自从 2022 年底 OpenAI 推出了 ChatGPT3.5 后，GPT 的活跃用户数快速突破一亿，打破了互联网应用发展的历史记录。ChatGPT是一种基于人工智能技术的聊天机器人，它可以理解人类的自然语言，模拟人类的语言和思维方式，与人类进行自然的对话。GPT 技术的发展，给社会带来了巨大的影响，各行各业都在讨论GPT影响和带来的机会。
微软公司创始人比尔·盖茨在其博客文章《人工智能时代已经开启》中表示，自1980年首次看到图形用户界面（graphical user interface）以来，OpenAI的GPT人工智能模型是他所见过的最具革命性的技术进步。
前端工程师本质上是开发软件 GUI（graphical user interface） 部分，GPT 技术发展使得应用从 GUI 慢慢往 GUI&LanguageUI结合方向发展，对于软件工程在视图层的架构要求更高，帮助产品更加好用和业务上能取到更大的业务价值。在这个充满变化和机会的时代，我们前端开发者如何抓住机会呢？本文从认识 GPT、GPT 集成软件调研和机会等方面分享下自己的看法。
GPT是目前自然语言处理领域最先进、最强大的机器学习模型，它能够理解人类自然语言生成自然语言文本和执行某些任务，除了理解自然语言外，还可以解决跨越数学、编码、视觉、医学、法律、心理学等问题。
GPT 通过大量高质量文档的训练，知识非常渊博，通过阅读 Sparks of Artificial General Intelligence: Early experiments with GPT-4 我们能够得出，GPT 在文科考试、做选择题等方面表现比较好，比如在美国律师资格考试测试中GPT-4的成绩可以达到前 10%；但在数学考试，编程表现比较一般。
以编程为例，如上图所示，GPT4在简单的问题上的正确率为31（41），在中等难度问题上的正确率为21（80），在复杂问题上的正确率为3（45）。可以看出，GPT4在简单问题上表现还算可靠，但并不完全可靠，而在高等和中等难度问题上表现相对较差。
虽然GPT能理解自然语言，还能解决一些学科问题，但在自主学习、归纳抽象、逻辑推理、创新、情景感知等智能能力上，存在明显缺陷。比如推理方面，GPT 模型使用前文 token 预测下一个 token，这种预测方法使得 GPT 模型是一种线性思维，而人的思维比这种线性思考复杂多了。另外GPT对数据依赖性强，高质量数据对 GPT 非常重要，容易因为低质量数据和错误数据影响，导致GPT理解出现不准确和错误。
总之 GPT 不是强 人工智能，GPT 让人们看到了强人工智能 AGI 的曙光，但差距依旧巨大。GPT 擅长从海量的知识提取出用户需要的，但在推理，逻辑，抽象，创新等方面存在缺陷。
计算机软件产品交互的发展经历了命令行交互(阶段1)、图形用户界面GUI（阶段2），随着GPT发展，预计会进入 GUI+LanguageUI 结合时代，下面对每个阶段对做下分析。
软件1.0时代是文本命令行式的交互，本质上是特定的 Language UI ，无法使用很泛的自然语言表达。在这个阶段和系统的交互通过各类 cli 程序，无法使用图形化的界面交互。入门门槛高，使用复杂，不利于大规模的推广，主要面向专业的研发人员。
比如系统提供了根据时间和区域查看指标数据的程序 getMeasureData，接收两个参数 date 和 region，使用方式如下：
软件 2.0 GUI 是图形化界面的时代，通过可视化界面的用户操作，为用户提供了直观的界面，容易上手和使用，降低了门槛和覆盖了更多的人群，迎来了计算法软件发展的爆发增长。但随着 GUI 的发展，GUI 逐渐暴露出一些缺点：
1. GUI 的局限性
GUI 虽然极大的降低了门槛，但是一些场景，如果彻底使用 GUI 表达明显存在问题。比如编写代码，使用编程语言逻辑清晰且一目了然。但如果使用 GUI 描述，很难理解。下面的例子是一段简单的循环+打印文本的 javascript 脚本，逻辑非常简单，但可视化GUI表达方式明显更加难以理解。
从人类上千年文明发展来看，自然语言才是最适合表达复杂逻辑方式。所以 GUI 表达可以说是一种特定的降低沟通成本表达方式，这是一种偏向视觉的沟通方式，这种方式能成倍的降低计算机工具沟通成本。好比管理沟通的金字塔原理，本质上是对灵活的自然语言通过树形结构拆分，降低沟通成本。
所以GUI 适合表达和空间位置有关或逻辑简单的信息，不适合表达一些比较抽象的逻辑关系。比如低代码平台，可视化GUI编排主要应用在表单、页面组件编排、对象建模等场景，LanguageUI 代码方式应用在自定义组件开发场景。
2.软件功能越来越多，使用越来越复杂
例子1 中后台管理系统，随着功能越来越多，相关的菜单和页面功能越来越多，使用系统慢慢变得并不是一件容易的事情，培训成本越来越高；
例子2 mac 的配置界面，配置项成百上千，了解相关的功能和查找相关的功能并不是一件容易的事情，使用了好几年的用户，可能很多配置项都不了解，平时遇到问题查找相关的配置项可能都需要比较多时间。
上面两个例子，都存在随着软件发展，功能变得越来越多，使用越来越复杂。对于开发者们总是希望能够开发出最为全面、功能最为强大的软件，以满足每个用户的需求。然而，如果软件的功能点太多容易导致核心功能被其他功能所淹没，易用性将会变得很差。
有没有办法我们设计很精简的功能，但同时能满足层出不穷的诉求呢？
事实是不可能的，因为满足越来越多诉求和精简的功能是矛盾体，两者不可兼得。唯一的办法是对功能进行产品架构分层、归类，保证常用功能对于大部分用户简单易用，同时提供比较隐蔽的其他功能入口，满足其他的诉求。这个并不是最根本解决办法，非常用功能的其他功能入口比较深，功能数量多，很多对用户有价值的功能也被淹没了。
那么未来我们软件集成了 AI 能力，能否做到功能全面，但易用性也非常好呢？
为什么阶段3是 GUI+LanguageUI 结合时代呢？结合上文我们知道，虽然 GUI 对软件发展意义很大，但他自身也存在一些缺陷。目前随着大模型 AI 技术发展，AI能够理解自然语言和按照用户的需求执行，在 GUI 时代的一些软件缺陷我们完全可以使用 LanguageUI 交互解决。
我们拿上面mac配置举例，我们为他们新增一个智能的助手功能：
从上面例子可以看出，有了 copilot 智能助手交互后，能够有效解决因为功能多，使用变得越来越困难问题，所以未来大概率是是 LanguageUI 和 GUI 结合的时代，通过 LanguageUI 解决软件发展曾经的一些难题，两者结合 1+1>2。
虽然 AI 时代的LanguageUI 能力非常强大，但并不是万能的。对 GUI 和 LanguageUI 交互做个对比，GUI 是一种确定式的UI，有稳定的输入输出，LanguageUI 是非稳定的UI，不管能否发展出强人工智能，输入和输出并不稳定。自然语言式的LanguageUI好比跟人交互，对方对同一句话理解随着环境、心态、经验会有不同的理解和处理方式。处于稳定态的工具更节约资源和成本更低，比如我要看短视频，直接手滑操作相比 LanguageUI 交互是更简单和易用的。
总之GUI和LUI都有各自的优点、缺点，未来软件是通过合理的设计，最大化的发挥他们的价值。
一句话帮你写文档，处理复杂电子表格，分析表格数据，生成精美的 ppt 等，从最新的 copilot 演示视频看，copilot 已经能做到根据用户的自然语言需求生成 VBScript ，提供更加复杂需求支持。
飞书的 copilot 帮你撰写一篇汇报文档，分析一份经营数据，或总结一场错过的会议。demo视频链接：weibo.com/7223713567/…
传统的 BI 软件分析依赖于人工，人工分析是一个成本高过程，相比之下，使用 ChatGPT 等大模型技术泛化的自动化数据分析能力可以快速帮助用户找到想看到数据，分析异常，帮助发现遗漏的关键因素。
www.june.so/ai
微软将 Copilot 也接入到了旗下的低代码开发平台 Power Platform 中，用户可以在 Power Apps、Power Virtual Agents 和 Power Automate 中用自然语言描述他们想要的应用、功能和流程，Copilot 可以在几秒钟内完成应用和流程的创建，并提供改进的建议。
一个基于 GPT 的 AI 程序员助手，能够提供代码生成和自动完成功能。它可以直接集成到 Visual Studio Code 编辑器中，在最近的一次发布会上，Github CEO 现场用 Copilot 写代码，18分钟完成一个游戏的开发，他们希望未来能提升10倍程序员的效率；
这个平台利用 GPT 提供营销文案生成服务，帮助用户撰写广告、博客文章、产品描述等。
基本体验是通过表单方式把需求提清楚，gpt 帮你完成文案编写。
人脑第二助手，记录你看到、说过或听到的一切
4月28日，互联网医院医联宣布研制出国内首款大模型驱动的AI医生——MedGPT，该产品目前已进入内部测试阶段，计划今年5月正式发布。医联称，MedGPT目前已经拥有近3000种疾病的首诊能力，覆盖80%以上的成年人疾病和90%以上的0-12岁儿科疾病。
医联称，MedGPT采用大模型技术，基于医疗知识图谱为模型提供丰富、准确、结构化的医疗知识，并收集整理接近20亿条真实医患沟通对话、检验检测和病例信息进行深度训练学习，同时利用医生真实反馈进行强化学习，用以保障模型的推理质量、准确性与可靠性。
大模型AI 时代已经来临，第一比尔盖茨说自1980年首次看到图形用户界面（graphical user interface）以来，OpenAI的GPT人工智能模型是他所见过的最具革命性的技术进步；第二很多知名公司都在做 LLM 大模型，不少公司开发布会说，所有的产品要用 ai 重构；第三各个知名产品都在集成 LLM 能力，不少公司因为这个股价涨了很多。总之未来用好AI的企业能获得更多的机会，建立更深的护城河。
产品交互的进步，影响了人和机器的交互方式，对前端开发者影响也会很大。前端开发者善于学习新的技术，从前端角度完全可以学习最新的LLM工程技术，把一系列工程技术应用起来，帮助业务发展更好。产品集成AI能力主要用途之一是让产品变的更加易用，本质上是把 GUI 转变到 GUI + LanguageUI，前端同学能够设计端到端的解决方案，相比其他算法、后端同学，我们主业就是做产品的交互，完全可以深耕这方面。
比如下面 mac 例子，本质上都是在处理交互层面的逻辑，更加适合前端开发者设计架构和开发。
- OpenAI 官方文档 最全面的 ChatGPT Api 文档，通过该文档能够了解到 gpt 对外开放能力和核心概念；
- langChain 框架 一个用于构建基于大型语言模型（LLM）的应用程序的开源库，帮助开发者将LLM 与其他工具结合起来，创建更强大的应用程序，比如通过 agent 让 gpt 指挥一个机器人干活。
- 向量数据库 当我们使用 GPT 解决业务问题时，需要构建私有化的知识库，基于 GPT + 向量数据库可以完成搭建私有化业务知识库；
- 了解私有化模型部署，可应用与垂直业务，相比 GPT+向量数据库，可能能有更好的效果，具体可了解下清华大学开源的 github.com/THUDM/ChatG…
- 吴恩达面向广大开发者推出ChatGPT提示工程课程，与OpenAI合作出品
- LLM 原理学习
重点介绍一些 langchain 案例:
1.bash 使用自然语言写 shell 脚本，比如以前查看目录的文件列表，用 命令，现在用自然语音描述就可以，无需学习 ls 指令
2.human 人类做为AGI，当AI遇到问题时，可以直接问人；
3.powerBI 基于自然语言，生成函数表达式；
4.写 sql js.langchain.com/docs/module… 通过自然语言描述，生成 sql
1.从大的视角看
- 政策 多地出台AI产业政策！关于ChatGPT，北京率先表态。白皮书显示，北京持续保持人工智能领先优势。同时，北京将支持头部企业打造对标ChatGPT的大模型，着力构建 开源 框架和通用大模型的应用生态；
- 对传统医疗、教育、工业、律所等行业影响大，有利于传统行业数字化发展 比如 国内首款医疗GPT：健康的另一种想象 这篇文章提到的 AI类产品MedGPT，这款产品已经能够在近3000个疾病的首诊阶段发挥作用，更有突破性的实现；
- 大模型相关人才是未来招聘热点，包括算法工程师、产品经理、应用层开发者等；
2.从应用场景看
- 内容生成 利用LLM生成文本、图像、代码等，提高创作效率;
- 智能辅助 以提高用户使用效率为目标，代码生成、开发语义检索、自动纠错、代码补全等功能；
- 用户体验优化 利用LLM识别用户需求和行为，降低用户使用复杂度，实现个性化推荐和基于自然语义的任务执行，比如针对业务系统功能多，集成自然语言式的AI交互能力，帮助用户使用系统和根据用户需求执行相关任务；
- 新产品 基于AI技术，尝试研发创新产品，如智能生成应用、智能机器人、智能医疗等；
3.从前端技术角度
未来社区将会沉淀出一些面向 LLM 工程的前端框架
降低LLM能力集成的复杂度和设计有利于AI集成的架构。目前在 github 搜索 关键字显示仓库有 7000 多，足以看出社区的活跃程度了，是时候去卷AI框架了 😀。
2.各个企业对资深前端同学需求会加大
在未来设计优秀的AI应用相对之前有这么几点变化，第一需要在业务理解上做到能提前预判更多的潜在诉求，因为通过自然语言描述的需求是很泛的，系统底层对于很泛的这类需求要有比较系统的解法；第二需要设计合理的架构能够最大化的利用 AI 能力，要想最大化的利用 AI 的能力，除了对 llm 工程技术非常熟悉外，还考察本身系统架构设计能力，比如如何设计底层的视图模型，低成本的让 AI 能够学会，并且在长期是个稳定态，不会随着诉求频繁迭代，每次都有比较大的变更成本。
业务中存在的一些痛点，采用传统GUI解决方案可能并不能从根本上解决，GUI 本身存在一定的局限性和发展限制。比如下图中随着系统功能的不断增多，使用成本越来越高。在这种情况下，可以考虑如何在产品中集成人工智能AI技术，解决业务中存在的问题和提升用户的体验。
掌握大模型技术你还能拥有更多可能性：
• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；
• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；
• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；
• 更优质的项目可以为未来创新创业提供基石。
可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好，希望能够真正帮助到大家。
-END-
👉AI大模型学习路线汇总👈
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。