时间过得真快，2024年这么快就到了。选择比努力更重要，新的一年，我们该押注哪些技术呢？
真实案例分享
先以我本人为例，16年8月之前，我一直从事的是操作系统的开发，虽然是外企，但是月薪只有9千，当时我看到自己身边的老同事，学历都很好，但工作十几年了，月薪只有两三万。
当时，国内的互联网行业发展很快，非常缺相关的程序员，特别是前端方向，作为一个新兴的岗位，非常缺学历又好经验又丰富的软件工程师。
于是我在望京图书馆看了3天的前端，并了解到react native 这个跨端技术市场上最缺，于是我又花了点时间运行了一下demo，熟悉了一下相关的文档。
准备了不到一周，开始投资简历，很容易就约到了面试，面了三家，都拿到了offer，月薪都是2万，16年9月入职，从此成为了Web应用开发人员。
然后，在19年2月入职了一家在线教育的创业公司，月薪达到了五万，而我一个关系很好的大哥，他是80年出生，本硕都是北航的，22年时，月薪才2万五，被裁员后，找不到合适工作，转行做中医推拿了。
然而从21年开始，随着国家规范互联网行业的发展和美国加息导致资本回流美国，国内企业对Web开发人员的需求大大减少，我个人的发展也达到了天花板。
因为本身前端岗位的发展上限就比较低，所以22年开始，我就参加了美团内部的兼职产品经理培训，同时关注图形学和人工智能，希望能深入某一领域的技术。
如今，我已超过35岁，不管是去上班还是创业，都只有继续紧跟技术趋势，才能保住饭碗，进而获得更好的发展机会。
23年Web技术回顾
整体看，2023年传统的前端技术几乎没啥大的突破或变革，本人之前是做操作系统的，16年转行做前端方向，就是从react native 跨端技术开始的，并且在业界，较早的实现了一套代码支持生成Android、iOS和H5三端的代码。
后来出现了小程序，mp-vue, uni-app以及flutter等跨端框架都在实际项目中使用过，22年还参与过搭建开发RN的低代码平台，如今跨端技术已经非常成熟，掌握相关技术的开发人员也非常多，薪资也降了下来。
而在传统工程提效方向，过去三年，不论是业务场景我在美团三年的前端工程化实践回顾和技术场景我在美团多个项目应用WebAssembly技术后的工程思考，从在实际工作中的竞品调研来看，也基本趋于完善，业界有大量的实践方案可以参考。
其实，从整个IT行业的视角来看，除了AI领域的大语言模型爆发外，整体都鲜有特别亮眼及突出的技术展现，前端作为细分方向，肯定也是如此。
所以，很多前端除了走向大前端，更需要走向全栈开发，才能谋取一份不错的工作，很多大公司也开始合并开发通道，就如我在从美团的开发通道合并谈谈开发的职业规划提到的，通过近几年的技术基建建设，各方向的底层技术、工具、框架和解决方案，基本趋于稳定和完善。
实现常用的功能有很多现成的教程或开源代码可以参考，不管是哪个职能方向，只要编程的基础知识技能扎实，很容易做到现学现用。
特别是在AIGC的加强下，不同职能的技术门槛在变低，业务和代码的理解门槛也变低。传统的职能(如：产品、技术，前端、后端算法)和功能的壁垒有消融的趋势，个人和团队都有机会变得更加跨功能和跨职能。
传统的软件开发通常需要开发人员手动编写代码，而大语言模型可以通过对大量文本数据的训练，自动理解人类语言中的含义和上下文，从而自动生成代码。这种模式的改变将极大地提高开发效率和开发质量，减少开发中的错误和缺陷。
大模型是工业革命一样的变革，不仅将重塑现有行业，还将基于通用智能创造出前所未有的价值。过去一年面对大模型的飞速发展，中国公司经历了恐慌期、投入期和迭代期。
新的技术突破，有可能带来全新的产品和服务。火车运输让工业革命从局部走向全国乃至全球，扩大了各种产品的市场覆盖面；汽车通过扩展人们的活动范围来扩大消费需求；智能手机则通过信息流、资金流的移动化，让人们的消费需求更容易得到满足，帮助更多产品和服务获得增量市场。
大模型的出现，恰好改善了人类与信息的互动方式，部分承担了人类大脑的作用，帮助人类更快速、更有效地吸收和理解知识，并将其运用到实际场景中，创造新的内容，进一步提高了知识传播的质量和效果。
人类对知识的处理(Knowledge Processing)有六个层次：记忆、理解、应用、分析、评价和创造。大模型在这六层的知识处理中，都能发挥一定的作用，为人类大脑提供辅助。
ChatGPT提高了能力较弱的知识工作者的产出质量和工作效率，同时也使能力较强的工作者在保证质量的同时，显著提高他们完成工作的速度。
这也意味着，人类在同等时间下可以完成更多的知识工作。或许，人类有机会把更多时间花在创意上，而把记忆、理解、应用、分析等知识工作更多地交给大模型。
相比人类的教育和知识更新速度，大模型的迭代进化速度远高于人类，因此有机会更快速地扩展人类知识的边界。
大模型的生成式方法，还在部分前沿科学领域取得了进展，例如在生物学基因工程中确定蛋白质结构，在制药行业中生成和优化药物分子，发现新的有效的药物。
人类知识处理的范式将发生转换。从学习、应用知识，到发现新知识，大模型将全面参与到各个流程中来，跟人类进行协作。
未来人类学习的知识，会有很大一部分源于生成式大模型，而不仅仅是人类自己书写的文本。因为大模型生成内容的方式依赖于训练和统计，存在不确定性，可能会对传统人类知识造成污染。
大模型使用一问一答的自然语言交互和编程模式，沿袭了从模型搭建和训练阶段就秉承的"简单即是力量"的理念，但又在形式极简的文本输入当中，利用自然语言表达的丰富性，蕴藏了无数的变化。
人类通过自然语言跟模型之间进行交互和编程，其实在人工智能(AI NLP)领域早就有一个相关的术语------提示工程(Prompt Engineering)，通过设计有效的输入提示(Prompt)，来引导模型生成期望的输出。
提出一个问题往往比解决一个问题更重要。解决问题也许仅需一个数学上或实验上的技能，而提出新的问题，却需要有创造性的想象力，这标志着科学的真正进步。
如何构建合适的提示，如何向大模型提出一系列问题和要求，从而获得最接近期望的回答，就成为了每个知识工作者必备的技能------"问商"。
问商"起作用的关键因素，是人类自身的思维和沟通水平。无论是任务授权还是苏格拉底诘问，看似简单的技巧背后，是人的思考积累。自然语言编程人人会用、人人平等，但只有高水平的提问，才能令大模型发挥出最大的价值。
人类思维搭配大模型编程，只有将脑机协作发挥到极致，才能化作一把能打开人类千年知识和智慧宝库的金钥匙。
这就是2023年前端开发方向最大的变革和进步。同时，大模型的时代，也给前端开发同学带来新的机会。
比如MLC LLM为我们在各类硬件上原生部署任意大型语言模型提供了解决方案，可将大模型应用于移动端（例如 iPhone）、消费级电脑端（例如 Mac）和 Web 浏览器。
该项目是由 TVM、MXNET、XGBoost 作者，CMU 助理教授，OctoML CTO 陈天奇等多位研究者共同开发的，参与者来自 CMU、华盛顿大学、上海交通大学、OctoML 等院校机构，同时也获得了开源社区的支持。
23年夏天，他们发布了一个可将大型语言模型和基于 LLM 的聊天机器人引入 Web 浏览器的项目Web LLM，一切都在浏览器内运行，无需服务器支持，并使用 WebGPU 加速。
他们还开源了可以运行在web端的大模型生成图片的项目，和我在美团做的工作类似，减低大模型的部署成本是一个很大的挑战，也是前端开发在大模型时代最大的机会。
24年的技术预测
2023年年底的中央经济工作会议为2024年中国经济发展指明方向，其中，"科技创新"被列为明年经济工作"头号任务"。
经过 60 多年的发展，如今 AI 已成为人类有史以来比电脑、互联网还要牛的真正强有力的工具。
这个工具可以给人类带来工业革命级的变化，会重塑社会各个行业，包括人们生活、工作的方式。
因此，AI 大模型是一个巨大的发展机会，中国需要坚定推进 AI 发展。
明年大模型一方面追求"大"，另一方面也会追求"小"。这是已经看到的趋势，小规模的大模型将很快搭载在手机和各种物联网设备上，而不仅工作在云端。
多模态将成为国产大模型的标配，现在不论是GPT-4V还是Gemini都能看懂图片、视频，听懂声音，目前国产大模型还是以文字为主，明年也将向多模态方向发力。
国内会出现很多垂直大模型，走进百行千业，向产业化方向发展，2024年最重要的是证明大模型能真正地解决问题。
明年AIGC（生成式 AI）方面，大模型的文生图、文生视频能力会得到突破性增长。
大模型成为个人助理后，如果把私人化的数据一并传输到云端，可能会带来隐私风险。因此需要在本地部署一个小规模的大模型，数据运行在本地。未来手机里的个人助理、服务于家庭的人形机器人，都将由这类"小"模型驱动。
大模型的技术路线突破才短短几年，目前还存在着很多缺点。大家对大模型有一个正确的认知，不要高估现在大模型的能力，不要低估大模型未来发展的潜力。
虽然它现在已经可以跟实体产业相结合，但它还不能完全接管此类业务，应该扬长避短发挥它的长处，因为很多短板还有待解决。
场景红利是中国大模型弯道超车的关键，大模型真正的机会是结合场景发展垂直大模型。
大模型现在还很「高大上」，要把它拉下神坛，真正的走进千家万户，影响百行千业，这才是大模型引发工业革命的道路。
国家大战略是产业数字化，互联网企业要甘当配角，顺势而为，把数字化能力和大模型能力赋能传统企业，特别是制造业，帮助他们实现数字化、智能化。
不要等到大模型无所不能才开始做，只要想清楚了产品应用的场景，现在就能做。目前，笔者正在摸索艺培场景下的大模型技术应用。
总结
本次大模型热潮是否会与2016年前后的人工智能热潮一样偃旗息鼓？"这次跟上次不一样，上一波由于模型能力不够通用，主要做图像处理。
大家要相信 AI 是未来，是工业革命级的工具。AI 不会淘汰人，但不熟悉 AI 的人会很可能被熟悉 AI 的人淘汰。
同时，对于大多数人而言，关键是有效地利用 AI，，而不必亲自开发（造）AI 技术。这一点类似于大多数人使用电脑和手机，而不需要参与手机芯片的研发。
另外，结合自身所处的领域，更多人应该思考如何用大模型去改造和优化。这是一个过程，从开始了解到相信，再到持续不断的使用。
未来在职场上，熟练掌握 AI 解锁更多技能，有时候要比职场经验更有优势。
大模型是一种高级的个人生产力工具，并没有固定的职能，使用它的场景和频率、发挥多大的价值等完全取决于如何使用它。
而大模型对企业的价值，更多体现在人类员工人均工作产出的数量或质量提升，暂时还不会产生人力替代效应。
回顾工业革命时代的历史，我们还看到，新技术到来之后，需要很长的时间酝酿，需要产业围绕新技术进行流程和组织重构
纸上推演终觉浅，企业的业务流程重组看似简单，实际涉及人和组织变动的改革都有巨大的失败风险。因此，各行各业大都从极少数创新型企业开始尝试，从失败中找到成功的路径。
但重组成功的获益也是巨大的，小则获得生产率优势，大则可能将知识密集型服务的小作坊转变成标准化大生产模式，重写行业规则。
大模型自动生成代码和应用只会日趋完善，但生成的质量仍然是需要程序员来判断，一些关键问题，如性能和安全，更是需要程序员来负责。
所以程序员需要更多思考一些原则和本质的东西，这样才能支持有效的判断。
反思
其实，从20年开始，我就考虑转型做AI，但当时选择去创业了，后来有了小孩，终止了创业，然后去了美团基础技术部做前端基建。
但做了一年多以后，发现前端方向能向上发展的机会很少，所以22年夏天转到了计算机视觉部门，并争取到了从事端智能相关的工作，非常感谢我的leader 涛哥给我这样的机会。
在美团的一年多时间里，我从零实现了一个web推理引擎，并负责了模型训练和部署平台的前端开发工作，通过真实的项目实践，对整个AI的全局了有深入的了解。
但现在看，16年我选择大前端方向，还是失误了，和关系很好的一个外企同事，他转型安卓开发之后，大概18年就转向深度学习，在CVPR发论文，已经成为了AI的技术专家，现在是炙手可热啊。
现在我年龄大了，也学不动了，很难再去转型算法，在大模型的时代，只能沿着端智能的方向，寻找一些新的创业机会。