学习建议
初学者建议从Python + PyTorch + Jupyter组合开始，这是目前学术界和工业界最主流的技术栈，学习资源丰富，社区活跃。
1.4 AI开发生态概览
认识AI开发的技术栈与工具链
🎯 学习目标
- 了解AI开发的完整技术栈
- 熟悉主流深度学习框架
- 认识AI开发的关键工具与平台
- 理解AI开发生态的发展趋势
图：AI开发生态全景图
🏗️ AI开发技术栈
应用层
ChatGPT、Midjourney
智能客服、推荐系统
框架层
PyTorch、TensorFlow
LangChain、Transformers
计算层
CUDA、cuDNN
GPU/TPU集群
基础设施
云平台、容器化
MLOps流水线
🔥 主流深度学习框架对比
| 框架 | 开发者 | 特点 | 适用场景 |
|---|---|---|---|
| PyTorch | Meta | 动态图、易调试、学术友好 | 研究原型、快速迭代 |
| TensorFlow | 生态完善、部署方便 | 生产环境、移动端 | |
| JAX | 高性能、自动微分 | 大规模研究 | |
| PaddlePaddle | 百度 | 中文生态、工业级 | 企业应用、国产化 |
🧩 大模型开发生态
🔧 开发框架
- LangChain - LLM应用开发框架
- LlamaIndex - 数据连接框架
- Transformers - Hugging Face模型库
- Haystack - NLP pipeline框架
☁️ 云平台服务
- OpenAI API - GPT系列模型
- Azure OpenAI - 企业级部署
- AWS Bedrock - 多模型选择
- Google Vertex AI - PaLM/Gemini
🛠️ AI开发必备工具
🐍
Python
AI开发首选语言，丰富的库生态
📓
Jupyter
交互式开发环境，可视化调试
🐙
Git
版本控制，协作开发必备
🐳
Docker
容器化部署，环境一致性
📊
MLflow
实验追踪，模型管理
🤗
Hugging Face
模型仓库，开源社区
💡
📈 开源大模型生态
| 模型 | 开发者 | 参数规模 | 开源协议 |
|---|---|---|---|
| Llama 3 | Meta | 8B/70B | Llama License |
| Mistral | Mistral AI | 7B/8x7B | Apache 2.0 |
| Qwen | 阿里巴巴 | 7B-72B | Tongyi Qianwen |
| ChatGLM | 智谱AI | 6B/9B | Apache 2.0 |
| Baichuan | 百川智能 | 7B/13B | Apache 2.0 |
图：开源生态推动AI技术民主化
📝 本节小结
✅
- • AI技术栈分为应用层、框架层、计算层、基础设施四层
- • PyTorch和TensorFlow是最主流的深度学习框架
- • LangChain、Hugging Face是大模型开发的核心工具
- • 开源大模型生态正在蓬勃发展，降低AI应用门槛