谷歌近期公布Project Suncatcher计划,准备进行首次在轨测试,让搭载Google TPU的原型卫星进入太空,研究在轨AI计算基础设施的可行性。谷歌表示,低地球轨道能够获得较长时间的太阳能供给,因此正在探索将机器学习基础设施部署到太空的可能性。
听起来离普通用户很远,但它反映的是AI产业仍在向模型、芯片、算力和基础设施继续发展。
很多普通用户接触AI,是从聊天工具开始的。
但AI背后还有模型、数据、算力、芯片、云平台和应用。
Google的Project Suncatcher研究的就是其中的算力基础设施。
这类项目与普通职场人的日常工作距离很远。大多数人并不需要研究TPU架构,也不需要自己训练大模型。
更值得学习的是AI进入工作以后怎么用。
比如:
为什么同一个问题换一种提示方式,AI给出的答案会发生变化?
为什么AI会生成错误信息?
哪些工作适合交给生成式AI?
AI生成的内容什么时候需要人工检查?
企业资料和个人信息能不能直接上传?
这些问题都属于AI应用层面的知识。
GAI认证考核内容包括生成式AI基础知识、提示工程、实践操作、应用场景以及伦理与社会影响。
如果目标是从事AI算法、模型开发等技术工作,还需要学习编程、数学、机器学习等专业内容。
如果目标是把AI放进原来的职业工作中,学习重点则会有所不同。
教师可以研究AI辅助教学,市场人员可以练习AI辅助分析,设计师可以把AI放进创意流程,行政人员可以用AI整理资料。
这些都属于“AI+专业”的应用。
AI算力可以从数据中心研究到太空,但普通人的AI学习并不需要一路追到技术底层。先把生成式AI的基础知识、实际使用和结果判断弄清楚,再根据自己的工作继续深入,会更容易落地。