0001 - 大模型概念入门
@[TOC](大模型概念入门)什么是大模型？一文读懂 AI 大模型
本文将带你从零了解大模型的定义、原理、发展历程与分类。
一、什么是大模型
大模型，一般也称为大语言模型，是一种基于深度学习技术训练出来的人工智能系统，主要用于处理和生成人类语言。
核心特点
| 特点 | 说明 |
|---|---|
| 模型规模 | 通常包含数十亿到数千亿个参数，这些参数就像是模型的"大脑神经元" |
| 训练数据 | 使用海量文本数据进行训练，包括书籍、文章、网页等各种形式的文字内容 |
二、大模型的底层原理：深度学习
深度学习就是用层数较多（深）的人工神经网络从数据中学习输入与输出之间映射关系的算法，而人工神经网络是受生物神经网络的结构和功能启发下设计的计算模型。
用深度学习训练得到的网络叫做深度神经网络，它可以简单地看成一个函数，能够完成任何输入到输出的转换。
直观理解：成语补全游戏
以成语补全为例，输入成语的前三个字，让网络输出最后一个字：
- 输入「朝思暮＿」→ 输出「想」
- 输入「一心一＿」→ 输出「意」
- 输入「脱颖而＿」→ 输出「出」
这正是深度神经网络作为"函数"完成输入到输出转换的直观体现。
三、大模型的发展历程
3.1 宏观视角：AI 发展的"三叠浪"
AI 的发展经历了从感知理解世界到生成创造世界的重大转变：
- 感知理解阶段：分析数据，给出建议
- 生成创造阶段：合成数据，创造结果
AI 技术里程碑：
控制论 → NLP → CV → 深度学习 → GAN → AI4S → ChatGPT → …
AI 重点事件里程碑：
| 年份 | 事件 |
|---|---|
| 1956 年 | 达特茅斯会议，AI 概念正式提出 |
| 1997 年 | 深蓝机器人战胜人类（国际象棋） |
| 2007 年 | 视觉识别超过人类 |
| 2020 年 | AlphaFold 蛋白质结构预测突破 |
| 2022 年 | ChatGPT 发布 |
| 2023 年 | GPT-4 发布 |
AI 产业发展"三叠浪"：
- 第一浪：专家系统
- 第二浪：安防-视觉、互联网-推荐
- 第三浪：以 ChatGPT 为代表的生成式 AI（正在进行中）
3.2 微观视角：2022—2025 大模型关键进展
ref：中文大模型基准测评 2024 年度报告（2025.01.08）
准备期（2022.12）
- ChatGPT 发布，全球范围内迅速形成大模型共识
- GPT-4 发布，进一步掀起大模型研发热潮
- 国内快速跟进：文心一言 1.0、通义千问、讯飞星火、360 智脑、ChatGLM 等首批模型相继发布
跃进期（2023.06）
海外动态：
- Llama 2 开源，极大助力全球大模型开发者生态
- GPT-4 Turbo、Gemini 等海外大模型发布，持续提升模型性能
- Midjourney 5.2 与 Stable Diffusion XL 发布
国内动态：
- 闭源快速发展：豆包、混元、商量 3.0、盘古 3.0、AndesGPT、BlueLM、星火 3.0、Kimi Chat 等陆续发布
- 开源生态爆发：Baichuan、Qwen、InternLM、ChatGLM3、Yi-34B等系列模型引领开源热潮
繁荣期（2023.12 — 2024.06）
海外动态：
- OpenAI 发布 Sora，极大拓展了 AI 在视频领域的想象力
- GPT-4o、Claude 3.5、Gemini 1.5、Llama 3 发布，海外进入"一超多强"竞争格局
国内动态：
- 多模态领域进展迅速：可灵 AI、海螺视频、Vidu、PixVerse 等视频生成模型陆续发布，并在海外取得较大应用进展
- 通用模型持续提升：Qwen2.5、文心 4.0、GLM4、商量 5.5 等持续更新
深化期（2024.06 — 2025.01）
海外动态：
- OpenAI 发布 o1，强化学习新范式，实现推理等复杂能力上的重大突破
- Claude 3.5-Sonnet 发布，在代码和 Agent 能力上掀起效率革命
- ChatGPT 上线实时视频能力，深入语音视觉实时多模态应用场景
国内动态：
- 推理模型迅速跟进：DeepSeek-R1、QwQ-32B-Preview、Kimi-k1.5、GLM-Zero、Skywork-o1、StepR-mini、讯飞星火 X1 等模型密集发布
- 模型性能持续提升：DeepSeek-V3、Qwen2.5、豆包-Pro、混元-Turbo、GLM-4-Plus 等系列模型综合能力持续提升
3.3 演进路径总结
大语言模型 ➡ 多模态 ➡ 生成模型 ➡ 推理模型
四、大模型分类
根据处理数据的类型，大模型主要分为以下四类：
| 类型 | 代表模型 | 说明 |
|---|---|---|
| 语言大模型 | DeepSeek、GPT 系列 | 处理和生成文本语言 |
| 图像处理大模型 | Stable Diffusion | 图像生成与理解 |
| 语音大模型 | 科大讯飞·讯飞星火 | 语音识别与合成 |
| 多模态大模型 | Foundation Model | 同时处理文本、图像、语音、结构化数据、3D 信号等多种模态 |
多模态大模型支持的任务
多模态大模型可以接受多种类型的输入数据（文本、图像、语音、结构化数据、3D 信号），经过训练与适配后，支持以下任务：
- Question Answering（问答）
- Sentiment Analysis（情感分析）
- Information Extraction（信息抽取）
- Image Captioning（图像描述）
- Object Recognition（目标识别）
- Instruction Following（指令跟随）
总结
| 维度 | 要点 |
|---|---|
| 定义 | 基于深度学习的大参数量 AI 系统 |
| 原理 | 深度神经网络 = 输入到输出的映射函数 |
| 规模 | 数十亿 ~ 数千亿参数 |
| 发展阶段 | 准备期 → 跃进期 → 繁荣期 → 深化期 |
| 演进趋势 | 大语言模型 → 多模态 → 生成模型 → 推理模型 |
| 主要分类 | 语言 / 图像 / 语音 / 多模态 |
大模型正在从"感知理解世界"迈向"生成创造世界"，这场 AI 革命才刚刚开始。