了 ChatGPT 大模型背后的原理，增添了本书的可读性。

读后很受益，对技术，应用和行业都有了一个大概的了解。感觉有部分内容，特别是应用场景部分，像是 AI 生成的。

很好的一本书，详细介绍了大语言模型的运作机制，同时提供了很多利用大模型解决实际问题的示例，可以当成一本工具书来使用。要把 GPT 当成人一样交流。初始阶段使用 3R 任务授权法：Role：角色设定，“你是… 你要… 目的是…”Result：期望的结果，需要是具体的、可衡量的、相关联的指标 Recipe：帮助大模型进行任务拆解或给出示例之后可以采用苏格拉底提问法，刨根追底，进一步询问 GPT 的答案 “真否？全否？有理否？可行有效否？”

技术篇可以用来初步理解大模型，后面的写的一般

大模型是在数学、统计学、计算机科学、物理学、工程学、神经学、语言学、哲学、人工智能学融合基础上的一次突变，并导致了一种 “涌现”（emergence）。大模型也因此称得上是一场革命。在模型尚未达到某个临界点之前，根本无法解决问题，性能也不会比随机好；但当大模型突破某个临界点之后，性能发生越来越明显的改善，形成爆发性的涌现能力（参见图 Ⅱ）。据谷歌、斯坦福和 DeepMind 联合发表的《大语言模型的涌现能力》（Emergent Abilities of Large Language Models）：“许多新的能力在中小模型上线性放大规模都得不到线性的增长，模型规模必须呈指数级增长并超过某个临界点，新技能才会突飞猛进。”

适合外行读，浅显易懂，跟着操作实例易上手写 prompt

ai 相关的书籍没看太多，此书可以作为入门和了解该方向的书籍。不适合专业人员看，做为该方向初级小白，收获比较多，新书大家需要早点看，要么此类知识会贬值。

本书算得上的是简单易懂，用尽可能简单易懂的方式解释了大模型常用的名词，可以在短时间内构建大模型的技术知识体系。

技术类的书籍其实很难写到通俗易懂。在 chatgpt 逐渐兴起的背景下，生成式人工智能也引发关注。这本书前半部分的技术原理介绍，非常精彩。把生成式预训练，监督学习，强化学习之间的联系和区别讲的很清楚。后半部分对于产业的影响，感觉深度还能够再加强一点点。感觉生成式人工智能的涌现与失控，是未来产业机遇的关键，也是应引起我们警觉的地方。毕竟，当人工智能也不知道自己会做出什么事情来的时候，未知的风险也不可估量。

你可以为等飞机的人想办法提供更好的服务，或者，是否能有一种新的办法，让他们再也不必等飞机？…… 系统级的创新需要颠覆性，随之而来的是赢者和输家之间的权力分配变化。—— 阿贾伊・阿格拉瓦尔（Ajay Agrawal），多伦多大学战略管理学教授前文介绍工业革命的技术使能效应时，我们看到了技术变革是如何扩大消费市场规模从而增加人类就业的。而从创新理论角度，技术变革可能带来两种创新：渐进式创新和颠覆性创新（参见图 3.1）。