人工智能从用途来讲可以划分为语言智能和空间智能，语言智能要解决AI对人类语言的理解问题，而空间智能要解决AI对物理世界的理解。前者的基础是大语言模型，后者的基础是世界模型。本系列将具体介绍大模型及其应用，产业链及投资分析，本文介绍大模型的概念及发展历程。

请添加图片描述

1、什么是大模型

目前大模型并没有统一的学术上的定义，狭义上指大语言模型，广义上则指包含了语言、声音、图像等多模态大模型。李飞飞等人工智能学者认为，这些模型也可以被称为基础模型（
Foundation Model）。大模型主要有以下三个特征：

参数规模大：大模型的参数规模远大于传统深度学习模型。大模型发展呈现“规模定律”（Scaling Law）特征，即：模型的性能与模型的规模、数据集大小和训练用的计算量之间存在幂律关系，通俗而言就是“大力出奇迹”。不过“大”并没有一个绝对的标准，而是一个相对概念。传统模型参数量通常在数万至数亿之间，大模型的参数量则至少在亿级以上，并已发展到过万亿级的规模。如OpenAI的GPT-1到GPT-3，参数量从1.1亿大幅拉升到1750亿，GPT-4非官方估计约达1.8万亿。

泛化能力强：大模型能够有效处理多种未见过的数据或新任务。基于注意力机制（Attention），通过在大规模、多样化的无标注数据集上进行预训练，大模型能够学习掌握丰富的通用知识和方法，从而在广泛的场景和任务中使用，例如文本生成、自然语言理解、翻译、数学推导、逻辑推理和多轮对话等。大模型不需要、或者仅需少量特定任务的数据样本，即可显著提高在新任务上的表现能力。

支持多模态：大模型可以实现多种模态数据的高效处理。传统深度学习模型大多只能处理单一数据类型（文本、语音或图像），大模型则可以通过扩展编/解码器、交叉注意力（Cross-Attention）、迁移学习（Transfer learning）等方式，实现跨模态数据的关联理解、检索和生成。多模态大模型（LMMs，Large Multimodal Models）能够提供更加全面的认知能力和丰富的交互体验，拓宽AI处理复杂任务的应用范围，成为业界探索迈向通用人工智能的重要路径之一。

大模型的应用从用途上可以划分为生成式和判别式，前者主要是内容生成，即根据要求生成文本、语音、图像、视频等内容；后者主要是根据要求对对象进行判别和分类，比如人脸识别等。

2、大模型的发展历程

大模型的发展历程要追溯到“连接主义学派”的发展历程。

起源与初步探索

单层神经网络（MP）模型提出： 1943 年，神经学家沃伦・麦卡洛克（Warren McCulloch）和数学家沃尔特・皮茨（Walter Pitts）提出了 “M-P 神经元模型”，这是首个人工神经网络模型，开创了人工神经网络模拟人类大脑研究的时代，为连接主义奠定了理论基础。

感知机的出现： 1957 年，弗兰克・罗森布拉特（Frank Rosenblatt）在 IBM704 计算机上模拟实现了 “感知机” 神经网络模型 Mark Ⅰ，号称可以对手写数字进行视觉识别和分类，这是连接主义在实际应用中的初步尝试，展现了通过机器学习完成智能任务的新途径。

理论问题暴露： 1969 年，马文・明斯基（Marvin Minsky）和西摩尔・派普特（Seymour Papert）在《感知机：计算几何学》一书中指出感知机神经网络无法完成异或运算这一致命问题，因为单层神经网络无法解决非线性分割问题。

反向传播算法（B-P）提出：1974年，沃波斯（Paul Werbos）在哈弗大学发了一篇论文，指出多层神经网络并且利用“反向传播”解决异或问题，但当时并未引起多大反响。1982年，约翰·霍普菲尔德（John J. Hopfield）提出了一种具有开创性的神经网络模型——霍普菲尔德神经网络（Hopfield Neural Network，HNN）。这是一种递归神经网络，主要用于模式识别和记忆存储。1986年，杰弗里・辛顿（Geoffrey Hinton）等学者提出了反向传播算法，解决了多层神经网络的训练问题，使得连接主义迎来了复兴，人工神经网络的研究重新受到广泛关注。

深度学习时代

深度学习兴起：21 世纪以来，随着计算能力的大幅提升和数据量的爆炸式增长，深度学习作为连接主义的重要分支得到了迅猛发展。深度神经网络在图像识别、语音识别、自然语言处理等多个领域取得了突破性的成果，如 AlexNet 在 2012 年的 ImageNet 图像识别竞赛中大幅超越传统方法，推动了深度学习的快速发展。

预训练模型出现

2017年谷歌发布论文《Attention is all you need》，提出了多头自注意的 Transformer 架构。2018年OpenAI 发布了GPT-1，谷歌发布了 BERT。他们的出现 ，进一步提升了自然语言处理等领域的性能，展现了连接主义在处理复杂任务和学习大规模知识方面的强大能力，开启了人工智能的大模型时代，连接主义在人工智能领域占据了重要地位。2022年11月，搭载了GTP3.5的生成式对话人工智能应用ChatGPT横空出世，在全球范围内引起轰动，使得大模型迅速进入普通大众的视野。

暴发期（2022——至今)

OpenAI于2023年发布了GPT-4，它是首个多模态大模型，支持文本和图像处理，2024年2月16日，OpenAI 发布了文生视频产品Sora，2024年9月发布了O1，2024年12月发布了O3。2023年谷歌发布了大模型Gemini，它可以处理文本、图像、音频、视频和代码五种信息。2024年12月，DeepSeek公司发布了 Deepseek V3，以低训练成本杀入市场，使得大模型进入“普惠”时代。

国内大模型的发展历程

2019 年 3 月，百度发布 NLP 模型 ERNIE；2020 年 7 月 9 日，ERNIE 首次以中文名 “文心” 亮相；2023年8月，文心一言正式对社会开放；2024年6月28，文心大模型 4.0 Turbo 发布。

2023 年 8 月， 字节跳动公测基于云雀大模型开发的 AI 对话产品 “豆包”；2024 年 5 月， 字节跳动宣布云雀大模型更名为 “豆包大模型” 并正式开启对外服务；2024 年 9 月， 发布视频生成模型、音乐模型和同声传译模型。

2023 年 11 月 2 日，Deepseek推出首个模型 DeepSeek Coder，面向具有开源编码模型的开发人员；2024 年3月，发布 DeepSeek – V2；2025 年 1 月，推出 DeepSeek – R1。

2023 年3 月，月之暗面科技有限公司（Moonshot AI）成立；10 月 9 日，推出全球首个支持输入 20 万汉字的智能助手产品 Kimi Chat；2024年4 月 18 日，Kimi 智能助手更新，支持 Kimi 常用语，新增语音输入、输出、播报功能，支持搜索引用溯源。

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。

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】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

在这里插入图片描述

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】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。