科技 类型
5.8 豆瓣评分
可以朗读 语音朗读
213千字 字数
2024-09-01 发行日期
展开全部

主编推荐语

本书旨在成为大模型在各行各业落地应用的“百科全书”。

内容简介

本书结合了实地调研和多元视角，不仅对大模型进行了技术分析，还从商业、产品、行业等多个角度进行了应用探讨。

全书共5章：第1章介绍了大模型的训练过程和核心技术；第2章分析了大模型对软件行业的影响，通过具体案例展示了软件公司如何适应大模型需求；第3、4章分别从产品和行业角度出发，讨论了大模型如何改变产品升级流程和工作流程，以及它对各行各业的具体影响；第5章展望了大模型的未来，预测了它将如何改变我们的世界。

目录

  • 版权信息
  • 内容简介
  • 推荐序一
  • 推荐序二
  • 推荐语
  • 前言
  • 致谢
  • 第1章 什么是大模型
  • 1.1 从单节点模型开始
  • 1.2 大模型的养成
  • 1.3 大模型的核心能力
  • 1.4 大模型的构建
  • 1.5 大模型需要的基础设施
  • 1.6 大模型的“不可能三角”
  • 番外篇 OpenAI为何成功
  • 番外篇 CUDA壁垒是怎样形成的
  • 第2章 软件在大模型时代还有没有价值
  • 2.1 历次科技变革，改变了谁
  • 2.2 大模型变革下的四类SaaS企业
  • 2.2.1 人调用软件
  • 2.2.2 软件梳理流程
  • 2.2.3 翻译工具
  • 2.2.4 大模型调用软件
  • 番外篇 GPU IaaS业务拉开云加速序幕
  • 2.3 大模型与DevOps（可观测性）
  • 2.3.1 可观测性的实现原理及关键环节
  • 2.3.2 大模型如何与可观测性结合
  • 2.3.3 针对大模型搭建可观测性平台
  • 2.4 大模型改变数据库
  • 2.4.1 大模型如何改变数据库交互
  • 2.4.2 大模型是否能改变数据库底层
  • 2.4.3 数据仓库与数据湖如何支持大模型训练
  • 2.4.4 大模型的应用取决于成本
  • 2.4.5 向量数据库
  • 2.4.6 大模型可被用于ETL工作
  • 2.5 大模型改变网络安全
  • 2.5.1 大模型在不同网络安全场景中的应用
  • 2.5.2 现有网络安全企业的大模型应用情况
  • 2.5.3 微软Security Copilot的优点和缺点
  • 2.5.4 大模型数据交互安全
  • 2.5.5 AI Native网络安全公司出现了吗
  • 2.6 大模型与RAG
  • 2.6.1 RAG的技术难点
  • 2.6.2 RAG是个系统，单点突破难做差异化
  • 2.6.3 RAG需求爆发得非常快
  • 2.6.4 相对微调，RAG技术更具优势
  • 2.6.5 RAG的评测
  • 2.6.6 混合搜索与技术栈选择
  • 2.6.7 RAG的商业化与进入市场策略
  • 2.6.8 金融领域的RAG应用
  • 2.7 大模型改变办公与销售管理软件
  • 2.7.1 大模型如何影响办公类产品
  • 2.7.2 大模型如何影响会议类产品
  • 2.7.3 大模型如何影响协同产品
  • 2.7.4 大模型如何影响销售管理工具
  • 番外篇 数据基础设施（Data Infra）：大模型决战前夜
  • 第3章 大模型将改变产品生态
  • 3.1 大模型与产品设计
  • 3.1.1 大模型AI产品的设计流程
  • 3.1.2 大模型AI产品的设计准则
  • 案例 Microsoft 365 Copilot的产品设计
  • 3.2 大模型与产品销售和营销
  • 案例 卫瓴科技如何通过大模型赋能销售和营销
  • 案例 Salesforce的大模型赋能销售解决方案
  • 3.3 大模型与组织变革
  • 3.3.1 AI时代的组织进化展望
  • 3.3.2 个人与组织价值创造逻辑的差异
  • 3.3.3 组织协作的“假象”与“理想”
  • 3.3.4 AI在组织协作中应用的可能性
  • 3.3.5 技术路径与商业实践探索
  • 案例 腾讯如何搭建适合自己的大模型
  • 第4章 大模型将改变更多行业
  • 4.1 大模型改变客服和电销
  • 4.1.1 大模型改变了客服
  • 4.1.2 将大模型应用在电销上难度大
  • 4.1.3 如何交付大模型客服
  • 4.1.4 大模型客服如何选择模型
  • 4.1.5 客户眼中的大模型客服与落地仍然有预期差
  • 4.2 大模型改变教育
  • 4.2.1 成熟AI教育公司的启示
  • 4.2.2 大模型对教育场景的重塑
  • 4.2.3 大模型如何影响教育创业和教育事业
  • 4.2.4 大模型教育如何看待/选择大模型
  • 4.3 大模型改变设计
  • 4.3.1 大模型应用在不同的设计场景
  • 4.3.2 大模型对设计的提效
  • 4.3.3 现有的设计软件如何应对大模型
  • 4.3.4 大模型设计在To B场景的落地
  • 4.4 大模型改变游戏
  • 4.4.1 AI NPC在玩法层面的落地
  • 4.4.2 AI NPC在局部留存/商业化上更容易落地
  • 4.4.3 AI在游戏的技术层面落地难点
  • 4.4.4 游戏公司使用AI工具的情况
  • 4.4.5 大模型在游戏引擎中落地的方向
  • 4.4.6 大模型在VR中的落地情况
  • 4.5 大模型改变广告
  • 4.5.1 广告创业公司的观点
  • 4.5.2 广告平台方的观点
  • 4.5.3 广告主的观点
  • 4.5.4 生成式广告
  • 4.6 大模型改变推荐系统
  • 4.6.1 大模型在推荐系统现有环节的应用
  • 4.6.2 大模型在广告/电商推荐系统中的应用
  • 4.6.3 大模型在搜索推荐系统中的应用
  • 4.6.4 大模型在内容推荐系统中的应用（以Meta为例）
  • 4.7 大模型改变传统工业
  • 4.7.1 大模型在传统工业中的应用处于初级阶段
  • 4.7.2 小模型在传统工业中的应用广泛
  • 4.7.3 大模型在传统工业应用的难点
  • 4.7.4 大模型在传统工业应用的方法
  • 案例 头部AI咨询公司C3.ai
  • 案例 难以被AI颠覆的艾斯本科技（Aspen Tech）
  • 第5章 对大模型未来的思考
  • 5.1 大模型未来三年的几个假设
  • 5.1.1 开始摘低垂果实（2024年）
  • 5.1.2 AI带来的实际经济影响（2024年）
  • 5.1.3 GPT-5会成为更标准落地的分水岭（2025年）
  • 5.1.4 面向消费者（To C）领域的预期（2025年）
  • 5.1.5 AI或许可以替代高阶的职能（2026年）
  • 5.1.6 工业领域会看到很多多模态实践（2026年）
  • 5.1.7 基建与电力可能比GPU更稀缺（2024—2026年）
  • 5.2 大模型技术面临的挑战
  • 5.2.1 数据
  • 5.2.2 计算资源
  • 5.2.3 安全和合规
  • 5.3 大模型就像贪吃蛇与俄罗斯方块
  • 5.3.1 贪吃蛇与俄罗斯方块
  • 5.3.2 贪吃蛇也没有秘密
  • 5.3.3 中国的方块与美国的方块
  • 5.3.4 模型与应用公司的下一步
  • 5.3.5 Sora如何改变世界
  • 5.3.6 我们在1.0，即将进入2.0
  • 5.4 GPT-4 Turbo带来的行业进化
  • 5.4.1 GPT-4 Turbo带来的成本下降
  • 5.4.2 GPT-4 Turbo长下文带来的变化
  • 5.4.3 低代码工具及GPTs
  • 5.4.4 OpenAI的官方RAG工具
  • 5.5 GPT-4o带来的行业进化
  • 5.5.1 GPT-4o如何降低延迟
  • 5.5.2 GPT-4o的实时互动机制
  • 5.5.3 GPT-4o为什么要用到RTC
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。