随着AI时代的到来叠加经济下行，越来越多的独立开发者梦想着实现年入百万的壮举。
近日，这种小概率事件正在发生。
17岁高中生做了个AI APP，短短四个月销售额达100 万美元。
小伙儿Zach Yadegari（下面暂称小扎克）在X上炫战绩，引来大量网友围观。
小扎克发文表示，Cal AI 的收入超过了百万美元，而达成这一成绩的那一天，刚好是他最后一年高中的开学第一天。他发出了“这是命中注定的吗？”的感慨…
这个 App 达成这一成绩，也就运营了 4 个月不到。这个产品从开发到运营，加上小扎克自己，其实总共就 3 个人， 2 名青少年和1 名大学刚毕业。
这个APP长啥样？为何能这么赚钱？背后团队又有何来头？
Cal AI：一款食物卡路里跟踪器
他们做的这款APP叫做 Cal AI。
由 AI 驱动，只需拍照或扫描条形码，Cal AI 就能“啪”的一下分析出食物的营养成分，计算其卡路里。
开始使用Cal AI时，用户可以回答一系列问题，来评估生活方式和健身目标。然后，Cal AI就会根据回答生成个性化计划。
用户可以设定目标跟踪，在每周/月/年监控进度，Cal AI可以总结用户成就和需要改进的地方。
Cal AI的实现方式听起来也并不复杂。
当用户使用Cal AI拍照时，手机上的深度传感器会计算出食物的体积等信息，然后用经过食物图像数据训练的AI模型会将餐食分解成不同的部分，并计算比例。最后，多模态AI模型会综合所有信息，计算出餐食中的卡路里、蛋白质、碳水化合物、脂肪等含量。
准确度方面，Cal AI号称图像扫描功能准确度达90%。
不过如果扫描的食物含有隐藏成分，比如冰沙或汤，准确度可能会差一些。另外，外观相似的原料也可能会被错误分类，导致卡路里计数和其它营养信息出错。
好就好在，Cal AI有个描述功能，用户可以随时点击“修正结果”，描述错误之处，也能手动编辑数据调整差异。
总的来说，这款食物卡路里跟踪器就是为那些有不同健身目标的用户而生的，无论是增重、减重还是保持体重，它简化了监控饮食摄入的过程。
3个人，300万美元ARR
Cal AI这款APP在4月份推出。其实早在两个月前，Cal AI就小火了一把，得到了不少人的注意。
当时小扎克还转发了别人称赞他的的帖子装了一把：
除了做Cal AI，小扎克推特主页还介绍自己“卖掉了拥有500万用户的游戏网站”。
他从7岁就开始编程了。
和小扎克一起做Cal AI的还有Henry Langmack。
同样只有17岁， 爱好游戏、制作编程语言，自称9岁起就开始开发项目。
相比这两位，另一位同伴名气稍大一些——Blake Anderson，也就是在 Cal AI 负责增长的第三人。
Blake 靠着 ChatGPT，在 Cal AI 之前已经做了 2 款百万美元 ARR 的 App。
-
Plug AI，一款AI约会助手。把约会App上和真人的聊天记录截图发过去，AI就能指导你，如何不把天聊死。
-
Umax，一款外观优化APP，用户通过扫描脸部可以拿到分析结果和建议。他与造型达人Sam Zia合作，Umax一上线发布视频就得到了数十万观看。
他的成功原因
小扎克开麦表示也不是一蹴而就，在Cal AI之前已经做过5个APP。
他有两条核心的经验总结：
首先，找到一个真实的问题去解决。
其次，在社媒上不用依赖于大 KOL，也有获得病毒式传播的可能性。
总结来说，发现趋势，打造单一功能的产品，再利用社媒推爆，实现盈利。
更加具体的分析可以看：小团队跟进，“快应用”成风？
国内开发者的经验可以看：为什么多数程序员都不做个人独立开发？
“随着 AI 的进步，AI 产品的搭建成本和时间会越来越低，难的是怎么以合适的方式把它带到对的人面前…”
人人都是AI产品经理的时代，很快了。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
