“ 大模型和生成式AI,是有重叠但又不一样的东西**”**
大模型和生成式模型是一个东西吗?那大模型和生成式AI呢?
再具体一点,一个自然语言处理的大模型是生成式大模型吗?
如果一个模型,能够总结文档,那么这个模型是生成式模型吗?
大模型和生成式模型
很多人在很多时候,想当然地把大模型当作人工智能,也把大模型和生成式模型混为一谈。
在上面的问题中,自然语言处理模型属于生成式大模型吗?
思考一下什么是生成式人工智能?什么是大模型?什么是生成式模型?
生成式人工智能是一种旨在通过学习训练数据的分布,模型来生成新的原创的内容。
大模型是指使用机器学习算法实现的,具有大量参数并且使用大规模数据训练出来的模型。
而生成式模型是指用大模型技术实现的生成式人工智能的一种方式。
单纯的说这些概念,可能很多人都不明白,也不知道有什么用,那咱就来举个例子。先记住一句话,生成式AI的作用是生成新的,原创的内容。
说到自然语言处理可能不是很好理解,那就用视觉模型来举例;一个图片处理的大模型,它按照我们的描述生成一种图片。
比如说,给我生成一个可爱的,活泼又精明的灰太狼,这时大模型按照我们的要求生成了一张图片。
但如果我们把一张现有的图片,用一个大模型去除水印,这时这个大模型还是生成式大模型吗?
它有生成新的图片或者新的内容吗?好像并没有。
拿我们工作或生活来举例,第一种,有一天领导突然说,依照我们公司的产品,你给我做一套新的营销方案来。
第二种,领导说你把某某公司的营销方案拿过来看看,开会的时候给我总结说明一下。
这时,第一种这叫做”生成“,因为这是一套新的内容,是你做到一套营销方案;而第二种不能叫做生成,因为它并没有生成新的,原创性的东西。
当然,你可能会说他做到营销方案,也是借鉴别人的啊,并不是完全原创。
那如果从技术角度来考虑,设计和训练一个能够生成新图片的模型,和设计训练一个能够去水印,让图片更清晰的模型。
它们是同一种模型吗?能够用同一种设计,训练方法和训练数据吗?
为什么要区分这两种情况?
如果你没有真正的去设计或训练一个大模型,那么你可能很难理解这两种模型。网络上大部分关于大模型的内容,都是浅尝辄止,根本没有真正深入讲述过大模型的内在机制。
或许是因为嫌麻烦懒得讲,或许是因为他们自己都不明白这里面有什么区别。
在不了解人工智能技术的人来说,大模型就是人工智能,人工智能就是大模型;但对真正学习过人工智能技术的人来说,大模型和人工智能是有区别的。大模型只是实现人工智能的一种方式,它并不能完全代表大模型。
就类似于,我们以为大模型能够回答我们的问题,那它就是一个生成式大模型,但事实上,它们之间是有区别的。
而如果弄不明白这两者之间的区别,那么就很难想象得到大模型的应用场景,或者说很难真正用大模型来解决业务问题。
因为在你的眼中,大模型只能用来回答问题,而不知道大模型真正的能力范围,以及怎么才能弄出来一个解决实际问题的大模型。
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。