第1章：大模型基础认知
AI大模型实战营
本章：大模型基础认知
下章：暂无
沉淀分析成长⭐，我们一起进步❗️
人工智能演进与大模型兴起
什么是AI？
- AI是人工智能的缩写，它是一种模拟人类智能的技术；
- 使机器能够像人一样学习，思考和做出决策，从而能够自主地执行各种任务；
- 时至今日，人工智能的内涵已经大大扩展，是一梦交叉学科。
AI1.0到2.0的变迁：
工业革命（18世纪末-19世纪初） | 蒸汽机 | 提供了新的动力来源，推动了运输、制造业等领域的机械化。 |
第二次工业革命（19世纪末-20世纪初） | 电力 | 改变了照明、通信、制造等多个行业的运作方式，极大地提高了生产效率。 |
20世纪中叶 | 计算机 | 开启了信息处理的新纪元，对科学研究、商业管理、教育等领域产生了深远影响。 |
信息时代（20世纪末-至今） | 互联网 | 连接全球的信息网络，改变了人们的沟通、学习、工作及娱乐方式，成为现代社会的基础架构之一。 |
数字时代（21世纪） | 人工智能(AI) | 正在改变多个行业的工作流程，从医疗保健到金融服务，再到自动驾驶汽车等，展现了巨大的潜力和广泛的应用前景。 |
机器学习：
- 专门研究计算机怎么样模拟和实现人类的学习行为；
- 以获取新的知识或技能；
- 重新组织已有的知识结构使之不断改善自身的性能。
深度学习：
- 深度学习的概念源于人工；
- 神经网络的研究，深度学习模仿人脑的机制来解释数据；
- 例如图像，声音和文本。
大模型
大模型的全称为大语言模型，英文为Large Language Model ，也叫LLM
- 是一种基于机器学习和自然语言处理技术的模型；
- 它通过对大量的文本数据进行训练，来学习服务人类语言的理解和生成的能力。
大模型的特点：
- 数据量大；
- 规模大；
- 算力大；
- 参数量大；
- 具备强大泛化能力的预训练模型。
为什么大模型会兴起？
- 硬件进步：GPU，TPU等高性能计算设备的普及，使得训练大模型成为可能；
- 算法优化：如Transformer架构的提出，极大提升了模型处理长序列数据的能力；
- 数据爆炸：互联网文本，图像，视频等数据量激增（部分数据集达到PB级），为大模型训练提供燃料；
- 分布式训练：大规模分布式计算框架（如PyTorch，TensorFlow）的成熟，支持高效训练大模型。
大模型和通用人工智能：
- 通用人工智能：简称AGI，是指一种智能，能够理解，学习和应用知识和技能，需要能够处理极其广泛的问题和环境，具有很高的适用性，自主性和创造性。
- AIGC：是利用人工智能技术能够自动生成文本，图像，音频，视频等内容；
- AIGC的快速发展为AGI提供了部分技术积累，但AGI需要突破认知，推理等更高层能力。
常见大模型
- 目前国内外提供的大模型很多，OpenAI、文心（百度）、通义千问（阿里）、DeepSeek、星火（科大讯飞）、盘古（华为）等等。
- 国外大模型GPT等，在访问上需要额外处理，在目前大环境下不是我们的最好选择，而且性价比不高。
模型名称 | 开源 or 闭源 | 发布公司 | 主要特点 | 关键技术 |
DeepSeek | 开源 | 深度求索 | 专注于视觉与语言多模态结合，支持图像生成与推理 | 多模态学习、Transformer架构 |
通义千问(Qwen) | 开源 | 阿里巴巴 | 开源大模型，支持中文理解与生成，具备强大的推理能力 | GPT-3架构优化 |
智谱清言(GLM) | 开源 | 智谱科技 | 聚焦中文NLP，强大的跨行业能力 | 自监督学习、Transformer架构 |
豆包(Doubao) | 闭源 | 字节跳动 | 生成式AI产品，强调多轮对话和情感理解，生成符合上下文的文本 | GPT-3架构、知识增强 |
混元(Tencent Hunyuan) | 开源 | 腾讯 | 提供多模态AI能力，支持文本、图像、视频等多种数据类型的处理 | 多模态融合、深度学习 |
Kimi | 开源 | 月之暗面 | 专注于自然语言处理，提供高效的文本生成和理解能力 | 自监督学习、Transformer架构 |
GPT | 闭源 | OpenAI | 强大的自然语言处理能力，支持多种语言任务 | Transformer架构、大规模预训练 |
Claude | 闭源 | Anthropic | 专注于生成安全和可靠的文本，支持长文本生成 | Constitutional AI、Transformer架构 |
LLama | 开源 | Meta | 开源大模型，支持多种语言任务，注重效率和可扩展性 | Transformer架构、自监督学习 |
Gemini | 闭源 | 多模态模型，支持文本、图像和视频处理 | 多模态学习、Transformer架构 |
开源大模型 VS 闭源大模型
维度 | 开源大模型 | 闭源大模型 |
透明度 | 代码、数据、训练流程公开，可审查模型行为 | 黑箱操作，用户无法验证内部逻辑或数据来源 |
定制化能力 | 支持微调、领域适配，灵活适应特定任务 | 仅限API功能，无法修改模型结构或调整底层参数 |
成本控制 | 可本地部署，长期成本固定（硬件投入为主） | 按使用量付费（如Token计费），大规模应用成本高 |
性能上限 | 受限于社区资源，通常弱于头部闭源模型 | 依托大厂算力与数据，推理、多模态等能力更强 |
维护复杂度 | 需自行管理基础设施、安全更新和技术支持 | 供应商负责运维，用户无需关心底层技术细节 |
合规与隐私 | 数据完全本地化，满足严格隐私要求 | 依赖第三方API，数据需上传至外部服务器，存在泄露风险 |
常见大模型版本区分
- 通义千问 2.5：这是通义千问第 2.5 代通用模型；
- 版本编号 (如 0314、2025-03-05)：这些数字通常代表模型的发布或修订日期；
- 72B：指大模型的内部参数量，比如还有 DeepSeek 满血版 DeepSeek-671B，1 个 B 为 10 亿；
- 1M：这个标签通常指的是模型处理文本时的最大 token 数（或“上下文窗口”大小）。32k 意味着模型能够在一个实例中处理最多 32,000 个 token。这对于处理长文本特别有用；
- Turbo：这可能指的是模型的一个优化版本，旨在提高速度和效率，可能在保持生成质量的同时减少了资源消耗；
- Preview：这通常意味着该模型是供早期访问、测试或预览的版本。它可能不是最终的商业版本，但提供了对即将发布功能的早期查看；
- 带 V 字：这意味着模型被设计或优化以处理视觉数据，比如图像或视频。
大模型行业赋能
大模型+金融
大模型+政务
大模型+金融
大模型+法律/游戏
大模型+电商
大模型+教育
大模型的趋势和挑战
发展趋势：
- 技术突破：更大、更高效、更智能
- 模型规模的进一步扩大；
- 模型效率的提升；
- 多模态能力的增强；
- 可解释性和透明性的提升。
- 应用落地：垂直化与普惠化模型规模的进一步扩大
- 定制化和专用化，行业大模型爆发；
- 边缘端部署；
- UGC+AIGC生态融合。
大模型的挑战：
- 安全问题
- 伦理和安全问题；
- 数据和模型的治理；
- 人机协作的优化。
- 均衡问题
- 资源消耗和环境影响；
- 技术普及的不均衡。
大模型开发Hello World
基本步骤：
- 注册用户（阿里云注册地址）；
- 开通大模型功能；
- 获取API Key，配置环境变量；
- 通过代码调用API 实现功能。
import os from openai import OpenAI client = OpenAI( api_key=os.getenv("DASHSCOPE_API_KEY"), base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", ) completion = client.chat.completions.create( model = "qwen-plus", messages=[ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "Hello!"} ] ) print(completion.choices[0].message.content)注意我们需要先安装openai依赖
pip install openai