人工智能大行其道对我们编程人员有哪些影响，有了人工智能我们还需要掌握、理解和记忆编程的知识和技能吗？
现在流行的 deepseek，各种多模态大模型与传统的机器学习和深度学习（sklearn 和 pytorch）是一回事吗？
相关帖子
-
- 其他回帖
-
✅ 对的
1. 技术定位的本质差异
- PyTorch/TensorFlow/scikit-learn 是「工业级工具链」
→ 相当于汽车制造厂的机床和生产线
→ 提供基础算法模块和计算框架
→ 需要开发者自行设计模型架构和训练流程 - DeepSeek/GPT/Claude 是「工业化产品」
→ 相当于已经组装好的智能汽车
→ 提供开箱即用的推理能力
→ 内部封装了数十亿参数的预训练模型
或者
- PyTorch 和 sklearn ：类似于厨房里的刀具、锅碗瓢盆等工具，你可以用它们做出任何菜肴。
- DeepSeek ：类似于已经做好的一道菜（比如红烧肉），你只需要加热或直接食用即可，不需要了解它是如何制作的。
2. 技术栈的层次关系
应用层：DeepSeek等成品模型（可直接调用的API服务） ↓ 框架层：PyTorch/TensorFlow（模型研发工具包） ↓ 数学层：CUDA/BLAS（底层计算加速）这种技术分层正是 AI 工业化进程的体现：就像普通人不需要懂得内燃机原理也能开车，但汽车工程师必须精通机械设计。未来技术生态会持续向「使用层」和「研发层」两极分化发展。
以上摘自 deepseek-r1
1 回复1 操作wilsons 在 2025-04-27 18:20:51 更新了该回帖 - PyTorch/TensorFlow/scikit-learn 是「工业级工具链」
-
-
结论：
不是一回事，Deepseek 和多模态大模型代表了当前人工智能的前沿方向，而传统机器学习和深度学习是其发展的基础。
关系与联系
(1) 继承与发展
- 传统机器学习 → 深度学习：深度学习是传统机器学习的延伸和发展，解决了传统方法在特征提取和复杂任务上的局限性。
- 深度学习 → 多模态大模型：多模态大模型是深度学习的进一步发展，特别是在模型规模、训练方式和多模态处理能力上的突破。
(2) 工具层面
- sklearn 和 PyTorch：
sklearn主要用于传统机器学习任务。PyTorch是深度学习框架，可以用来构建和训练深度学习模型，包括多模态大模型。- 多模态大模型（如 Deepseek）通常基于深度学习框架（如 PyTorch 或 TensorFlow）开发。
(3) 思维模式
- 传统机器学习：以“小而精”为目标，注重模型的可解释性和效率。
- 深度学习：以“大而强”为目标，注重模型的性能和泛化能力。
- 多模态大模型：以“通用智能”为目标，注重模型的跨模态能力和多任务适应性。
总结
维度 传统机器学习 (sklearn) 深度学习 (PyTorch) 多模态大模型 (Deepseek) 模型规模 小型模型 中大型模型 超大规模模型 数据需求 少量标注数据 大量标注数据 海量无标注数据 特征提取 人工设计特征 自动提取特征 跨模态特征融合 计算资源 普通 CPU GPU/TPU 分布式计算集群 应用场景 结构化数据任务 非结构化数据任务 跨模态复杂任务 - 不是一回事：Deepseek 和多模态大模型代表了当前人工智能的前沿方向，而传统机器学习和深度学习是其发展的基础。
- 相辅相成：尽管它们在技术和应用上有显著差异，但在实际项目中可以根据需求选择合适的工具和技术。
以上摘自 Qwen
是否还需要学习
没有变成强人工智能那天，还需要学，人工智能的理解力，目前还仅相当于几岁孩子。
参考 https://pipe.b3log.org/blogs/wilsons/articles/2025/04/13/1744521917686
1 回复1 操作wilsons 在 2025-04-21 20:03:06 更新了该回帖
欢迎来到这里！
我们正在构建一个小众社区，大家在这里相互信任，以平等 • 自由 • 奔放的价值观进行分享交流。最终，希望大家能够找到与自己志同道合的伙伴，共同成长。
注册 关于