为什么要用AI大模型？

前言

2021 年 8 月份，李飞飞和 100 多位学者联名发表一份 200 多页的研究报告《On the Opportunities and Risk of Foundation Models》，深度地综述了当前大规模预训练模型面临的机遇和挑战。

语言模型已经深刻变革了自然语言处理领域的研究和实践。近年来，大模型在多个领域都取得了重要的突破。它们无需在下游任务上微调，通过合适的指令或者提示就可以取得优异的性能，甚至有时让人为之惊叹。例如，GPT-3 [1] 可以写情书、写剧本和解决复杂的数据数学推理问题，PaLM [2] 可以解释笑话。上面的例子只是大模型能力的冰山一角，现在利用大模型能力已经开发了许多应用，在OpenAI的网站 [3] 可以看到许多相关的demo，而这些能力在小模型上却很少体现。

突现能力

将那些小模型不具备而大模型具备的能力称为突现能力（Emergent Abilities），意指模型的规模大到一定程度后所突然获得的能力。这是一个量变产生质变的过程。

突现能力的出现难以预测。为什么随着规模的增大，模型会忽然获得某些能力仍旧是一个开放问题，还需要进一步的研究来解答。

大模型定义

何谓大模型？到什么尺寸才算“大”？这并没有一个明确的定义。一般来说，模型参数可能要达到十亿级别才会显示出明显不同于小模型的zero-shot和few-shot的能力。近年来已有多个千亿和万亿级别参数的模型，在一系列的任务上都取得了SOTA的表现。在一些任务中，模型的性能随着规模的增加而可靠地提高，而在另一些任务中，模型在某个规模上表现出性能的突然提升。可以用两个指标去对不同的任务进行分类 [4]：

Linearity: 旨在衡量模型随着规模的增加在任务上的表现在多大程度上得到可靠的提高。
Breakthroughness: 旨在衡量当模型规模超过临界值时可以在多大程度上学习任务。

高Linearity的任务大多是基于知识的，也就是说他们主要依赖于记忆训练数据中存在的信息，比如回答一些事实性的问题。更大的模型通常用更多的数据进行训练，也能记住更多的知识，所以模型随着规模的增大在这类任务上显式出了稳定的提升。

高Breakthroughness的任务包括较复杂的任务，它们需要用几种不同的能力或执行多个步骤以得出正确的答案，例如数学推理。较小的模型难以获得执行这类任务所需要的所有能力。

大模型学习能力

研究人员发现通过添加一个简单的提示“Let’s think step by step”，就可以大幅提升GPT-3的zero-shot推理能力。这对于我们的启发是，大模型有时做不好某个任务，可能并不是真的做不好，而是需要合适的方式去激发它的能力。

视觉大模型

不同于语言大模型，视觉大模型在 Scalable 上仍然欠缺特别有效的方法。目前性能好的视觉模型还是得借助监督训练，借助 MoE 目前最大的视觉模型 V-MoE 有 15B 参数，而 Dense 模型最大的 SwinV2-G 只有 3B。两者通过监督学习在 ImageNet 上都能获得 90% 以上的准确度。但大量监督数据难以获得，并不利于大模型所需要的大数据。

解决此问题的方法之一，是通过与语言模型类似的无监督方法。视觉领域流行的对比学习方法训练的最大模型 SEER 10B 性能并没有过于显著。而借助 Transformer Encoder 架构的 MAE 等方法在 ImageNet-1k 上 finetune 后效果不错，但在更大数据集上没有展现 GPT-3 一样的效果涌现。视觉大模型仍然在呼唤一个 Scalable 能力超群的方法。

另一条思路是通过图片–文本对，进行多模态的训练，从而获得大规模的视觉模型。由于需要同时考虑如何处理语言和图片信息，又要考虑何时以何方式融合两者信息，多模态工作层出不穷。下图是智源大模型路线图论文中第 8 节列出的内容，详情可以自行参考。目前笔者看到的最大模型，是阿里 21 年发布的多模态模型 M6，共计 10T 参数量。

对比文本使用 Decoder 架构，文本生成可以同时作为预训练任务和下游任务，在视觉模型中，高质量的图片生成还需要专用的架构。这可能是由于图片的输入输出空间过大，冗余程度高，过分关注图片质量无法学到高层次的语义导致的（此原因有待斟酌）。图片生成的三大主流中，18 年的 BigGAN 达到了 158M 参数量获得了当时最好的性能，DALL-E 以 12B 参数代表了 dVAE 的巅峰，而 flow 类型暂时没有见到特别大的模型。最近，OpenAI 的 DALL-E-2 和 Google 的 Imagen 又让扩散模型（Diffusion Model）火了起来。大规模模型的图片生成使用何种方法最好似乎还暂时没有定论。

大模型真的是在做推理吗？

如我们之前看到的，通过添加提示“Let’s think step by step”，大模型在数学推理任务上就可以进行多步推理并取得令人满意的效果，似乎模型已经具备了人类的推理能力。但是，如下如所示，如果给GPT-3一个没有意义的问题，让它去做多步推理，GPT-3看似在做推理，实则是一些无意义的输出。正所谓“garbage in, garbage out”。相比较而言，人类就可以判断问题是否是合理的，也就是说在给定条件下，当前问题是不是可回答的。

“Let’s think step by step”能够发挥作用，根本原因还是GPT-3在训练过程中看过很多类似的数据，它做的只不过是根据前面的token去预测接下来的token罢了，跟人类的思考方式仍旧有本质的区别。当然，如果给合适的提示让GPT-3去判断问题是不是合理的或许它也能在某种程度上做到，但是距离“思考”和“推理”恐怕仍有相当大的距离，这不是单纯增大模型的规模能够解决的。模型或许不需要像人类那样思考，但是亟需更多的研究去探索除增大模型规模之外的路径。

大模型的未来

大模型在语言理解任务的成功，以及向其他数据模态，比如图像、知识、生物信息等的拓展巨大的前景指向了一个更通用的方向。在这个方向上，Manning本人也参与提出了近期大火的foundation model（基础模型）的概念。

基础模型是指百万以上参数，通过自监督学习在预料上训练的，可以轻松适配到多种下游任务的大模型（Bommasani et al., 2021）。BERT和GPT-3就是典型的例子，但最近在两个方向上涌现出不少的拓展性工作：

大模型连接知识，无论是以连接知识图谱神经网络，还是实时搜索文本知识的形式。
多模态的foundation model，比如DALL·E模型，这个方向也更激动人心。

AI模型收敛到少数几个大模型会带来伦理上的风险。但是大模型这种将海量数据中学来的知识应用到多种多样任务上的能力，在历史上第一次地非常地接近了（通用）AI的目标：对单一的机器模型发出简单的指令就做到各种各样的事情。

这类大模型可能只拥有非常局限的逻辑推理能力，但是大模型的有效性会让它们得到非常广泛的部署，在未来数十年它们会让人们领略通用人工智能的一瞥。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，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zi yuan得到学习提升
😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些P DF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍