我对 AI 的一点基础认识(一):AI 开发可以再分两层
写在前面 这是一篇"主观认识"系列的开篇。我是一个做了十年游戏 / 客户端开发的工程师,今年才开始认真碰 AI,水平大致在"能调 API、看得懂科普、论文还吃力"的初级阶段。 这个系列不追求严谨,也不打算教别人什么——只是把我自己对 AI 的一些粗浅但真实的认识记下来,既是梳理,也方便以后回看自己当时有多 naive。 第一篇,先聊一个对我来说很重要的"分法":把"AI 开发"再拆成两层。 一、AI 开发可以再分两层:算法侧 vs 应用侧 概念:我以前把"做 AI"想简单了 很长一段时间里,我默认"做 AI" ≈ “训练模型”。直到自己真上手去用 AI 做事,才发现这个词底下其实藏着两条几乎不相交的路: AI 算法(模型侧 / Algorithm side):研究怎么"造出那个会思考 / 会生成的东西本身"。它关心模型架构、训练、微调、推理优化、底层框架(PyTorch / JAX 那一套)、数据和数学。这一侧的产出物是"模型 / 能力"。 AI 应用开发(工程侧 / Application side):拿到现成的、或别人微调好的模型,把它真正塞进产品和工作流里用起来。它关心 API 调用、Prompt 工程、RAG、Agent 编排、向量数据库、评估与线上监控。这一侧的产出物是"能用的功能 / 产品"。 🔧 技术校准(AI 专家视角):这个二分法在业界有对应的说法。研究 / 模型侧常叫 ML Research / Deep Learning;把模型落地成系统的那一侧,近年被 Chip Huyen 等人明确称为 AI Engineering,也叫 Applied ML / ML Engineering。需要注意:两层之间并没有一道墙——微调(fine-tuning)、MLOps、模型压缩这些恰好卡在中间,所以"算法"和"应用"更像光谱的两端,而不是非黑即白。 对比:两条路的难度维度根本不同 AI 算法(模型侧) AI 应用开发(工程侧) 像什么 科研:深、窄、靠硬功 工程:广、快、靠整合 核心门槛 懂模型、懂数学 / 系统 懂产品、懂怎么把模型用出价值 周期 长,迭代慢 短,能快速出 demo 我的位置 门外,只浅尝过 正在摸门 我自己是游戏 / 客户端工程师出身,天然更靠近应用侧:我不需要从零训一个大模型,但我能用"API + RAG"很快把一个知识库变成能对话的东西。一度我因此产生一种错觉——“原来我也能做 AI 了”。后来才意识到,我做的只是应用侧里很薄的一层。 ...