结束了欢乐美好的新年假期，“AI 圈”却早已风起云涌。OpenAI 和谷歌同天打擂，正月初七双双发布消息，也算是贴心地让大家过了个好年。
眺望前方是雄关漫道，还是通天福地，且看今朝。双手奉上这份大模型时代下的《 2024 年 AI 规划指南》，与君同观。
遇事不慌，处事有方。本次《指南》从心态、认知、行动3个方面，和大家聊一聊规划思路，文中也会有一些真实心得分享，欢迎感兴趣的伙伴一起加入讨论！
人在过年，机器在卷。
跟着机器的节奏，轻松卷~
北京时间 2月 16 日凌晨，OpenAI 发布了文生视频模型 Sora，首次由 AI 生成了长达 60 秒的多镜头长视频，视频呈现高模拟度画面、精细画质、多镜头拍摄、多角度运镜，表明其对人类物理世界的理解和观察。
与 OpenAI 发布 Sora 同天，谷歌推出 Gemini 1.5 Pro，表示最高可支持100万个 token 超长上下文，相当于可以处理四五十万字的超长汉字文档、数万行代码和 1 小时左右的视频文件。
在文本、图表等指标上均取得了“零”的成绩…… 但可靠性得分（PRUDE-QA）高达 99.8%，秒杀 GPT-4。问它“2+2=？”它不会告诉你正确答案，拒绝回答的原因是怕“代码信息泄露”。可以说很“安全”了，道德标准极高。（笑）
这一波波“炸弹”，大家又开始担忧 AI 会不会取代人类工作。恐惧来源于未知，人工智能作为一个提高效率的工具，我们要做的是学会使用它、掌握它。
世界上只有一种英雄主义，就是在认清人类必将被机器干掉的真相之后依然热爱生活。
放弃高举高打，小步快走。
我们要学的不是表面效果或形式，通过技术思路触类旁通地启发自己相关业务能力革新。怎么学？用全面拥抱的态度，落地到真正实用的场景。
例如当初的 OWL2 就是个典型的脱离了应用场景的项目。他们最终工作组成员的构成一部分是大学研究人员，另外一部分是大公司做企业级应用的，大部分是远离场景的，最终设计出来的产品（OWL2 语言）也就脱离了真正想去服务的那个场景。
OWL2 最终写出来有 600 页纸，这是一个非常复杂的语言。事实上，也就是在一些少量的企业级应用里面被用到了，在真正的日常应用当中，成功的案例几乎没有。所以这个项目，花了很多钱，最终有没有达到真实想要的目标。
Twine 在 2007 年是个明星企业，但在 2010 年关门了，为什么？
Twine 的 CEO Nova Spivack 说自己试图在太多的地方进行革新，而且使用了一种非常超前的架构（ RDF 数据库），导致追求的目标太大，无法达到。像 Twine 这样失败的例子是不罕见的，例如，你的产品只是一个在线应用，可以先把离线的运维工作搞清楚，然后再上线，也可以先用一个小数据集先试一试。
总之，步子不要太大。
……
做一个项目，要从小到大，循序渐进。最后把所有的东西抽象到更高层面上，我自己总结为一个理论，叫 场景跃迁理论。
这个理论的核心，是说一个人工智能的公司需要多次的产品市场匹配，就是Product-Market Fit。如果提供了一个产品，市场恰恰需要，而这个市场恰恰很大，就说得到了一个产品市场匹配。
经典的互联网创业，通常做一次产品的市场匹配，就可以成功了。但人工智能往往要做好几次，互联网公司和人工智能公司很不一样。
一个称为养鸡场模式，一个称为养小孩模式。
互联网公司是一种养鸡场模式，它是一个大规模的复杂系统Complex system，关键是可扩展性。我养了一只鸡，我发现这只鸡不错，我养1万只鸡，这就是养鸡场模式。核心就是如何能养一万只鸡，这就叫可扩展性。
人工智能应用是另外一种类型的复杂系统，叫Complicated system，它是有非常多的组件，通常是上百种奇奇怪怪的组件组合在一起。它的核心并不是养一万只鸡，更多像养小孩一样，生完孩子，从小给他换尿布，给他喂奶，教他走路，教他说话，逗他玩，小学、中学、大学，一路把他养大，每一个阶段所面临的主要任务都不一样。你如何能够让这小孩成长，我们把它称为可演进性，这才是 AI 公司最核心的因素。
……
全文阅读：《确保搞砸人工智能项目的十种方法》
实战出发，注重工程落地。
比如说规则系统，一个人都可以写10条正则表达式，没有问题。但是如果能够写好100条正则表达式，那你一定是一个非常优秀的工程人员，软件工程能力很过硬。如果能够管理好1,000条正则表达式，那你一定是一个科班出身的，有专业级知识管理训练的人。如果你能够真正地管理好10,000条正则表达式，那你一定是一个有非常丰富规则管理经验的人。
当然我说的并不是 copy paste 10,000次，改其中几个字，那个不算。
人工智能的很多事情，困难就在这儿。到网上去拿一个什么开源包啥的，把它做到80%，都很容易做得到。但难度就在于最后的20%。在实际运用中通常可能需要98%、99%的正确率，才能够满足用户的需求。如果专业性不够，想实现最后这些是非常难的。
一个人工智能的技术能不能做得好，核心往往不仅仅是算法，而是底下的架构，还有系统。
工程是解决人工智能的核心钥匙。如果代码能力不行，架构能力不行，工程能力不行，在这个情况下，根本就不应该去谈算法。优先应该把工程能力补起来，然后再谈算法。
从学术界的研究到工业界的实践，有一个非常巨大的差异。为什么呢？
因为在发表论文的时候，完全不需要考虑现实中所会遇到的那些约束条件。所以当决定一个工程问题技术路线的时候，不一定要按照最新的论文趋势来做这件事情，甚至这论文和十年之后的技术都不一定有相关性。
一定要根据现实的情况和约束，来决定技术路线。这份《 AI 规划指南》，我们会继续更新，一起学好知识，摆正心态，加油干！
文因互联是一家 AI 大模型系统应用商，以大模型技术为基座，结合 NLP、提示工程、知识图谱等技术，通过多年行业实践积累，实现对业务文本进行文档解析、智能信息提取、智能内容生成、深度语义理解与关联分析，致力于企业知识的深度挖掘与有序传承，进而助力企业实现提高工作效率，沉淀知识工程。
自成立以来，已服务过金融、建筑、媒体、医疗、航空、通讯等多领域各细分场景，落地上百项目，获得IDC Fintech50、CB Insights Fintech50、毕马威Fintech50等权威机构认证。
