█ 什么是大模型？
大模型，英文名叫Large Model，大型模型。早期的时候，也叫Foundation Model，基础模型。
大模型是一个简称。完整的叫法，应该是“人工智能预训练大模型”。预训练，是一项技术，我们后面再解释。
我们现在口头上常说的大模型，实际上特指大模型的其中一类，也是用得最多的一类——语言大模型（Large Language Model，也叫大语言模型，简称LLM）。
除了语言大模型之外，还有视觉大模型、多模态大模型等。现在，包括所有类别在内的大模型合集，被称为广义的大模型。而语言大模型，被称为狭义的大模型。
从本质来说，大模型，是包含超大规模参数（通常在十亿个以上）的神经网络模型。
之前给大家科普人工智能（链接）的时候，小枣君介绍过，神经网络是人工智能领域目前最基础的计算模型。它通过模拟大脑中神经元的连接方式，能够从输入数据中学习并生成有用的输出。
这是一个全连接神经网络（每层神经元与下一层的所有神经元都有连接），包括1个输入层，N个隐藏层，1个输出层。
大名鼎鼎的卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）以及transformer架构，都属于神经网络模型。
目前，业界大部分的大模型，都采用了transformer架构。
刚才提到，大模型包含了超大规模参数。实际上，大模型的“大”，不仅是参数规模大，还包括：架构规模大、训练数据大、算力需求大。
以OpenAI公司的GPT-3为例。这个大模型的隐藏层一共有96层，每层的神经元数量达到2048个。
整个架构的规模就很大（我可画不出来），神经元节点数量很多。
大模型的参数数量和神经元节点数有一定的关系。简单来说，神经元节点数越多，参数也就越多。例如，GPT-3的参数数量，大约是1750亿。
大模型的训练数据，也是非常庞大的。
同样以GPT-3为例，采用了45TB的文本数据进行训练。即便是清洗之后，也有570GB。具体来说，包括CC数据集（4千亿词）+WebText2（190亿词）+BookCorpus（670亿词）+维基百科（30亿词），绝对堪称海量。
最后是算力需求。
这个大家应该都听说过，训练大模型，需要大量的GPU算卡资源。而且，每次训练，都需要很长的时间。
GPU算卡
根据公开的数据显示，训练GPT-3大约需要3640PFLOP·天（PetaFLOP·Days）。如果采用512张英伟达的A100 GPU（单卡算力195 TFLOPS），大约需要1个月的时间。训练过程中，有时候还会出现中断，实际时间会更长。
总而言之，大模型就是一个虚拟的庞然大物，架构复杂、参数庞大、依赖海量数据，且非常烧钱。
相比之下，参数较少（百万级以下）、层数较浅的模型，是小模型。小模型具有轻量级、高效率、易于部署等优点，适用于数据量较小、计算资源有限的垂直领域场景。
█ 大模型是如何训练出来的？
接下来，我们了解一下大模型的训练过程。
大家都知道，大模型可以通过对海量数据的学习，吸收数据里面的“知识”。然后，再对知识进行运用，例如回答问题、创造内容等。
学习的过程，我们称之为训练。运用的过程，则称之为推理。
训练，又分为预训练（Pre-trained）和微调（Fine tuning）两个环节。
- 预训练
在预训练时，我们首先要选择一个大模型框架，例如transformer。然后，通过“投喂”前面说的海量数据，让大模型学习到通用的特征表示。
那么，为什么大模型能够具有这么强大的学习能力？为什么说它的参数越多，学习能力就越强？
我们可以参考MIT（麻省理工）公开课的一张图：
这张图是深度学习模型中一个神经元的结构图。
神经元的处理过程，其实就是一个函数计算过程。算式中，x是输入，y是输出。预训练，就是通过x和y，求解W。W是算式中的“权重（weights）”。
权重决定了输入特征对模型输出的影响程度。通过反复训练来获得权重，这就是训练的意义。
权重是最主要的参数类别之一。除了权重之外，还有另一个重要的参数类别——偏置（biases）。
参数有很多种类
权重决定了输入信号对神经元的影响程度，而偏置则可以理解为神经元的“容忍度”，即神经元对输入信号的敏感程度。
简单来说，预训练的过程，就是通过对数据的输入和输出，去反复“推算”最合理的权重和偏置（也就是参数）。训练完成后，这些参数会被保存，以便模型的后续使用或部署。
参数越多，模型通常能够学习到更复杂的模式和特征，从而在各种任务上表现出更强的性能。
我们通常会说大模型具有两个特征能力——涌现能力和泛化能力。
当模型的训练数据和参数不断扩大，直到达到一定的临界规模后，会表现出一些未能预测的、更复杂的能力和特性。模型能够从原始训练数据中，自动学习并发现新的、更高层次的特征和模式。这种能力，被称为“涌现能力”。
“涌现能力”，可以理解为大模型的脑子突然“开窍”了，不再仅仅是复述知识，而是能够理解知识，并且能够发散思维。
泛化能力，是指大模型通过“投喂”海量数据，可以学习复杂的模式和特征，可以对未见过的数据做出准确的预测。
简单来说，就像董宇辉一样，书读得多了，有些书虽然没读过，他也能瞎掰几句。
*参数规模越来越大，虽然能让大模型变得更强，但是也会带来更庞大的资源消耗，甚至可能增加“过拟合**”*的风险。
过拟合，是指模型对训练数据学习得过于精确，以至于它开始捕捉并反映训练数据中的噪声和细节，而不是数据的总体趋势或规律。说白了，就是大模型变成了“书呆子”，只会死记硬背，不愿意融会贯通。
预训练所使用的数据，我们也需要再说明一下。
预训练使用的数据，是海量的未标注数据（几十TB）。
之所以使用未标注数据，是因为互联网上存在大量的此类数据，很容易获取。而标注数据（基本上靠人肉标注）需要消耗大量的时间和金钱，成本太高。
预训练模型，可以通过无监督学习方法（如自编码器、生成对抗网络、掩码语言建模、对比学习等，大家可以另行了解），从未标注数据中，学习到数据的通用特征和表示。
这些数据，也不是随便网上下载得来的。整个数据需要经过收集、清洗、脱敏和分类等过程。这样可以去除异常数据和错误数据，还能删除隐私数据，让数据更加标准化，有利于后面的训练过程。
获取数据的方式，也是多样化的。
如果是个人和学术研究，可以通过一些官方论坛、开源数据库或者研究机构获取。如果是企业，既可以自行收集和处理，也可以直接通过外部渠道（市场上有专门的数据提供商）购买。
- 微调
预训练学习之后，我们就得到了一个通用大模型。这种模型一般不能直接拿来用，因为它在完成特定任务时往往表现不佳。
这时，我们需要对模型进行微调。
微调，是给大模型提供特定领域的标注数据集，对预训练的模型参数进行微小的调整，让模型更好的完成特定任务。
行业数据类别
微调之后的大模型，可以称之为行业大模型。例如，通过基于金融证券数据集的微调，可以得到一个金融证券大模型。
如果再基于更细分的专业领域进行微调，就是专业大模型（也叫垂直大模型）。
我们可以把通用大模型理解为中小学生，行业大模型是大学本科生，专业大模型是研究生。
微调阶段，由于数据量远小于预训练阶段，所以对算力需求小很多。
大家注意，对于大部分大模型厂商来说，他们一般只做预训练，不做微调。而对于行业客户来说，他们一般只做微调，不做预训练。
“预训练+微调”这种分阶段的大模型训练方式，可以避免重复的投入，节省大量的计算资源，显著提升大模型的训练效率和效果。
预训练和微调都完成之后，需要对这个大模型进行评估。通过采用实际数据或模拟场景对大模型进行评估验证，确认大模型的性能、稳定性和准确性等是否符合设计要求。
等评估和验证也完成，大模型基本上算是打造成功了。接下来，我们可以部署这个大模型，将它用于推理任务。
换句话说，这时候的大模型已经“定型”，参数不再变化，可以真正开始干活了。
大模型的推理过程，就是我们使用它的过程。通过提问、提供提示词（Prompt），可以让大模型回答我们的问题，或者按要求进行内容生成。
最后，画一张完整的流程图：
█ 大模型究竟有什么作用？
根据训练的数据类型和应用方向，我们通常会将大模型分为语言大模型（以文本数据进行训练）、音频大模型（以音频数据进行训练）、视觉大模型（以图像数据进行训练），以及多模态大模型（文本和图像都有）。
语言大模型，擅长自然语言处理（NLP）领域，能够理解、生成和处理人类语言，常用于文本内容创作（生成文章、诗歌、代码）、文献分析、摘要汇总、机器翻译等场景。大家熟悉的ChatGPT，就属于此类模型。
音频大模型，可以识别和生产语音内容，常用于语音助手、语音客服、智能家居语音控制等场景。
视觉大模型，擅长计算机视觉（CV）领域，可以识别、生成甚至修复图像，常用于安防监控、自动驾驶、医学以及天文图像分析等场景。
多模态大模型，结合了NLP和CV的能力，通过整合并处理来自不同模态的信息（文本、图像、音频和视频等），可以处理跨领域的任务，例如文生图，文生视频、跨媒体搜索（通过上传图，搜索和图有关的文字描述）等。
今年以来，多模态大模型的崛起势头非常明显，已经成为行业关注的焦点。
如果按照应用场景进行分类，那么类别就更多了，例如金融大模型、医疗大模型、法律大模型、教育大模型、代码大模型、能源大模型、政务大模型、通信大模型，等等。
例如金融大模型，可以用于风险管理、信用评估、交易监控、市场预测、合同审查、客户服务等。功能和作用很多很多，不再赘述。
█ 大模型的发展趋势？
截至2024年3月25日，中国10亿参数规模以上的大模型数量已经超过100个，号称“百模大战”。
这些大模型的应用领域、参数规模各有不同，但是，背后都是白花花的银子。
根据行业估测的数据，训练一个大模型，成本可能在几百万美元到上亿美元之间。例如，GPT-3训练一次的成本，约为140万美元。Claude 3模型的训练费用，高达约1亿美元。
如此多的企业推出大模型，实际上也是一种资源的浪费。
而且，大模型也分为开源大模型和闭源大模型。行业里有能力做闭源大模型的企业，并不是很多。大部分的大模型，都是基于开源大模型框架和技术打造的，实际上是为了迎合资本市场的需求，或者为了蹭热度。
行业里，目前仍有部分头部企业在死磕参数规模更大的超大模型（拥有数万亿到数千万亿个参数），例如OpenAI、xAI等。马斯克之前就在X平台宣布，xAI团队已经成功启动了世界上最强大的AI训练集群。该集群由10万块H100组成，主要用于Grok 2和Grok 3的训练和开发。
对于大部分企业来说，万卡和万亿参数其实已经是个天花板了，再往上走的意愿不强烈，钱包也不允许。
随着行业逐渐趋于理性，现在大家的关注焦点，逐渐从“打造大模型”，变成“使用大模型”。如何将大模型投入具体应用，如何吸引更多用户，如何通过大模型创造收入，成为各大厂商的头等任务。
大模型落地，就涉及到能力“入”端（下沉到终端）。所以，AI手机、AI PC、具身智能的概念越来越火，成为新的发展热点。
以AI手机为例，像高通、联发科等芯片厂商，都推出了具有更强AI算力的手机芯片。而OPPO、vivo等手机厂商，也在手机里内置了大模型，并推出了很多原生AI应用。
第三方AI应用的数量，就更不用说了。截止目前，根据行业数据显示，具有AI功能的APP数量已达到300多万款。2024年6月，AIGC类APP的月活跃用户规模达6170万，同比增长653%。
大模型入端，也带来了轻量化的趋势。为了在资源受限的设备上运行，大模型将通过剪枝、量化、蒸馏等技术进行轻量化，保持性能的同时减少计算资源需求。
█ 大模型会带来哪些挑战？
大模型是一个好东西，能够帮我们做很多事情，节约时间，提升效率。但是，大模型也是一把双刃剑，会带来一些新的挑战。
首先，是影响失业率。大模型所掀起的AI人工智能浪潮，肯定会导致一些人类工作岗位被替代，进而导致失业率上升。
其次，是版权问题。大模型基于已有数据进行学习。大模型生成的内容，尤其是用于文本、图像、音乐和视频创作，可能引发版权和知识产权问题。它虽然帮助了创作，但也“引用”了人类创作者的作品，界限难以区分。长此以往，可能打击人类的原生创作热情。
第三，大模型可能引发算法偏见和不公平。也就是说，训练数据中存在的偏差，会导致大模型学习到这些偏差，从而在预测和生成内容时表现出不公平的行为。模型可能无意中强化社会上的刻板印象和偏见，例如性别、种族和宗教等方面的偏见。大模型生成的内容也可能被用于政治宣传和操纵，影响选举和公共舆论。
第四，被用于犯罪。大模型可以生成逼真的文本、图像、语音和视频，这些内容可能被用于诈骗、诽谤、虚假信息传播等恶意用途。
第五，能耗问题。大模型的训练和推理需要大量的计算资源，这不仅增加了成本，还带来了巨大的碳排放。很多企业为了服务于资本市场或跟风，盲目进行大模型训练，消耗了大量的资源，也导致了无意义的碳排放。
总而言之，大模型在伦理、法律、社会和经济层面带来的威胁和挑战还是很多的，需要更多时间进行探索和解决。
好啦，以上就是今天文章的全部内容，希望对大家有所帮助！
零基础入门AI大模型
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。
标签：学习,入门,训练,AI,模型,写给,参数,数据,科普 From： https://blog.csdn.net/weixin_49892805/article/details/144607579