写给小白的大模型入门科普

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。

 

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！
文章来源于鲜枣课堂，作者小枣君