普通人学AI：如何最简单、通俗地理解大模型？-CSDN博客

本文链接：https://blog.csdn.net/2301_81888214/article/details/147472936

前言

AI浪潮已经来袭，我们每个人都身处其中，我相信，每个人都有必要学习AI。

但问题是，该从何学起？我相信这是大部分之前没接触过AI的人的问题，我也是其中一员。我不是AI科学家，之前也没有技术基础，所以，我想将自己的学习结果记录下来，一方面是用自己能理解的话讲出来自己学到的知识，另外一方面也是分享给所有想要在这波浪潮中不被冲走的人。

我是一个不懂技术的普通人，所以这个系列就叫做「普通人学AI」，以下是该系列的第一篇文章。

大模型，英文名叫Large Model，即大型模型。大模型是一个简称。完整的叫法，应该是“人工智能预训练大模型”。但是在网上翻一翻科普，会有不少文章将大模型对应的英文名写为LLM，即大型语言模型（Large Language Model）。

因此本篇文章会从Large Model和Large Language Model两个维度帮大家理解下大模型到底是什么。

一、Large Model

要理解大模型，本质上是理解“大”和“模型”两个词。

首先，我们先理解什么是模型。

模型是事物的抽象，可用于描述、解释和预测事物。例如数学公式、物理装置、计算机程序、人体模型都可以称为模型。在人工智能领域，模型相当于计算机通过"看案例学经验"练成的本领。举个简单的例子：我们想让人工智能来识别图像里有没有猫，该怎么做呢？

第一步，我们要准备数据。我们将大量有猫的图片和没有猫的图片做好标记，有猫的图片我们标记为1，没有猫的图片我们标记为0。

第二步，用准备好的数据训练人工智能模型。我们将图片和标记的数据输入给人工智能算法，让它总结出一套规则来区分有猫的图片和没有猫的图片。比如，有猫的情况下，图片中应该有耳朵、胡须、毛茸茸的毛发等等。当然，彩色图片在计算机中实际上对应的是一个像素值的矩阵，人工智能识别的模式也通常是抽象的数字表示。这时候我们已经得到一个模型了，可以命名为「猫咪识别模型」！

第三步，模型验证。我们要预留一部分数据来检验模型效果。如果我们发现模型在数据上表现不佳，比如过拟合（指在某些特定数据上才表现效果好，比如只能识别橘猫），准确率低（常常把没有猫判断成有猫），那我们就需要调整模型。可以增加数据量、调整模型参数，甚至更换一种算法框架等等。当模型在大部分数据上表现都很好的时候，就可以上线了！

第四步，数据预测。将随机找到的图片输入「猫咪探测模型」，让它给出图片中是否有猫的判断。

更进一步，我们还可以训练模型，基于它学到的规则，来生成包含猫的图片，也就是数据生成。

如果我们将识别猫，改成理解文字、预测并生成下一段文字，那就是大模型的基本流程了（更深层的还需要再看看自然语言处理模型相关的内容）。

再理解什么是大，它主要体现在两个方面。

首先是数据量大。大模型用于训练的数据量通常是数百GB或TB以上，以OpenAI的GPT 4.0为例，其训练时用了13万亿个token（自然语言文本基本单位），量级至少TB以上。就像一个博览群书、知识渊博的人一样，训练数据量大的好处是，模型可以充分的学习到数据中的模式和特征，在更广泛的场景下有更好的效果。

其次，大模型的参数量大。在简单的线性回归模型y=Ax+B中，A和B是模型中的两个参数。而对于大模型，参数将达到数亿到数万亿。以OpenAI的GPT 4.0为例，它有1.8万亿参数。就像成年人大脑内有数亿个活跃神经元，参数量大意味着大模型可以理解更复杂的事情，从数据中学习到更复杂的规则。

研究表明，随着模型的规模（如参数数量、数据量、计算量）增大，其性能通常会随之提高；同时模型达到一定的规模时，它会表现出一些在小模型中不曾出现的新能力（如常识推理、创作能力），这些能力不是被特意设计或训练出来的，而模型的规模增长中“涌现”出来的，被称为涌现能力（Emergent abilities）。

“读书破万卷，下笔如有神”。这也就是为什么大模型规模大、效果好的原因了。

二、Large Language Model

Large Language Model即语言大模型，它实际上特指大模型的其中一类，比如最近火热的DeepSeek就是语言大模型。

除了语言大模型之外，还有视觉大模型、多模态大模型等。现在，包括所有类别在内的大模型合集，被称为广义的大模型。而语言大模型，被称为狭义的大模型。

所以，『大模型』实质是中文语境下对『大语言模型』的简称，但是把『语言』两个字省略之后，的确容易造成一些张冠李戴的误解。

三、大模型名词

大模型的名词有很多，作为普通人，我们就了解参数量和token这两个名词应对日常使用就可以了。

首先，我们来解释下参数。

想象你是个大厨，要炒一盘鱼香肉丝。你需要决定：放多少盐、多少糖、多少醋、火候多大……这些“调料比例”和“操作细节”就是参数。

大模型的参数同理：它是模型内部“做决定”时用到的“调料比例”，比如判断一句话的情感是正面还是负面时，哪些词更重要、哪些组合更关键，全靠参数来调节。

一般来说，大模型的参数量越大模型效果越好，这就好比做菜时你的调料有盐、糖、醋、辣椒、花椒……（参数少只能放盐和糖），能调出更复杂的味道。而且参数量多的模型见过更多组合模式（比如“虽然……但是”“不仅……还”），能处理更微妙的语境。

但是参数量大也带来一些问题，比如算力要求高、容易钻牛角尖（过拟合）、难以解释（黑箱问题）。

我们作为普通人了解到这里就够了，只要记住同一系列的模型参数量越大效果越好，使用模型时，留意下参数量，别被一些平台钻了空子（比如宣称DeepSeek满血版实际上只是32b的蒸馏模型）。

其次，我们来了解下token。

简单来说，token 就是大模型处理文本时的 “小砖头” 。不管是咱们平时敲的一段话，还是一篇长长的文章，大模型都没办法直接 “啃”，得先把它们拆分成一个个的 token。

在英文里，常见的token可能就是一个单词，像 “cat”、“dog” 这种简单的单词，还有 “watermelon”、“helicopter” 这些长一点的单词，都能成为一个token。

中文就有点不一样，因为中文词和词之间没有空格分开，所以token可能是一个汉字，像 “我”、“爱”；也可能是一个词语，像 “手机”、“互联网” 。标点符号有时候也会被当作单独的token，就好比是文章里的小零件，每个都有它的作用。比如说 “今天天气真好！” 这句话，在大模型处理的时候，“今天”、“天气”、“真好” 是常见的token，感叹号 “！” 也可能会被当成一个token，它能传达出这句话的语气信息。

在实际使用大模型的过程中，理解 token 数的计算方式对于把握使用成本和模型性能十分关键。模型厂商计算 token 数时，会将用户提问和大模型回答所包含的 token 数量相加进行结算。

最后，给大家总结下市面上常见的大模型类型。

根据训练的数据类型和应用方向，我们通常会将大模型分为语言大模型（以文本数据进行训练）、音频大模型（以音频数据进行训练）、视觉大模型（以图像数据进行训练），以及多模态大模型（文本和图像都有）：

语言大模型，擅长自然语言处理（NLP）领域，能够理解、生成和处理人类语言，常用于文本内容创作（生成文章、诗歌、代码）、文献分析、摘要汇总、机器翻译等场景。大家熟悉的ChatGPT，就属于此类模型。
音频大模型，可以识别和生产语音内容，常用于语音助手、语音客服、智能家居语音控制等场景。
视觉大模型，擅长计算机视觉（CV）领域，可以识别、生成甚至修复图像，常用于安防监控、自动驾驶、医学以及天文图像分析等场景。
多模态大模型，结合了NLP和CV的能力，通过整合并处理来自不同模态的信息（文本、图像、音频和视频等），可以处理跨领域的任务，例如文生图，文生视频、跨媒体搜索（通过上传图，搜索和图有关的文字描述）等。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望