本文分享了AI开发者“社恐杨老师”的真实故事他35岁从化学工程转向AI领域通过自学补齐机器学习底层数学并成功将AI技术落地企业真实场景。文章核心内容包括从AI 1.0到AI 2.0技术会变但“寻找有效需求”是长期不变的锚企业AI落地不只是“能不能上AI”而是要审慎评估边界和容错率Vibe Coding时代的开发者更需要重新定义自己不要把自己工具化。此外杨老师还分享了他在开源社区中的经验以及如何通过微调和模型优化实现企业AI落地。文章强调AI虽强但需求分析、顶层设计和责任决策仍需人来完成。这一期我邀请到杨老师他的id社恐杨老师相信不少开发者朋友都知道。在我心里他不仅擅长把 AI 技术落到企业的真实场景里愿意持续折腾各种工程实践同时也是一位长期投入社区、乐于贡献的开发者。他组建过 ComfyUI、Flux、RAG 等社群在群里总能看到他耐心帮大家排查问题、提供思路。更让我印象深的是后来深入聊才知道他并非科班出身35 岁才开始转向 AI却把机器学习的底层数学补得非常扎实再后来走进企业 AI 落地一线他也形成了更工程、更现实的视角反复追问“什么值得上 AI什么必须更慎重。”你将会在这一期里收获三点从 AI 1.0 到 AI 2.0技术会变但“寻找有效需求”是长期不变的锚。企业落地不只是“能不能上 AI”而是“在哪个环节上、上到什么程度”。Vibe Coding 时代的开发者更需要重新定义自己别把自己工具化。35 岁转AI为什么转向 AI我完完全全和大家印象中那种开发者、资深程序员不是一回事。我可能第一次也跟你讲。我所学的专业其实跟 AI 一毛钱关系都没有。我是学化学工程的。毕业以后一直在外企里面从技术工程师再到后面越做越往前报告审核员、销售、销售主管……基本上岗位都做遍了。当时做的行业是检测认证接触的全是生产制造业企业。做久了就觉得这个行业不是我真正想做的一方面本身个人兴趣并不在此另一个方面说得直白一点就是职业天花板很明显有点做不下去了。最早接触到“跟 AI 相关”的是什么我最早接触到跟 AI 相关的东西其实是在外企里。当时有一家欧洲企业要做供应链管理品牌我就不说具体名字了他们会把供应商每一个部件、每一年的残次品率做成非常细的数据表格。然后每年评估明年要不要把这家供应商留在名单里。那时候我第一次意识到原来数据有这么强的能力。国际顶尖品牌会用数据来说话尽量避免“人情世故”或者非理性因素影响判断。创业受挫开始接触机器学习后来我跟校友朋友赶上 17、18 年那波创业热潮。我亲眼见过有人拿着项目计划书、PPT就能融到大几百万。但很明显的一点是平台成功不代表个人成功。很多时候你是借着平台资源在做事“好风凭借力”。你一离开平台短板就会暴露。很自然的我跟我的创业伙伴撞得头破血流。创业不顺的时候人总想找个新方向。出发点其实很简单先把我当时创业过程中负责的营销数据分析做好。因为我当时在外企经历过就是我刚刚提到的欧洲企业做供应链管理的方式我就想说那么大的企业是靠这种方式成功的那它里面一定是有些技术背景的那我作为一个理工科出身的对于这种技术方向的探索我个人是比较愿意的所以那个时候开始接触了机器学习。学机器学习手动推导数学公式从数据分析到机器学习是怎么“顺着走过去”的从数据分析到机器学习是很自然的过程。我当时把大学里丢掉的微积分、概率论、线性代数都重新捡了一遍。我学机器学习不是只看表面过程调一个 sklearn 的包就结束了而是会深入算法层。我会去推公式比如 SVM支持向量机的推导过程很复杂还有凸优化信息论等等这种很多本科没接触过的数学理论我也都自学了一遍。你为什么会把它学得这么深我觉得这条路其实不应该被别人模仿也很难复制。原因是我学这个东西没什么功利性——不是为了找工作、谋职业也不是为了毕业。我纯粹是因为之前工作和创业经历想给自己的人生寻找一个新的方向。当然创业失败对我自信心的打击很大所以当时一头扎进去学机器学习、深度学习。用一个时髦词就是“换个活法”想证明一下“我也行”。我还写了很详细的学习笔记连代码、原理、案例和自己的理解都放在一起。当时的出发点也很单纯学数据分析能明显意识到这个技术无论是对营销还是管理非常有用那么先学了再说。AI 1.0 到 AI 2.0变的是技术不变的是需求AI 1.0 跟 AI 2.0 各自会让你觉得好玩、兴奋的点在哪我可能跟刚入职场的小朋友不太一样。我经历过互联网不同时代所以我更关心一个问题技术趋势每年都在变那不变的东西是什么我觉得有一个点永远不会变寻找有效需求。不管 AI 1.0、AI 2.0 还是 AI 3.0你所有技术都是为了生产服务的——生产内容也好、生产产品也好。人们头痛的点一直存在。那我们应该怎么理解“追热点”和“抓需求”的关系如果你一直定位在追最新技术上你会焦虑永远感觉自己被甩在后面。但如果你透过现象看本质哪些技术能解决哪类问题你就不焦虑。我经常用一个类比**“从原来的用马车拉东西变成用火车拉东西到用电车拉东西最后结果都是拉东西。”**方式变了本质没变。企业 AI 落地边界与“审慎评估”做企业 AI 落地有没有总结出一个有效工程框架 这个不太好谈因为不同企业、不同类型企业的需求和生产要求千差万别。 我会把它粗分成两类 * 实体经济生产制造业要的是安全、稳定、可靠 * 信息行业券商、保险、银行、律所等投入产出多是文字/文件很多时候是信息流 实体经济里AI 的很多优点进来会变成不可控的缺点你希望它稳定输出但它不能稳定输出你要它有创造力又要它不胡说八道——这本身就矛盾。 而在信息流高度密集的行业里比如金融机构投资机构以及法律教育等场景下以 LLM 为代表的AI 范式中模型的本质是一种“原生生产力工具”。这里的核心逻辑是输入是文字/数据输出也是文字/决策。中间的转换成本极低且容错率相比于控制机械臂稍高或者说Human-in-the-loop人在回路的修正成本更低。什么决定企业AI落地的边界我给一个词叫“审慎评估”。企业 AI 应用落地之前对容错率的评估至关重要一些容错率特别低的场景我经常拿医生举例比如你做对 100 次手术也不会出名但手术错一次就可能导致一世英名尽毁。因此项目开始之前都需要针对落地场景做严格的审慎评估。如果企业内部人员对 AI 技术了解不深而帮助企业 AI 落地的开发人员对业务场景和业务知识了解不够深入的话很容易进入一种螺旋认知错误的陷阱。具体来说就是企业层的业务人员在效果不好的时候会觉得大模型很傻不理解业务。而开发人员会觉得模型能力没问题而是业务逻辑过于隐性Implicit Knowledge没有被结构化地表达出来或者业务提供的数据本身就充满了噪音和矛盾神仙来了也算不准。这正是**企业 AI 落地的边界所在**所以 AI 的引入要先设计清楚哪些环节能引入哪些环节不能引入哪些环节必须人做 reviewerAI 可以辅助但不能参与决策环节要提前规划。你觉得当下最能提效的是什么毫无疑问。“目前来说落地效果最好、最提效、最让人有 Aha Moment 的感受就是 Vibe coding没有其他。”像 IDE 加强编程模型的组合比如在 IDE 里更高效地写/改/读代码对大多数从业者来说提效非常直接。所以当做企业 AI 落地场景时我们首先应该思考哪些场景是可以用 coding 的方式来解决的然后通过 vibe coding 快速做 POC 原型验证用最小成本最快速的方式把能用编程解决的问题先解决掉。然后再结合其他工具/方案来解决了AI 应用落地最后一公里的硬骨头。一个代表性案例财务报表结构化流水线能分享一个企业落地里印象深刻的 case 吗我分享一个很代表性的 case财务报表。正规企业每年要做审计报告要盖章、法人和财务签字文件才有法律效力。所以你看到的往往是复杂表格、印章、甚至手写内容——这种文件形态和企业内部结构化数据不一样。AI 在这条链路里怎么参与很多时候你要投融资、风控或对标分析光看文件看不出太多问题。你得把它做成结构化数据不止一年可能两年三年。然后还要对这些结构化数据做合理分析尤其是与行业内竞对做对比再形成评审意见最后给专业的人 review才能形成最终意见。落地场景的一条流水线我把这条流水线整理成一个可复用的 SOP步骤输入AI 负责人负责输出1. 文档采集扫描件/PDF/图片预处理、版面识别口径/范围/合规可解析文档集2. OCR 提取图像/扫描件OCR 识别文本/表格抽检、纠错策略初始字段/文本3. 结构化OCR 结果字段抽取、映射字段标准、抽样校验结构化数据表4. 分析对标结构化数据 对标数据指标计算、草稿分析口径设定、重点判断分析草稿5. 人工复核草稿辅助补充说明review、签字背书可交付报告微调与模型策略告别“大而全”走向“垂直”落地过程用开源还是闭源我直说**“纯开源是解决不了我说那些问题的。”**更现实的方式是在开源模型基础上拿私有数据做微调和优化只针对某几个场景把活干好就很有价值。我们 2023 年聊微调和现在聊微调有什么变化最大的变化是认知洗牌。23 年早期我们期待拿一个大而全的通用模型微调后既保持通用能力又能把特定场景做得很好。但 2025 年再看我觉得那更像不切实际的幻想。微调难点不只是技术而是你要得到预期效果很难数据来源和数据分布就很头痛。我现在更关心的是为什么一定要追求大而全就拿 OCR 来说看似垂直但场景很泛体检报告、银行流水、上市公司财务报表、论文图片表格、杂志分栏……如果你想全覆盖代价会非常高。我更倾向在我的业务场景下把一个单向任务做好——比如“把非结构化变成结构化”——剩下复杂分析可以调更强的模型去接力解决。给开发者与社区别把自己工具化为什么愿意在社区里帮新人背后的动力是两方面。第一我是半路出家35 岁学AI我很清楚非科班的人想跳进这个领域有多难。我能理解新手面对问题手足无措不知道问谁、不知道怎么问、甚至不知道问题存不存在。第二我从开源社区受益很多开源课程、GitHub 上大神的内容、知识库……让我从一个非技术人员完成转型。感受过开源社区内别人的温暖当自己有能力的时候就自然而然的会想做一些回馈。AI 很强但为什么还是强调“要自己动手”AI 确实很强很多问题问模型能解决。但我反对一种风气什么都不动手只靠问。无论教程还是文档都要自己摸索一遍bug 要踩一遍你才知道背后的原理下次怎么避免。我特别在意一个东西你的感觉。“你的感觉很重要这东西是 AI 带不来的。”Vibe coding 时代开发者最需要的到底是什么我更愿意把它讲成“变与不变”。技术在变外部 coding 工具也会变模型越来越强。但有两个不变的提醒AI 看不到需求。需求分析、顶层设计、落地框架还是要人来构建。不要把人变成工具。哪些事情做不到、哪些事情不应该让 AI 做尤其是承担责任的决策位。我最后想把这句话原样放在这里“所谓码农这个词就是把人工具化了……就不要把人变成工具这点很重要。”最让我印象深刻的是……杨老师最打动我的深入学习并不一定要“功利驱动”有时候反而是把自己从挫败里拉出来的一种方式。而当你真的把底层理解补上你会发现自己面对新技术时不再恐惧因为你知道它只是换了一种方式在解决问题。同样重要的是他把“企业落地”说得足够现实在容错率低的场景里AI 不是不能用而是必须先设计边界——哪些是 AI 的能力位哪些是人必须承担责任的位置。最后我也很喜欢他对社区的定义温暖不是靠口号堆出来的而是一群人真实地踩过坑、受过帮助、再把帮助传递出去。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段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…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】