先上结论:要快速转行,需要了解 AIGC,并丰富项目经验。
AIGC 是什么
首先需要了解 AIGC 基本概念、涉及的技术基础、应用场景和局限性。之所以需要具备这些知识,是因为实现 AIGC 产品必然会涉及相应的 AI 技术,如果 AIGC 产品经理不了解相关概念,就不能很好地完成 AIGC 项目的管理。当然,AI 产品经理并不需要懂很底层的技术细节、数学公式的逻辑推导,但其中涉及的基本概念和应用场景应有所了解。
基本概念
AI(人工智能)是计算机科学的一个分支,是指通过计算机程序模拟人类智能行为的技术和方法。而 AIGC(AI Generated Content,人工智能生成内容)则是指利用人工智能技术自动生成各种类型的内容,包括但不限于文本、图像、音频、视频等,又称'生成式 AI'(Generative AI)。
除此之外,还应该了解以下名词。
大模型(Large Model):指的是有数亿到数千亿的参数和复杂结构的 AI 模型,被广泛用于生成式 AI 领域,例如 GPT、Gemini、BERT 等模型。
多模态模型(Multimodal Model):是指能够处理和集成多种不同类型数据(模态)的人工智能模型,例如文本、图像、音频、视频等。多模态模型通过结合多种数据类型,可以更全面地理解和生成信息,在复杂任务中表现出色。GPT4 能够处理图片、文字等,就是一个多模态模型。
提示词工程(Prompt Engineering):是指设计和优化输入提示(prompts)以引导 AI 模型(尤其是大模型)生成所需输出的过程。提示工程在生成式 AI 应用中非常重要,因为输入提示的质量会直接影响模型生成内容的质量。
技术基础
AIGC 的技术基础是深度学习。深度学习(Deep Learning)是 AI 的一个子研究领域,它通过构建和训练多层神经网络来进行数据分析和模式识别。
其中,AIGC 模型中比较有代表性的有 Transformer(主要用于自然语言生成)和 Diffusion Model(主要用于图像生成)。
Transformer是 Google 在 2017 年的论文中提出,解决了传统的序列到序列(sequence-to-sequence,Seq2Seq)模型在处理时遇到的问题。
序列到序列(Seq2Seq):指的是模型的输入是一段序列,模型输出也是序列;比如语音识别中给模型一段中文语音序列,让模型给出中文文字序列。
传统的序列模型(如 RNN、LSTM)难以捕捉序列的长距离依赖关系,即序列中相隔较远的元素之间的关联。**Transformer 通过自注意力机制(Self-Attention),使得模型能够直接关注序列中任意两个位置,从而有效地捕捉这种长距离依赖。**并且它能进行并行计算,能有效提升计算效率,所以被广泛应用于生成式 AI 中,是构成 GPT 等的基础,也被应用于 DALL·E 等图像生成模型上。
**Diffusion Model(扩散模型)**是一类用于生成数据的模型,最早在 2015 年被提出,2020 年论文使其被熟知,近年来在图像生成领域中取得了显著的进展。扩散模型通过逐步添加噪声到数据中,然后学习如何反向去除噪声,从而生成新的数据样本。应用了扩散模型架构的大模型主要有:Stability AI 的 Stable Diffusion、Google 的 Imagen 和 Open AI 的 DALL·E 2。
应用场景和局限性
AIGC 目前被广泛应用在文本生成、图像生成、音乐生成和视频生成等方面。
**文本生成:**可用于内容创作(生成文章、新闻报道)、文案撰写(广告文案、产品描述、社交媒体帖子)、对话系统(客服机器人、聊天机器人)。
**图像生成:**用于艺术创作(生成绘画、插画、设计图、游戏人物设计)、编辑(图像风格转换、图像修复)、生成广告的营销素材。
**音频和视频生成:**用于音乐创作、语音合成(语音助手)、音效设计、视频编辑、动画制作等。
AIGC 也被应用在金融、教育、医疗、交通等多个领域,应用场景广泛。
**目前它也存在一些局限:**例如存在'幻觉',在涉及复杂知识和逻辑推理的任务中,生成的内容可能不准确,需要专家知识来判断;在生成长篇文本或连续视频时,内容的一致性和连贯性存在挑战;AIGC 生成的内容受训练数据的限制,在需要创新的任务上受限。
AIGC 怎么用
接着要了解 AIGC 如何使用,增加自己的实践经验。
首先,可以去使用市面上的 AIGC 产品,从使用提示词开始,让 AI 辅助写文案、写代码、数据处理、做 PPT 等等,对市面上的产品有直观的感受。建议建立自己的 Prompt 库,记录不同场景下的高效指令,形成可复用的方法论。
大模型与 AI 产品经理学习路径
对于希望转行的从业者,建议遵循以下结构化学习路线,而非盲目购买课程。
第一阶段:大模型系统设计入门 理解大模型的主要方法,包括预训练、微调、推理优化等核心流程。阅读经典论文如 Attention Is All You Need,掌握模型架构的基本原理。


