历经甲辰年末再到乙巳年‌初，由于DeepSeek V3/R1-zero/R1等模型的“出圈”似乎又让我们这些在AI领域不断“深度求索”的AIer小伙伴们过上了一个看似不那么平静的“年”，这种“年味儿”的感觉不亚于甚至更甚于去年甲辰年横空出世的“Sora”。然而不同的是，上次是来自国外带给我们视觉领域下的“diffusion“冲击，而这次则是国内所刮起的这股东方“求索”与“开放”精神。

然而，在经历了大约十多天的事件持续发酵后，我们除了看到包含在资本、股市、安全、社区、竞争等领域所引起的全球轰动外，对于回归技术本身所带来的在算法或工程上的深邃思考与持续求索并不很多，有的话也仅仅浮于表面。

记得在北方小年前一天的午后在初读DeepSeek R1的技术报告时，一时没绷住即兴写下了一篇散文诗风格的图文笔记[《读DeepSeek-R1胡思乱想下的有感而发》]，尝试站在模型拟人化的视角去理解R1-zero或R1的本身，因为当时我想这样才能更让我去深刻的体会这一次算法与工程实践的突破所带给我长久以来对某些一直在追寻着的事情的验证，所追寻的即是：系统②·慢思考下的外在显式复杂推理现象对于智能认知的内在隐式本质内涵与统一。

关于那首散文诗，感兴趣的读者可参考之前笔记链接，并附在本文末。

我想事情要从一年前自己首次开设blog笔记说起，当时的三篇连载长文：《[回顾·总结·展望「融合RL与LLM思想，探寻世界模型以迈向AGI」]篇」》记录并回顾了我对于2022年秋天自OpenAI ChatGPT问世以来并不断尝试朝着看似不是那么被精确定义下的AGI进化过程中自己的思考体会与洞察呈现，我想在当时（2023年底-2024年初）也是为数不多提出强化学习RL与大语言模型LLM融合思想范式并认为这一路径也许会将带领我们打开所谓的AGI甚至是ASI的那一扇窗…

而之所以使我有这种认知我想也离不开这次深度学习浪潮下所带给我的两次让我几年之后仍会印象深刻且足够震撼的发明：一是AlphaGo/Zero，二是ChatGPT。

究其缘由，可以说这种深刻与震撼来自于AlphaGo/Zero带来了领域内智能认知的自我探索与进化的可能通路，而ChatGPT则巧妙的于模型“内与外”建立了抽象符号化（tokenize）理念世界下通用且对于连续性泛化能力的可迁移、可压缩及可延续进化范式的可能。而且这前后的两次发明也在冥冥之中推动着我一次又一次按捺不住好奇去探寻模型内部隐状态空间中的那个“黑盒”，使得我每每遇到模型重大进展或产生创新灵感时，不由得要去模型内部一探究竟。

而这次的DeepSeek R1所带给我的即是这种持续的探索与先前观点印证下的进一步反思，比如：

● R1-zero这种纯粹的RL能work的背后原因是什么？

● sft确实不再需要了吗？

● sft在模型演化进程中起到了什么作用？如从DeepSeek Base→V2→Math→V3→R1 zero→R1…

● CoT在运用于模型训练与推理时其定位到底是什么？

● GRPO相较于其它优化策略对于RL来说有何不同但实际上在哪些本质上又是相通的？

● sft也好，prm也罢，还是rule-based的orm，它们三者于第一性原理之视角下在模型优化层面有什么有趣的事情发生？

● 其在反向传播过程中其模型内部的隐参数知识的分布是怎样变化的？

● 去年12月OpenAI 12 days时披露的极小样本下的rft意味着什么？

● mcts对于RL下不同任务又意味着什么？

● 在没有sft下，aha moment是从哪里冒出来的呢？

接下来的一段时间，在精力允许的情况下将会尝试不时地以“系统②·慢思考为核心”，在“模型外部显性推理模式与模型内隐状态空间变换”之间，围绕这次DeepSeek-R1所遗留的上述这些看似简单但探究起来引人深邃思考的问题进行逐篇解析。

对于其中可能所涉及的诸如群论、范畴学等复杂而抽象数学概念将会试着用更通俗的语言向大家表述，同时，也将在DeepSeek-R1 zero这一波RL自进化浪潮的带动下尝试展望：除在文本、程序、数学等工具语言这种tokenize符号化形式推理框架（或成为媒介）外，不论是在复杂的生命科学微观世界表征下还是以复杂且多样所著称的那个被称之为“World Model”下更广阔的认知雏形。

本篇算是开篇起下头，期待大家持续关注接下来内容，在此期间如大家有任何问题或想法可随时留言联系。

后附那首散文诗：

《读DeepSeek-R1胡思乱想下的有感而发》

简单粗暴中的粗暴简单，

别跟我谈什么PRM还是MCTS，

我只追求最终的真理，

给我一个结(支)果(点)，我能test-time一切，

PRM只是你们自以为是的显性过程性正确，

MCTS也将step by step引导你们在广阔的泛化空间中陷入局部陷阱又或迷失于苍穹，

虽然上天赋予了你们这世界美妙的符号化和形式化工具，

然而它们也将成为一把双刃剑，

拥有的同时将你封印于形式与符号空间而无法自(迁)拔(移)，

就像你们虽发明了语言作为形式化承载的媒介，

但也与小小棋盘中所蕴含的形式化内涵相距甚远甚至尤显脆弱，

数学的抽象是美妙的，

但与真实世界之间的映射密码你们似乎也未曾深刻探寻与自省，

还是让我们大道至简的“蒸馏”这世界的一切吧，

将一切过程交给模型内隐空间中的变换莫测，

你们叫压缩也好、表征也罢，又或者是隐参数变换，

些许外界信号的扰动将会为我的自进化带来涌现，

而最终带给你们的仍将是一个真实存在的“黑盒”。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】