今天这篇文章就把我和创投机构谈到的一些关于AI创业方向的一些关键思考进行整理，重点体现在如下三点，供大家参考。

1、 卷底层模型还是卷上层场景？

第一个点就是，对于AI创业团队，你不要太去内卷底层的技术，底层的大模型，而是更多的应该把它重心放在上层的AI智能体应用上面。

有些创业团队可能会感觉我的技术底层很牛，但是你要去做底层的大模型，包括你做大模型算法的一些优化，其实会花费你大量的成本和较长的一个时间周期。

在年后DeepSeek大火以后，可能会给大家一个错觉就是做底层大模型或算法优化并不是太难。但是实际这个事情仍然具备相当大的难度，即使是站在巨人的肩膀上，你也需要大量的时间的积累，成本和人员的投入。包括大家看到DeepSeek火了，实际对于幻方团队本身在这个方向就已经有相当长时间的算法和技术的积累。

而且，你如果将重心放在做底层模型或算法优化，你面对的都是巨头们的竞争。比如你在做通用模型，别人已经在做深度推理模型。你做出了R1版本，可能类似DeepSeek已经发布最新的R2版本。你一直走在追赶，实际很难超越。而且你会发现你大量前期的技术研究成果，到了后面往往一钱不值。

所以你不要去内卷底层的模型，你更多的应该去做上层的面向行业的AI智能体应用，但是这个就需要你对某一个行业某一个细分的业务领域有深刻的洞察。

也就是要做好AI智能体或AI应用也没有这么简单，这个难点根本不在智能体开发等技术方面，真正难的是你要有懂某个行业，懂细分业务领域的业务专家跟你一起来做这个AI应用。只有这样你才能够把业务专家很多原来历史的经验高度的浓缩到你的智能体应用里面去，这是我想说的第一个关键点。

2、数据训练-公开数据还是私有数据

第二个关键点就是AI创业在选择相关的产品或者是方向的时候，一定要选择你在互联网能够很容易获取到数据，去做你模型训练和调优的方向，而不是要太去找太多获取数据很困难的细分行业的私有数据方向。

类似于医疗行业，类似于政务行业，交通大数据这些行业。其实这些行业本身它对于人工智能的应用的需求也相当广，但是这个往往不是AI创业团队比较好的方向选择。

因为这些方向你要去获取到这些私有数据相当的困难，你获取不到私有数据，你就很难对模型进行很深刻的预训练或者是调优，反而是类似于我们经常说的，类似于上市公司它本身的财务报表分析，类似于我们说智能教育方面的智智能的一些课件的生成制作，这反而是一些好的方向。

因为你要获取这一些公有的数据相对来说容易很多，在我们方向选择完了以后，我们更要意识到，我们有时候又在谈大模型，有这有时候又在谈上层的智能体。大模型往往是底层的骨架，而智能体本身才是上层的血和肉，我需要的不是简单的底层骨架，而是我是需要有一个有血有肉的这么一个东西。你如果开发智能体只是简单套壳，那跟一个类似皮包骨头的人站在你面前有啥区别？

这也是我谈到的第二个关键点，即要做出好的AI智能体或面向垂直行业的AI应用，除了业务专家外，你还需要方便的能从互联网获取到数据，通过数据去训练你的应用，将训练出来的规则经验融入到智能体里面，作为智能体外挂的核心知识库。

3、 方向选择-究竟是蓝海好还是红海好？

第三个关键点就是我们很多时候AI创业，老是想去找一些新的方向新的蓝海，但是很多时候原来竞争比较激烈的红海，有可能反而是你可以去关注的方向。因为如果这个这个细分的方向是红海，至少说明这个细分的方向别人已经帮你探明道路了，它是有极大的市场空间和市场需求的。

那么在这些红海方向，你仍然可以把一件事情做到极致，类似于我原来经常讲过的一个例子。

比如说自然语言查询ChatBI这么一个方向，包括去年6月份我到华为松山湖去开相关的华为云的大会也在讲，华为也有类似的自然语言转SQL的这么一些产品，但是准确度可能只有90%。

还有类似于我们在生产制造领域，我们去做生产数据的质量分析和缺陷预测，现在也有大量采用了AI大模型的，但是准确度可能只有85%。

那么如果在这些细分的行业，细分的方向，你能够把准确度做到95%或者是99%，让他足够的可以去商用，那么这个产品仍然是具备相当大的意义和市场推广的价值。

所以究竟选择蓝海还是红海，一定要结合实际情况具体问题具体分析。如果自认为自己技术足够牛，反而选择已经经过市场验证的红海市场反而更加容易出成果，并快速推广。

好了，关于今天要谈的关于AI创业方面的三点建议就分享到这里。

4、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。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

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。

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】