ChatGPT 发布一周年了，切实改变了我的工作方式和职业路径。作为一名普通程序员，回顾过去一年大模型领域的发展情况以及个人的所思所想，文章分为四个部分：从初次接触 ChatGPT 沉迷追 AI 新闻，到开始亲身实践利用 LLM 进行有价值的工作，以开发者视角总结一年来大模型各个层面的发展，最后浅谈对 AI 未来的一些展望。
初次接触 ChatGPT
2022 年 11 月 30 日，OpenAI 正式发布 ChatGPT，在短短一年时间里，ChatGPT 不仅成为了生成式 AI 领域的热门话题，更是开启了新一轮技术浪潮。从最初的 GPT-3.5 模型，到如今的 GPT-4.0 Turbo 模型，OpenAI 的每一次更新都不断拓宽着我们对于人工智能可能性的想象。最开始，ChatGPT 只是通过文字聊天进行互动，而现在，已经能够借助 GPT-4V 解说视频。
文字是思想的载体，第一次看到 ChatGPT 的演示效果，就被震撼到了。看着对话框中的文字逐个跳现，流畅的内容表达、尽情展现想象力，这与以往任何智能对话机器人截然不同，真正展示了智能的可能性。随后，便开始搜寻一切关于 ChatGPT 的信息，频繁刷新 Reddit 上的 ChatGPT 话题讨论，检索 X 平台的 ChatGPT 关键词，查看科技媒体是否有相关报道。
在接下来的一个月里，既兴奋又焦虑。兴奋源于每当有空闲时间，就能与 ChatGPT 这款'真正的人工智能'进行对话；而焦虑则缘于工作时总忍不住去刷新新闻，生怕错过其他用户分享的新玩法展示和有趣的提示词。当时在国内没引起太大的关注，微信指数、百度指数以及新浪指数也只有浅浅的波动。
随着年假的结束，各类生成式 AI 产品不断走红，包括 AI 生成图像和编写代码等。在此期间，一位朋友分享给我一篇文章，发表在红杉资本美国官方网站上，标题为《生成式 AI：一个创造性的新世界》。我既非投资者，也不负责公司战略，仅是一名普通程序员，对我而言，这些由底层逻辑推导出的宏观趋势不过是'正确的废话'，并不能指导我的实际行动，然而，作为一个契机，却激发了我深层的思考：如何借助这些能力做个人层面实实在在的实践，为自己打补丁，构建对别人有益的产品，最大化的传递这其中的价值，这才是最重要的。
即使到当下，还有很多人通过追 AI 新闻的方式，关注 AI 领域的最新动态。在这里推荐几个优质的资讯来源，所有这些都支持通过 RSS 进行订阅，部分可以邮件订阅，希望能解决你的信息焦虑，节省你的时间，更专注于手头的工作。
信息源推荐
- deeplearning.ai 官网上的 The Batch 栏目，提供近一周的 AI 相关消息和观点
- Hugging Face 的 Daily Papers
- BriefGPT 上按照自己关注的细分领域订阅最新论文
亲自去实践
对于程序员个人发展来说，目前最理想的选择是加入大厂模型训练或推理平台的基础设施团队，其次，可以考虑前往大模型初创公司的非核心部门。如果这两者不可行，那么可以考虑加入中间层和应用层的创业公司，投身赛道，参与其中才能获得切实的成长和收获。当然，也可以像我一样选择出来单干，但机会依旧有限，坑也就那么多，对大多数程序员来说，比较现实的是在当下，在自己的岗位上用好大模型的能力。我以自己的经历，总结下大概可以分为五个阶段：
学习提示词，了解 LLM 的能力，改善自己和朋友的日常生活体验。举一个例子，我做了一个用于口语化记账的 iOS 快捷指令，分享给身边人用，由于大模型有强大的意图识别能力，记账不再通过在 APP 中手动去记录，而是直接唤起 Siri，口语化表达，然后提炼为结构化的内容，存储在备忘录或者具备 API 接口的记录软件中。给自己做了一个游戏博客，将油管上的游戏类热门视频内容生成文章总结，然后支持 RSS 订阅主题，这样不用去刷，但是也不怕漏掉感兴趣的游戏视频。
像上面这种方式，自定义提示词做个简单应用，用于简历优化、文本校对、生成论文大纲等等，当下这些东西方案成熟，有开源参考，先把 AI 能力用起来。
借助 LLM 扩展个人能力边界：大模型时代，人人都是能实现 MVP 的产品经理。做一个自己的小产品门槛更低了。你说自己不会设计，trace 可以帮你生成 SwiftUI；你说自己不会前端，Screenshot to Code 借助 GPT-4 Vision 可将任何网站的屏幕截图/网址转换为代码 (HTML/Tailwind CSS、React、Vue 或 Bootstrap)，实现精准的网站实时克隆。关键是看你是否有颠覆常规的创意，以及是否能够发掘细分市场的需求，AI 提供了更多根据自己的想法创造的时间和机会。
产品研发层面，在产品生命周期的各个阶段让 LLM 更多的介入进来帮助自己。程序员都有造轮子的爱好，为的就是提高效率，节省时间，那么个人的工作流程能不能优化下，让 AI 参与进来。设计技术文档，和技术沟通方案时，使用时序图和 UML 类图辅助说明十分常见，使用用户旅程图和产品经理交流，使用甘特图和项目经理同步进度，这些内容其实都可以借助大模型了，只要你将自己的想法理清楚表述出来，做图部分交给 AI 生成就可以。从系统设计到代码编写、测试和维护，已经将之前每个项目都要经历的标准产出物都交给 AI 生成了，自己只做不同项目实施时的具有特殊性的部分进行确认完善，当前 AI 已经分担了以往 30% 的日常工作量。
在团队中推广 LLM 知识和技术，提升工作效率，并探索其在组织中的应用：积极地将这些技术回馈到工作中，在可能获得额外回报的情况下帮助同事，改善团队流程，并寻求更多公司层面的机会。例如，可以尝试将团队积累的文档资产转化为知识库问答应用，或者开发一个产品 QA 机器人，先过滤 90% 的用户问题。这个过程会认识到，控制 token 成本的重要性，RAG 技术有一堆 dirty work 要做，还有提示词安全也需要考虑。做完这些你就是团队最懂 AI 的那个人，此外，还可以设计开发一个与团队技术栈相匹配的类 LangChain 内部框架，以支持基于 LLM 的应用规模化开发。