一文彻底搞懂大模型 - AI四次大发展

AI四次大发展

在探讨AI（人工智能）的发展历程时，我们可以将其划分为Artificial Intelligence、Machine Learning、Deep Learning和Large Language Model四个关键阶段，每个阶段都标志着技术上的重大突破和应用领域的扩展。以下是对这四个阶段的详细解析，以及它们如何共同推动了AI技术的演进，特别是最近的大语言模型（Large Language Model, LLM）的兴起。

AI四次大发展

阶段一：Artificial Intelligence

1950-1980：Artificial Intelligence（人工智能）的萌芽期

Artificial Intelligence

关键词：symbolic（符号主义）、基于规则、专家系统、图灵测试

symbolic

核心特点：以理论基础建立为核心，采用符号主义方法，受限于计算与数据，系统多针对特定简单问题，泛化能力不足。

• 理论基础建立：这一时期，AI的概念由艾伦·图灵等先驱提出，并围绕逻辑推理、问题求解等核心议题展开研究。

• 符号主义：主要基于规则的系统，通过编写大量规则来模拟人类智能行为，如专家系统。

• 局限与挑战：受限于计算能力和数据量的不足，AI系统往往只能解决特定领域内的简单问题，且难以泛化到更广泛的应用场景。

Turing Test

代表成果：约翰·麦卡锡提出“人工智能”概念以及DENDRAL专家系统在化学领域的成功应用，这两者共同奠定了AI发展的基础。

• 约翰·麦卡锡提出“人工智能”一词。

• 第一个专家系统DENDRAL在化学领域取得成功。

DENDRAL

阶段二：Machine Learning

1980-2010：Machine Learning（机器学习）的兴起

****Machine Learning

---

关键词：基于统计、数据驱动、机器学习算法、特征工程

核心特点：以数据驱动和统计学习为核心，通过优化模型参数提升预测和分类准确性，并成功拓展至语音识别、图像识别等多个应用领域。

• 数据驱动：随着数据量的增加和计算能力的提升，机器学习开始兴起，强调从数据中自动学习并改进算法。

• 统计学习：基于统计学原理，通过训练数据来优化模型参数，提高预测或分类的准确性。

• 应用拓展：机器学习技术开始应用于语音识别、图像识别等领域，并取得显著进展。

Machine Learning

代表技术：支持向量机（SVM）、决策树、随机森林等算法的出现，以及神经网络的复兴（尽管面临规模和训练上的挑战），共同推动了机器学习领域的显著进步。

• 支持向量机（SVM）、决策树、随机森林等算法的出现。

• 神经网络（尽管当时规模较小且训练困难）的复兴。

Machine Learning

阶段三：Deep Learning

2010-2020：Deep Learning（深度学习）的爆发

Deep Learning

关键词：connectionist（连接主义）、深度神经网络、PyTorch、Tensorflow

connectionist vs symbolic

核心特点：在大数据、高性能计算和算法创新的推动下实现了神经网络的复兴，通过端到端学习直接从数据中提取特征，广泛应用于图像识别、自然语言处理和语音识别等领域，推动了AI技术的飞跃。

• 神经网络复兴：得益于大数据、高性能计算（如GPU）和算法创新（如反向传播算法的优化），深度神经网络（DNN）得以快速发展。

• 端到端学习：深度学习模型能够直接从原始数据中学习特征表示，无需人工设计特征工程。

• 广泛应用：在图像识别（如ImageNet竞赛）、自然语言处理（NLP）、语音识别等领域取得突破性进展，推动了AI技术的广泛应用。

Deep Learning

代表成果：AlphaGo在围棋领域的卓越表现彰显了AI的深度学习能力，而Transformer模型的诞生则极大地推动了自然语言处理（NLP）技术的飞跃发展。

• AlphaGo在围棋比赛中击败人类世界冠军。

• Transformer模型的出现，极大地推动了NLP领域的发展。

AlphaGo

阶段四：Large Language Model

2020-？：Large Language Model（大语言模型）的崛起

Large Language Model

关键词：scaling law（缩放定律）、AIGC、超大规模参数、PLM、SFL

Large Language Model

核心特点：超大规模参数、零样本/少样本学习能力以及广泛的应用前景，这些特点共同赋予了它们对自然语言的深刻理解和生成能力，推动了AI技术的革新与发展。

• 超大规模：大语言模型（如GPT系列、BERT等）通过训练包含数十亿甚至数千亿参数的模型，实现了对自然语言的深刻理解和生成能力。

• 零样本/少样本学习：这些模型能够在没有或仅有少量标注数据的情况下，完成各种NLP任务，展现了强大的泛化能力。

• 应用前景广阔：大语言模型正在改变内容创作、智能客服、教育、医疗等多个行业的面貌，成为AI技术发展的新热点。

Large Language Model

代表成果：GPT系列（GPT-3、ChatGPT、GPT-4）凭借超大规模与强生成力重塑NLP，LLaMA开源则加速了LLM技术的普及与应用创新。

• GPT-3及其后续如ChatGPT、GPT-4，凭借超大规模参数和强大生成能力，重塑了NLP领域，推动对话系统、文本创作等前沿发展。

• LLaMA作为开源大模型，为研究者提供了灵活工具，加速LLM技术普及与应用探索。

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】