随着 AI 时代的到来，我们必须要认识到 AI 技术将对我们的工作和生活带来巨大的影响，我们也需要积极学习了解 AI 技术，成为 AI 时代的原住民 - AI Native。
前两天微软发布了 Microsoft 365 Copilot，它的定位很清晰：
有了 Copilot，你就能掌控一切，您可以决定保留、修改或丢弃什么。现在，您可以在 Word 中更具创造性，在 Excel 中更具分析性，在 PowerPoint 中更具表达力，在 Outlook 中更具生产力，在 Teams 中更具协作性。
也让大家看到了产品背后的 The Copliot Systm：
这场 AI 技术的革命，对科技公司来说非常重要：
- AI 技术可以帮助提供更加智能化的产品和服务，提高竞争力，增强用户体验和忠诚度 - 提高产品和服务的竞争力
- AI 技术可以帮助自动化和优化一些工作流程，减少人力投入和时间成本，提高生产效率和质量 - 提高效率和降低成本
- AI 技术可以帮助从海量数据中挖掘出有价值的信息，洞察用户需求和行为，从而更好地满足市场需求 - 深度挖掘用户需求和行为
- AI 技术是一项前沿技术，了解 AI 技术可以帮助稿定抓住技术趋势，及时调整产品和战略布局，赢得更多市场份额 - 推动技术创新和发展
同时对个人开发者来说，由于 AI 技术是一个快速发展的领域，开发者了解 AI 技术的最新趋势和发展方向，可以更好地调整自己的技术方向和职业规划。
先通过一个问题想想怎样才算是 AI Native 中的原住民：如何将 AI 能力添加进我们的系统？
有三种典型的方法：
- 第一种方法是用 AI 技术替换已有的功能模块，比较方便对比替换前后的收益
- 第二种方法是添加一个全新的基于 AI 的模块，这种模块没有任何历史包袱，适合在探索性项目中应用
- 第三种方法是添加一个基于 AI 的模块，由它驱动传统模块，就像一个 Sidecar，在传统模块之上，提供基于 AI 的自动化、优化或额外的功能
但无论是简单地使用 AI 替换一个、多个或所有模块中的现有功能，甚至添加新功能，这些并不能实现严格意义上的 AI Native，我要承认，我也不知道 AI Native 应该是怎样的，只是隐隐有个感觉，如果想让 AI 无处不在，整个系统应该是围绕 AI 建立起来的，比如我们围绕代码建立了 DevOps 系统，那 AI 是不是会有 AIOps；我们围绕数据建立的可观测系统，在 AI 上也要有针对模型准确率、召回率、精度等指标的观测，以实现模型的持续改善。
类比到软件架构中：
AI 应该和代码、数据一样成为一等公民，即无代码、不编程；无 AI、不工作。一等公民可以在整个架构中横向、纵向使用，而不仅限于某一层，数据基础设施也是如此，数据和知识需要跨层共享，AI 技术也可以应用于每一层甚至跨层，以实现架构中无处不在的智能。
除了软件架构，我们的开发流程也应当 AI 驱动：
比如在应用层面，low-code/no-code 会结合 AI 技术，甚至通过创造性的 Conversation UI 改变界面设计语言；类似 Lighthouse 这种，通过 AI 为运行质量提供报告和修复建议；还有所有软件都有的「问题反馈」、「客服」功能，完全可以用 ChatGPT 替代。这一切都体现了**流程中无处不在的智能**。
Cloud Native 在过去几年形成了比较完整的成熟度模型：
可以想象得到，AI Native 也会在架构、协作流程等方面提出自己的成熟度模型。
一些有用的资料：
- 动手学深度学习: 面向中文读者的能运行、可讨论的深度学习教科书
- 【翻译】Stable Diffusion prompt: a definitive guide: Stable Diffusion 视觉生成快速了解
- 腾讯研究院AIGC发展趋势报告2023: 看看 AIGC 如何打造更美好的未来
- Hugging Face: 一个自然语言处理(NLP)平台，提供了各种先进的NLP模型和工具，如BERT、GPT等模型，可用于文本分类、情感分析、机器翻译等任务
- Learn Prompting: 学习如何向人工智能提问
- Python: 这是机器学习生态中每个人所熟知的语言，Python-first
现在的 AI 生态可以说对新手异常友好，写几行代码就能自己跑起模型，非常有成就感。身处这个紧跟科技发展脚步的时代，我们有幸能与 AI 技术并肩前行，虽然 AI 技术在很多应用场景中尚不清晰，但这正是我们勇敢探索的契机，我们不能等着业界将答案送到我们面前，我们需要更主动一点，保持关注和学习，不断地提高自己，以便在这场科技革命中存活下来，甚至担当重要角色。💪