不知道李彦宏现在心情如何。
就在他公开表示 “ 开源模型会越来越落后 ” 的 3 天后，活菩萨小扎慢悠悠地登场了。
丝毫不给面子，以一己之力掀翻了桌子。
就在今天凌晨， Meta 正式发布了全新的 Llama 3 模型，还一次上新了 8B 和 70B 两个参数版本。
它的训练数据集比 Llama 2 整整大了 7 倍，达到了 15T ，容量也是上一代的两倍，支持 8K 上下文长度。
目前，它们已经接入了 Meta 最新发布的智能助手 Meta AI 中，所有人都可以免费使用。
这两个模型同样全面开源，开发者可以免费下载，并且用于商用。（ 不过要注意的是，如果 MAU 超过 7 亿，你得申请特殊商业许可 ）
小扎这是誓死要在开源这条路上，一条道走到黑了。
当然更炸裂的是 Llama 3 的实力除了稳居开源大模型榜首外，甚至还能在一定程度上，薄纱 Gemini Pro 1.5 、 Claude 3 Sonnet 等处于第一梯队的闭源大模型。
有网友更新了一份现有大模型的能力和参数对应表，能看到 Llama 3 的两个模型的表现都相当亮眼。
这，可以说是给大模型的开源派大涨了一波士气。
反正消息一出炉，开源社区立马就沸腾了，各种梗图满天飞，感谢着小扎又带兄弟们冲了一次。
不过，世超觉得既然模型已经上线了，看再多的技术细节和跑分数据，都不如咱们亲自上手试试。
稍微有些可惜的是，目前发出的这两个版本，还没有办法支持中文输出。
也暂时只有文字对话和画图这两个简单的功能。在各家多模态打磨得出神入化的现在，多少有点 OUT 了。
不过好在这次 Meta 的图片输出，有一个挺新奇的功能。我们在聊天框里输入文字，不需要发送， Llama 3 就会实时根据内容生成图像。
比如我分几次在对话框输入了【 一只猫在睡觉、跳舞和跳跃 】，就能看到屏幕上生成的图片内容在跟着实时变化。
到了文字输出这边，惊喜度就不高了。
既然它在测试中，说自己在编程、多选题等等方面，都赶超 Claude 3 的中型版本，咱也着重测了测这方面的虚实。
世超测了很多题，这里就只放出两边有差别的地方。
比如简单的逻辑推理：我今天有 3 个苹果，昨天吃了一个，今天还剩几个？
Llama 3 完全没有压力，轻松驾驭。
但同样的题抛给 Claude 3 ，却被完全绕进去了。
不过，后面世超后面简单测了几道代码能力，反而 Claude 3 的表现更让人惊艳。
世超要求 Llama 3 给我做两个简单的 html 小游戏。
结果，做出的贪吃蛇和打砖块游戏，都没有办法正常运行。游戏还没有开始，就显示 Game Over 了。
但 Claude 3 这边做的，虽说有点小瑕疵，游戏重新开始之后，分数不会刷新。但除此之外都很完美，游戏能有正常运行。
而且生成速度巨快，几秒钟就做出来。上一次见到这个速度的，还是 GPT-4 。
而在后面的开放题， Llama 3 则又马上扳回了一城。
世超给了一个开放性的问题：类人机器人的未来会是什么样子？
几个字的小问题， Llama 3 按照短期、中期和远期，三个阶段来分点构思了一下可能性。
由于篇幅限制，这里只截取了短期
Claude 3 这边就有些中规中矩了，跟上面分时间、分点罗列的优等生比，逊色不少。
整体测试下来，Llama 3 和闭源的 Claude 3 基本打得有来有回，甚至一些方面小胜。
但如果只能做到这个程度， Meta 这次更新根本没法在圈子里掀起这么大风浪。
这俩模型并不是重头戏，真正牛叉的地方，是官网里提到的一个信息：400B+ 参数级的 Llama 3 正在训练准备中了。
从纸面的各项数据上看，它各方面都强得可怕。
Llama 的产品副总裁 Ragavan Srinivasan 在一次采访中说，这个版本可以媲美同类的一流专业模型。
不仅做到媲美，很多功能表现，还要强过 Claude 3 的超大杯版本和 GPT-4 。
虽说 Meta 认为还要评估一下安全性，再决定开不开源，但消息一出，业内早已经开始狂欢了。
因为开源社区的人，或许不用等着 OpenAI 重拾初心，就能到调教、魔改上GPT-4 级别的模型了。
英伟达科学家直接就发文说，小扎这个 400B+ 的模型，将会是行业的一个分水岭，会改变很多公司和研究的未来。
刚好今天过生日的前百度首席科学家、谷歌大脑之父吴恩达，也说 Meta 这次更新，是他有史以来收到过最好的生日礼物。
可想而知， Llama 3 给行业带来的震撼。
目前，这个 400B+ 的终极版本预计将会在夏天发布。
OpenAI 再不发力，Llama 3 为代表的开源大模型，彻底超车闭源大模型的历史时刻，可能真的就要来临了。
而早在 Llama 3 发布之前，大模型是开源牛，还是闭源好的问题，其实早就吵得不可开交了。
两边阵营都不缺大佬，李彦宏所说的， “ 开源模型会越来越落后 ” ，世超觉得逻辑上是很自洽的。
因为闭源公司有成熟的商业模式，有更多的资金和人力砸进去搞研究，自己辛苦研发的成果，也可以得到保护。简而言之就是能赚钱，能赚钱才能聚集算力、聚集人才。
反观很多开源模型，不仅商业模式还在探索中，有的也都是零零散散的小规模产品。
月之暗面的杨植麟就曾发表过类似的观点，说是大部分基于开源大模型的应用，没有经过大算力的验证，它们在性能的稳定性、未来的可扩展性都不好说。
而支持开源的这一派，世超同样也觉得不无道理。朱啸虎曾经表达过一个看法，闭源现在确实领先于开源，但开源模型最终会追上。
“OpenAI 就一两百个工程师，开源的全世界几百万、几千万工程师在用，怎么可能一直比非开源的落后？ ”
开源社区用了一年时间，就超过了 GPT-3.5 ，现在已经来到 GPT-4 水平。而现在 Llama 3 等模型的大力赶超，正在不断验证这句话。
比尔盖茨早年间，曾经公开吐槽过 Linux 系统。觉得它从商业上来看根本不可行，既不能保护自己的知识产权，又没法赚取收入来搞研发，最多就是个半吊子。
《 乔布斯传 》中也提到过，乔布斯也怒喷过隔壁安卓就是 shit ，认为它的开源给它带来各种麻烦。
最后这俩超级大佬都被打脸了。。。甚至比尔盖茨后来公开承认微软在偷学 Linux ，安卓也丝毫不比 iOS 差。
而世超觉得，很可能大模型的开源闭源之间，根本就不是你死我活、不是谁强谁就一定弱。
就比如谷歌，基本就是两手抓，既有闭源的 Gemini ，也有开源的 Gemma 。曾靠开源出圈的 Mistral 在拿了微软投资之后，它的 Mistral Large 也不再对外开源。
所以开源和闭源很可能只是路线之别，哪有啥对错，只是有合适与否。
而唯一能确定就是，甭管你是开源还是闭源，烧钱都是逃不开的，无论是 OpenAI 背后的微软，还是 Llama 背后的 Meta ，亦或是国内的 BAT ，大模型的战场还是这帮顶级资本之间的斗争。
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。