目录
1,AI、机器学习、深度学习、大模型的关系
- AI(人工智能) 是研究、开发用于模拟、延伸和扩展人的智能的理论、方法及应用系统的一门新的技术科学。
- 机器学习 专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。是人工智能的核心研究领域之一。
- 深度学习 源于人工神经网络的研究,多层感知器就是一种深度学习结构。深度学习是机器学习研究中的一个新的领域,它模仿人脑的机制来解释数据,例如图像,声音和文本。实际上,训练神经网络的过程就是深度学习。那什么是神经网络呢?见下文解释。
- 大模型 大量参数的深度学习模型。这些模型通过训练大量的数据,能够理解和生成自然语言,执行复杂的任务,比如语言翻译、文本摘要、情感分析等。
用一张图来表示他们之间的关系:
2,什么是神经网络
神经网络类似于人的大脑,他是会思考的,他的内部是一个黑盒,有了神经网络,人工智能才算得上是“真智能”,对于输入的参数,我们是不知道他内部是如何运转的,网络建立好之后,我们只需要将大量的数据输入到其中,通过大量的学习,来提高预测的准确度,比方说人脸识别,经过学习之后,即使第一次见到我,机器也知道我是一个人,而不是一只猫。
3,Transformer 、TensorFlow 、Pytorch关系
Transformer 是一种模型架构,而 TensorFlow 是一个实现和运行这种模型的框架。你可以使用 TensorFlow 来实现和训练 Transformer 模型,但 TensorFlow 本身并不局限于 Transformer,它可以用于实现和训练各种类型的深度学习模型。同样,Transformer 模型也可以在其他深度学习框架中实现,如 PyTorch。
4,CV大模型、NLP大模型、ALGC大模型
- CV大模型(计算机视觉大模型):
这类大模型专门处理与视觉相关的任务,如图像分类、目标检测、图像分割等。它们通常采用卷积神经网络等深度学习算法来实现,将输入图像转换为输出结果,例如识别图像中的物体类别或位置等信息。例如,华为即将上线的“盘古系列AI大模型”就包括CV大模型,这些模型通过大规模数据的收集和索引进行预训练,并在特定行业进行适配以提升性能。 - NLP大模型(自然语言处理大模型):
NLP大模型专注于处理文本数据,理解自然语言,并执行诸如文本生成、翻译、摘要和问答等任务。这类模型的主要特点是它们在大规模语料库上进行训练,以学习自然语言的各种语法、语义和语境规则。例如,百度的ERNIE、Google的BERT和OpenAI的GPT系列都是著名的NLP大模型。 - ALGC大模型(人工智能生成内容大模型):
AIGC大模型是一种利用人工智能算法生成具有一定创意和质量的内容的技术,它不限于文本,还可以生成图像、音频、视频等内容。该技术可以细分为文本生成、图像生成、音频生成和视频生成等类别,其核心原理是利用深度学习、自然语言处理、计算机视觉等技术。AIGC技术的应用范围广泛,从文学创作到医疗健康等多个领域都在发生变革。
5,提示工程
在人工智能中,提示工程(Prompt Engineering)是指设计和优化输入提示(prompts)的过程,以便让机器学习模型(尤其是大型语言模型LLM)更好地理解和执行特定的任务。提示工程在自然语言处理(NLP)领域尤为重要,尤其是在使用预训练语言模型时。