想象一下，你偶然发现了一份电影剧本，里面描述了一个人与他们的 AI 助手之间的对话场景。不过，剧本上 AI 的回应部分被撕掉了。现在，假设你有一台神奇的机器，它可以读取任何文本并预测下一个合理的单词。这样，你就可以利用这台机器来补全剧本–先输入已有的文本，让机器预测 AI 该如何回复的第一个词，然后不断重复这个过程，逐步生成完整的对话。这其实就是聊天机器人背后的原理。
1、基本原理
一个大语言模型本质上就是一个复杂的数学函数，它能预测任何一段文本的下一个词。它并不是确定地选择一个词，而是会给所有可能的词分配一个概率。要打造一个聊天机器人，做法就是先设定一个对话场景，再加上用户输入的内容作为对话的一部分。然后，模型会根据这些输入不断预测 AI 助手接下来可能会说的话，并把预测结果呈现给用户。
为了让输出的内容更自然，模型不会每次都只选取概率最高的词，而是会在概率较高的词中随机挑选一些。这也意味着，即使输入相同的内容，每次运行时，模型的回复也可能不同。
2、预训练
那么，模型是如何学会进行这些预测的呢？答案是通过处理海量文本–通常是从互联网上获取的数据。以 GPT-3 为例，它的训练文本量大到如果让一个普通人不间断地阅读这些内容，24 小时不停歇，大约需要 2600 多年才能读完。而更大的模型训练的数据量更加庞大。
你可以把训练过程想象成调整一台拥有大量旋钮的机器。一个语言模型的行为完全由它内部成千上亿个连续数值（参数或权重）决定。调整这些参数会改变模型对下一个词的预测概率。所谓“大”语言模型，就是指这些参数的数量能达到数千亿级别。
但有趣的是，这些参数并不是由人手动设定的，而是从随机值开始的。最初，模型输出的内容完全是胡言乱语，但随着训练的进行，它的预测能力会不断提高。训练的方式是让模型接触大量的文本示例，比如一段话的前面几句话，然后让模型预测最后一个单词，并将它的预测结果与真实单词进行对比。接着，使用一种叫做反向传播（backpropagation）的算法，来调整模型的参数，让它下次更有可能预测出正确的词，减少错误的概率。
当这个过程重复进行数万亿次后，模型不仅能在训练数据上做出准确预测，还能对从未见过的文本做出合理推测。这就是为什么它能生成流畅、自然，甚至有用的回答。
3、强化学习微调
不过，光有这种基础训练（预训练）还不够。因为这仅仅是补全任意一段网络文本的能力，并不能让它成为一个合格的 AI 助手。为此，模型还会经过另一种重要的训练方式，叫做“基于人类反馈的强化学习”（Reinforcement Learning with Human Feedback，简称 RLHF）。
这个阶段，人工评审员会标记那些不太有帮助或不合适的回答，并提供更好的改进版本。然后，模型的参数会进一步调整，以使它更倾向于生成用户喜欢的答案。
4、计算资源与技术架构
预训练阶段，这种庞大的计算量之所以能实现，主要是依靠专门设计的计算芯片–GPU（图形处理单元）。但并不是所有语言模型都能轻松实现并行计算。在 2017 年之前，大多数语言模型都是按顺序逐个处理单词的。但后来，谷歌的一个研究团队提出了一种新架构–Transformer。
5、Transformer 及注意力机制
Transformer 并不是逐个读取文本，而是能一次性吸收所有内容，并行处理。它的核心机制之一是“注意力机制”（Attention）。简单来说，注意力机制让模型可以关注上下文信息，并动态调整对不同单词的理解。例如，遇到 “bank” 这个词时，它可以根据前后语境判断是“银行”还是“河岸”。
Transformer 还包含另一种重要的计算单元，叫做前馈神经网络（Feed Forward Neural Network），它让模型能存储更多语言模式，提高理解能力。所有这些数据会在模型内部不断流转，经过多层计算，使得每个单词的“数值表示”能够编码更多有用信息。最终，这个计算过程会输出一个预测结果，表示下一个词最可能是什么。
6、模型行为的不可解释性
虽然研究人员设计了模型的架构，但具体的行为是训练过程中“自发涌现”的。这意味着，我们很难准确解释模型为什么会给出某个特定的答案。尽管如此，当你用这些大型语言模型进行对话时，你会发现它们生成的文本往往流畅、自然，有时候甚至超出预期。
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】
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】
评论(0)