OneFlow 연간 거래: 900페이지 분량의 무료 '생성형 AI 및 빅 모델' 전자책

难以想象，如果不是Scaling Law放缓，2024年AI领域会发生哪些惊人变化，但你可能又会感到庆幸，正是由于Scaling Law放缓，它给了这个行业的后来者们追赶的机会，也给了更多普通人搭乘这一轮技术革命的机会。

AI领域的变化激荡人心。一年前，AI社区普遍认为，与OpenAI的模型相比，大部分模型与它有半年或一年的差距，但大模型预训练逐渐没有秘密，它的入局门槛数量级降低。令国内外科技界深感震惊的是，以DeepSeek、Qwen为代表的开源大模型与顶尖闭源大模型GPT 4o之间的差距急剧缩小，并且这两款模型都来自中国的AI团队。同时，随着大模型预训练性能触及天花板，推理（inference）被视为模型能力持续提升的“第二增长曲线”。AI技术普惠化也进一步加速，人们只需通过接入标准化的API，就可以高效开发一个生成式AI应用，或者只是享受产品探索者们发布的有趣产品。

2024年，OneFlow发布了80篇优质文章，一如既往记录和探讨了诸多生成式AI与大模型领域的变化。年末，我们从中精选60多篇文章，并制作成一份900页的“年货”赠予每一位读者朋友，希望帮助你了解大模型的构建过程，行业现状与趋势。这份合集分为八大板块：概览、大模型基本原理、大模型训练没有秘密、大模型“第二增长曲线”：推理、AI芯片变局、生成式AI产品构建、生成式AI产业分析、AGI的挑战与未来。

感谢每一位作者公开分享他们的AI认知，并启发你我，这是我们持续编译这些深度内容的动力。我们希望在纷繁冗杂的信息中，找到那些值得阅读的内容，并传播给更多希望学习与探索AI的人。如果你想真正理解AI，最短的捷径是打开这份礼物并投身阅读。2025年，期待AI带给我们新的惊喜。

一、概览

• 2024年AI盘点：投资高歌猛进、基础设施重构、技术采用加速 /4
• 900个开源AI工具背后，我看到的趋势 /36

二、大模型基本原理

• 用初中数学理解LLM工作原理 /49
• 从头理解与编码LLM的自注意力机制 /78
• 揭示LLM采样过程 /112
• 50张图，直观理解混合专家（MoE）大模型 /125
• 从头构建视频生成扩散模型 /158
• 10个改变日常的大模型隐藏玩法 /174

三、大模型训练没有秘密

• LLaMA 3：大模型之战新序幕 /177
• 推算LLM训练的GPU内存需求 /190
• 揭示GPU上的批处理策略 /200
• GPU利用率背后的性能真相 /205
• LLM的浮点运算分配 /211
• 混合输入矩阵乘法的性能优化 /219
• 10倍加速LLM计算效率：消失的矩阵乘 /227
• 最大顶级数据集开源，可创建15万亿Token /240
• 70B大模型训练秘方①：数据集创建与评估 /244
• 从裸机到70B大模型②：基础设施设置与脚本 /270
• 70B大模型训练秘方③：1000次超参数优化实验的发现 /289
• ChatGPT负责人John Schulman：大模型的升级秘诀 /303

四、大模型“第二增长曲线”：推理

• 生成式AI的新战场：逻辑推断与推理计算 /318
• LLM逻辑推演策略选择：推理时计算 vs 训练时计算 /330
• 探索LLM推理的吞吐、时延及成本空间 /345
• 从零实现极速LLM推理 /363
• LLM推理入门指南①：文本生成的初始化与解码阶段 /402
• LLM推理入门指南②：深入解析KV缓存 /408
• LLM推理入门指南③：剖析模型性能 /429
• LLM推理加速指南 /442
• LLM Serving 有效吞吐量的最大化实现 /480
• 如何准确且可解释地评估大模型量化效果？ /491
• LLM量化效果评估：50万次实测后的发现 /502
• Stable Diffusion XL 优化终极指南 /510

五、AI 芯片变局

• 2美元/小时出租H100：GPU泡沫破灭前夜 /585
• 终极GPU互联技术探索：消失的内存墙 /600
• Cerebras：挑战英伟达，全球最快AI推理芯片的“魔法” /614
• 比GPU快20倍？d-Matrix推理性价比分析 /624
• AI半导体技术、市场与未来 /630
• AI数据中心历史、技术与关键企业 /642

六、生成式AI产品构建

• 大模型产品化第一年：战术、运营与战略 /658
• OpenAI停服，国产大模型免费用！开发者Token自由实现了 /691
• LLM长上下文RAG能力实测：GPT-o1 vs 쌍둥이자리 /699
• 大模型成本效益对比：DeepSeek 2.5 VS Claude 3.5 Sonnet VS GPT-4o /712
• 10倍工程师的高效编码工具：Cursor x SiliconCloud /718
• 比肩Midjourney-v6，没有GPU也能跑可图Kolors /723
• AI搜索Perplexity的产品构建之道 /728
• NotebookLM爆火背后：AI原生产品的核心洞察与创新 /739
• OpenAI的组织形态、决策机制与产品构建 /750
• 拆解生成式AI平台：基础组件、功能及实现 /761
• 从通才到专家：AI系统向复合AI的演变 /786

七、生成式AI产业分析

• 开源AI背后的商业密码 /792
• AI市场的资本谜团与流向 /805
• 生成式AI产业经济学：价值分配与利润结构 /819
• 企业生成式AI最新调查：AI支出激增6倍，多模型部署盛行 /829
• 生成式AI推理技术、市场与未来 /842
• 生成式AI推理企业的市场机遇、竞争与未来 /855
• AI不是另一场“互联网泡沫” /864
• 红杉资本2025年AI三大展望 /878

八、AGI的挑战与未来

• AI Scaling的神话 /884
• 大模型的规模扩展是否可持续 /891
• GenAI的“关键一跃”：推理与知识 /904
• LLM逻辑推理的枷锁与破局策略 /924
• 再谈 LLM逻辑推理的三大谬误 /930
• 强化学习之父Richard Sutton：AGI研究的下一个范式 /937
• 强化学习之父Richard Sutton：通往AGI的另一种可能 /949

https://siliconflow.feishu.cn/file/OSZtbnfYQoa4nBxuQ7Kcwpjwnpf