《AI工程》强调，在基础模型时代，工程能力比模型本身更重要，AI 工程是一门系统工程。
原文标题：前英伟达工程师 Chip Huyen ：当模型不再稀缺，工程能力才是真正的分水岭
原文作者：图灵编辑部
冷月清谈：
怜星夜思：
2、文章提到 Prompt Engineering 和 RAG 技术，你认为 Prompt Engineering 在实际应用中最大的挑战是什么？RAG 如何弥补大型语言模型的不足？
3、文章提到评估生成式 AI 的挑战，你认为目前有哪些可行的评估方法？如何构建更贴近真实使用场景的评估体系？
原文内容
在生成式 AI 成为行业基础设施的今天，关于如何把 AI 真正用起来的问题，已经比如何训练一个更大的模型更为迫切。
前英伟达工程师 Chip Huyen 的《AI工程》，正是在这样背景下出现的一本书。与其说它是一本讲 AI 技术的书，不如说它是在为一个正在成形的新工程范式正名——AI Engineering。
在很长一段时间里，AI 工程几乎等同于机器学习工程：数据收集、特征工程、模型训练、评估、部署，一套流程高度依赖专业团队和重型基础设施。
而 Huyen 明确指出，这套逻辑正在被打破。
在基础模型（foundation models）普及之后，AI 应用的核心工作不再是训练模型，而是如何适配、组合、评估并部署已经存在的强大模型。工程师面对的，不是一个需要从零开始学习的函数逼近问题，而是一个需要被精细调教的复杂系统。
这正是《AI工程》的立场所在：“AI 工程不是传统机器学习工程的延伸，而是一门在实践层面已经发生质变的新学科。”
基础模型的意义，并不只在于它们更大、更强，而在于它们具备跨任务泛化能力。一个模型，可以同时用于问答、总结、代码生成、信息抽取，甚至跨模态任务。
更重要的是，这些模型通常以 API 形式存在。
这意味着，AI 能力第一次从研究机构与大型公司专属，变成了任何开发者都可以调用的公共能力。AI 工程的门槛由此被显著降低，小团队甚至个人，也能构建具备相当复杂度的 AI 应用。
Huyen 清醒地意识到：“当模型不再稀缺，工程能力才是真正的分水岭。”
《AI工程》一书中反复强调的一点是：“AI 应用失败，往往不是因为模型不够好，而是因为系统设计不成熟。”
因此，书中大量篇幅并不集中在模型结构或训练细节上，而是讨论以下问题：
-
如何通过 Prompt Engineering 精确引导模型行为
-
如何用 RAG（检索增强生成） 弥补模型知识边界
-
在什么情况下才值得进行 Finetuning
-
如何评估生成模型，而不仅仅是计算准确率
-
如何控制推理延迟与成本，使系统可持续运行
这些内容共同指向一个事实——AI 工程是一门系统工程，而不是算法竞赛。
在评估问题上，Huyen 的态度尤为务实。
她明确指出，传统机器学习中常用的指标，在生成式模型面前往往失效。一个回答可能语法完美、逻辑顺畅，却完全是幻觉。
因此，AI 工程必须建立更贴近真实使用场景的评估体系，包括功能正确性、相似度、人类反馈以及成本与延迟等现实约束。
这部分内容，或许不是最炫技的，但却是整本书中最具工程价值的部分之一。
《AI工程》的目标读者非常明确：
-
已经在使用或准备使用大模型的工程师
-
希望将生成式 AI 投入生产环境的技术团队
-
需要理解 AI 系统整体逻辑的产品与技术负责人
对于完全没有机器学习背景的读者来说，书中部分章节（如微调与数据工程）仍然存在一定门槛。但对于知道模型是什么，却不知道如何把它变成产品的人而言，这本书提供的，正是长期缺失的那块拼图。
如果说过去十年的 AI 书籍，主要在回答模型如何变得更聪明，那么《AI工程》关注的，是另一个更现实的问题：“当模型已经足够聪明，我们该如何负责任、稳定、可持续地使用它？”
在基础模型成为默认选项的时代，这本书不仅是一本技术读物，更是一份关于 AI 工程思维方式的宣言。
