OpenAI在2020年5月发布了GPT-3的论文，而在2022年2月1日，GPT3.5也随之问世。国内对大模型的热情似乎从22年的12月开始高涨。对我个人而言，从我首次打开GPT3.5的对话页面到现在，已经过去了九个月。在此，我想分享一下我对大模型的一些想法。

首先，大语言模型到底改变了什么？或者说，AI改变了什么？我认为最明显的变化有两点：一是解决问题的成本大大降低，二是学习的成本显著减少。从学习的角度看，由于公司业务的快速变更，我在短短不到两年的时间里经历了部门调整和岗位调整，因此在技术方向上也需要做出相应的调整。

我最初在学校时学习的是C语言，开发了一些如贪吃蛇和扫雷等控制台小游戏。后来我学习了数据结构和Linux操作系统，然后学习了Java以开发后端服务。在熟练掌握Java的基础上，我开始学习Android原生开发。除了C语言、操作系统和计算机网络这些需要系统学习的课程，我大部分的学习都是通过观看在线视频教程完成的，因为当时网络上的视频教程资源丰富，知识点也相当系统和完整。

然而，如果我现在要学习这些基础内容，只需要阅读好的教材并利用大模型就足够了。为什么我还要强调阅读书籍的重要性呢？因为书籍的内容是系统的，有条理的（前提是书籍的质量好，现在计算机类的劣质书籍还是相当多的）。结合大模型的问题解答和代码示例，学习效率非常高。计算机科学或工程是一种验证成本非常低的学科，只需要几行代码就能验证你的学习成果或想法。

在经历了公司架构调整和业务变革后，我从一名Android开发者转变为Unity开发者，虽然大方向没有变，但是很多思想可以直接应用，比如我将RecycleView的复用逻辑用于Unity，实现了Unity版本的RecycleView。基于LRU算法的图片缓存同样适用于Unity中模型加载切换的缓存策略。

在转向Unity开发后，我系统地学习了Unity开发，并在网络上观看了许多课程，其中包括Unity中文课堂的一些独立开发者的课程，这些课程的质量非常高。然而，随着我对Unity基础开发的熟练，问题也随之增多，我发现这些问题的主要原因在于我对某些概念的理解不够深入。

对我来说，概念的理解非常重要。当我遇到问题去搜索答案的时候，我可能找到了答案，答案中也有很多高赞的回答，但是如果我不理解其中的含义，那么这些答案对我来说就没有什么用。例如，如果你遇到一个关于Unity中如何优化阴影的问题，大模型可能会建议你将静态阴影与动态阴影结合使用，以在保持画面质量的同时减少动态阴影的数量，从而提高性能。但是，如果你不了解什么是动态阴影和静态阴影，那么这个建议对你来说就没有什么意义。因此，理解基础概念和原理是非常重要的。

为了更好地理解这些概念，我补习了一些计算机图形学的知识，其中有一个非常有趣的项目叫做Tinyrenderer。这个项目是用C++实现的一个软光栅化器，除了obj文件解析和image库之外，没有任何额外的库依赖。在实现这个项目的同时，我也完成了一部分该项目的翻译工作。另外，我还学习了闫令琪老师的图形学课程，其实这个课程在Bilibili上的反响非常好。

在做了大约一年的Unity开发后，可能是因为我有服务端开发的经验，我现在正在开发一个客服系统，该系统将应用大模型。因为我对大模型非常感兴趣，所以我打算在有空的时候学习其内部基本原理，以加强我对大模型的理解。目前我只知道大模型的核心是Transformer架构，但我还没有深入研究。

在经历了这些变革之后，我只能说我非常感谢科技的快速进步。大模型的庞大知识库让我的好奇心得到了充分的满足。今年4月份左右，我在工作中开始使用Github Copilot。在许多情况下，我只需要写清楚注释，代码就能自动补全。虽然在补全Lua代码的时候有些问题（比如有时会创建不存在的变量，而且在某些情况下无法进行调试，这使得找出错误变得困难），但在Python、Java和JS这些常用语言上，它的表现非常好，可以说是提高了我的生产力。

总的来说，AI在工作中给我带来的是一个随时随地可以请教的老师，一个可以随时帮我检查代码错误的工程师，以及一个不需要任何NLP知识就能使用的NLP服务。更令人惊讶的是，它的推理能力让人联想到这可能就是新时代的硅基生命。

有了大模型，我可以毫不夸张地说，在绝大多数情况下，我可以以最低的成本找到最合适的答案。回顾我学习Android、Linux系统编程、FFmpeg、软光栅化器、Flask等的经历，我觉得在大模型的帮助下，我从未有过如此快速的了解和掌握一个领域知识的途径。从这个角度看，无论对我个人还是对整个人类社会的未来，都充满了希望。