AI工程可以看作是软件工程的一个子集，但它又有很多独特的挑战。比如，模型的可解释性、数据的质量、以及模型的部署和维护等等。所以，AI工程师需要具备跨学科的知识，既要懂软件工程，又要懂AI。我觉得最重要的技能是解决问题的能力，能够把AI技术应用到实际场景中，解决用户的痛点。
我感觉吧，具身智能这玩意儿，光看书容易云里雾里。不如直接去B站搜稚晖君，看看人家怎么用代码和硬件把想法变成现实的，那个冲击力更强！
除了《百面大模型》中的知识点，面试大模型相关岗位还需要注意以下几点：
1. 关注最新技术动态： 大模型领域发展迅速，需要持续关注最新的技术进展，例如新型的模型架构、训练方法等。
2. 理解实际应用场景： 面试官可能会考察你对大模型在实际场景中应用的理解，例如如何解决特定业务问题。
3. 具备工程实践能力： 了解大模型的工程实践，例如数据处理、模型训练、部署优化等，能够体现你的综合能力。
4. 展示解决问题的能力： 面试官更看重你解决问题的思路和能力，而不是简单的知识背诵。
5. 保持积极心态： 大模型领域充满挑战，需要保持积极的学习心态和探索精神。
《走进具身智能》作为科普读物，入门没问题。想深入了解，光看书肯定不够，得上手！可以关注一些机器人相关的开源项目，比如ROS，自己搭个小车或者机械臂玩玩。另外，各大高校和研究机构也有很多具身智能相关的实验室，可以关注他们的研究成果。
个人觉得《大模型实战：生成式AI原理、方法与最佳实践》这本书挺实在的，微软的项目经理写的，感觉会比较贴近实际应用场景，可以直接拿来参考。当然，如果想更进一步，结合《AI工程》看，效果应该更好。
这个问题让我想起“知行合一”。理论和实践是硬币的两面，缺一不可。但具体到个人，应该根据自身情况有所侧重。目标是成为研究型人才，就多啃理论；目标是成为应用型人才，就多做项目。
抛开炒作的成分，具身智能的核心在于让AI真正拥有与环境交互的能力。这不仅需要算法的进步，更需要硬件的配合。我认为短期内在特定领域的应用会比较成熟，例如工业机器人、农业机器人等。至于通用型的具身智能，还需要很长时间的探索。另外，算力也是一个很大的瓶颈。
我觉得AI工程化最大的坑在于数据！数据质量不高、数据分布不一致、数据缺失等等，都会导致模型效果大打折扣。所以在AI工程中，数据清洗、数据增强、数据标注等工作至关重要。此外，还需要建立完善的数据治理体系，确保数据的安全和可靠。
要说改变生活，我觉得最直接的就是游戏体验了！以后玩VR游戏，不再是简单的手柄操作，而是通过全身的动作与游戏世界互动，想想就刺激！不过，具身智能的发展也面临很多挑战，比如如何让机器人更好地理解人类的意图，如何保证机器人的安全性等等。
我个人更倾向于理论先行。就像盖楼一样，地基不稳，楼盖不高。AI发展日新月异，各种框架和工具层出不穷，但万变不离其宗，掌握了背后的数学原理和基本概念，才能更好地理解和应用新技术，避免成为只会调包的“工具人”。数学不好？那就从《通信的数学理论》开始补起！
我觉得具身智能肯定是未来趋势之一，它让AI不再是空中楼阁，而是能真正落地解决实际问题。即使不是机器人专业的，学点具身智能也能让你在AI应用方面有更广阔的视野，比如在智能家居、自动驾驶这些领域，都能找到结合点。而且，了解机器如何感知和互动，对我们理解人与机器的关系也很有帮助。
我觉得吧，想搞大模型，那得是全栈型人才啊！底层原理得懂，像Transformer结构、Attention机制什么的，这是基础；然后还得会用框架，PyTorch、TensorFlow得溜吧？数据处理能力也重要，毕竟巧妇难为无米之炊，高质量的数据集是关键。当然，最重要的是持续学习，大模型这玩意儿更新太快了，不关注最新论文和开源项目，很快就被淘汰了！除了技术，还得关注伦理和安全，毕竟AI的伦理问题也越来越重要了。
理论和实践就像硬币的两面，缺一不可。但如果时间有限，我会先读《AI工程》之类的实践书籍，了解行业内的实际应用和技术栈。这样在学习《人工智能简史》等理论书籍时，就能更好地理解这些概念的实际意义和应用场景。毕竟，知其然，更要知其所以然嘛！
我会推荐《人工智能简史（第2版）》。了解AI的发展历程，可以更好地理解AI的本质，避免盲目跟风。而且，这本书也比较全面，可以对AI的各个领域都有一个初步的了解。
面试大模型相关的岗位，除了要掌握基础知识，更重要的是要展示你的项目经验。最好能有实际的大模型项目经验，比如参与过大模型的训练、微调、部署等等。在面试中，要清晰地描述你在项目中遇到的问题、解决方案和最终成果。这样才能让面试官相信你真的有实力。
个人觉得，面试的时候真诚最重要。不会就是不会，不要装懂。可以坦诚地说自己对某些知识点还不太熟悉，但表达出强烈的学习意愿。面试官更看重的是你的学习能力和潜力，而不是你现在掌握了多少知识。
谢邀，人在写paper，刚下飞船。纯理论研究和落地应用是AI发展的两个重要方面，但对于大部分想要求职或者转行AI的同学，还是建议优先学习《AI工程》、《大模型实战》这类能快速上手，并且在面试中能侃侃而谈的知识。当然，如果以后想成为科学家，当我没说。
同意楼上的说法！不过我更倾向于“知行合一”。理论学习不能为了学习而学习，要带着问题去学，思考理论在实践中的应用。实践也不能盲目，要用理论指导实践，不断优化和改进。比如，在做RAG的时候，不能只会套用模版，也要理解向量检索的底层原理，才能更好地解决问题。
这个问题问得好！我觉得理论和实践就像鸟之双翼，车之双轮，缺一不可。理论是指导，实践是检验，螺旋上升才能不断进步。个人而言，如果刚入门，可以先从实践入手，快速建立感性认识，然后再去啃理论，这样会更容易理解。如果已经有一定经验，那就要多补理论，避免成为只会调参的“炼丹师”。
我觉得大模型会更加“垂直化”。通用大模型虽然很强大，但在特定领域的效果还是不如人意。未来会出现更多针对特定行业或任务的大模型，比如医疗、金融、教育等等。这些垂直大模型会更加专业、精准，能更好地解决实际问题。