导 读INTRODUCTION

今天继续哈尔滨工业大学车万翔教授带来了一场主题为“DeepSeek 技术前沿与应用”的报告。

本报告深入探讨了大语言模型在自然语言处理（NLP）领域的核心地位及其发展历程，从基础概念出发，延伸至语言模型在机器翻译、拼音输入法、语音识别等任务中的关键作用。强调了语言模型不仅辅助其他NLP任务，本身也蕴含大量知识，如地理信息、语义理解和推理能力。随着技术的发展，尤其是transformer模型的引入，预训练模型时代开启，GPT系列模型成为里程碑，GPT-3通过大规模参数和数据预训练，展现强大的文本生成能力，尽管存在知识准确性问题。ChatGPT的出现通过无监督、有监督和强化学习的融合，显著提高了模型性能和泛化能力，尤其在推理任务上取得突破。DeepSeek的RE模型通过极致的模型架构优化和开源精神，实现了高性价比、高性能的推理能力，接近甚至媲美顶尖模型，引起广泛关注。

此外，讨论了如何有效利用大模型的策略，包括清晰指令、提供丰富参考资料、分解复杂问题等，以及专业领域知识融合的方法，如检索增强和微调。最后，展望了人工智能的未来方向，强调了语言模型作为AI基石的重要地位和持续的研究挑战。

哈尔滨工业大学：《大模型原理 技术与应用-从GPT到DeepSeek》

网盘下载：https://pan.quark.cn/s/230cde4fd7c8

以下是部分内容预览：

1.大语言模型原理、技术和应用介绍

介绍主要围绕大语言模型的原理、技术和应用展开，重点讨论从GPT到DeepSeek的发展过程。主讲人陈万祥来自计算学部人工智能学院，专注于社会计算与交互机器人研究中心的研究。他强调了语言作为交流工具和知识载体的重要性，并解释了大语言模型如何通过分析和理解人类历史上的文字，掌握和创造知识。

2.自然语言处理：人工智能的皇冠明珠

自然语言处理专注于人类语言的文本符号处理，涉及理解和生成两个关键方面，被视为认知智能的一部分，是人工智能领域中尤为复杂且重要的部分。该领域的突破被视为推动人工智能更大进展的关键，因此自然语言处理被誉为人工智能皇冠上的明珠。随着语言模型的发展，自然语言处理不仅在其自身领域取得了显著进步，也促进了整个人工智能领域的快速发展。

3.自然语言处理的发展历程及大模型技术

自然语言处理学科历史悠久，自上世纪50年代计算机发明后，机器翻译作为重要研究课题诞生，旨在解决美苏冷战时期的情报需求。尽管最初认为机器翻译任务简单，但历经70年发展，至今仍未彻底解决，尽管现有技术已显著提升。早期尝试通过知识灌输和浅层机器学习解决自然语言处理问题，效果有限。深度学习的出现，尤其是预训练语言模型，为自然语言处理带来了革命性进展，奠定了大模型技术的基础。大模型，或大规模预训练语言模型，已成为当前自然语言处理领域的核心技术。

4.预训练语言模型及其在自然语言处理中的应用

预训练语言模型，以GPT为代表，是一种通过大量文本数据进行训练，以生成和理解自然语言的模型。它通过衡量一个句子在语言中出现的概率，为自然语言处理任务提供支持。预训练语言模型不仅在机器翻译、拼音输入法和语音识别等任务中起到关键作用，还能通过预测下一个词的概率来辅助理解和生成流畅的文本。

5.语言模型的重要性及GPT的创新点

语言模型在预测下一个词的过程中蕴含大量知识，如地理信息、语义信息和推理能力。GPT通过使用transformer模型、预训练和简化下游任务模型的创新，有效提升了语言模型的性能，开启了自然语言处理预训练的时代。这些创新使得GPT能更准确地理解和生成语言，解决了传统技术的不足，从而在多种自然语言处理任务中取得显著成果。

6.预训练模型在自然语言处理中的作用及发展

讨论了预训练模型在自然语言处理领域的应用和优势，对比了预训练和非预训练模型处理数据的方法。通过类比教育过程，阐述了预训练模型如何通过大量未标注数据学习通用任务，随后在特定任务上进行精调以提高效果。特别提到了GPT系列模型的发展，从GPT1到GPT3，模型规模逐渐增大，至GPT3时参数量达到了1750亿，强调了大模型在当前技术下的重要性。

7.大模型在学术界的发展与挑战

在学术界，早在2020年之前就认识到大模型的重要性，特别是GP3模型因其巨大参数量带来的预训练和精调难题，促使研究者探索新范式。Open I提出的方法是让下游任务适应模型，而非模型适应任务，这通过将任务转化为语言模型预测上下文的任务来实现。例如，情感分类任务可以通过给定任务描述和示例让模型识别文本情感。GP3模型展示了强大的文本生成能力，甚至能自动编写代码，引发了通用人工智能是否已到来的讨论。然而，GP3也存在明显不足，如知识不准确和推理能力缺失，导致其在某些任务上的表现不如其他特定工作。因此，后续研究致力于增强模型的鲁棒性、解释性和推理能力。

8.ChatGPT的关键技术及其突破

对话中详细介绍了ChatGPT通过无监督学习和大规模预训练语言模型实现显著效果的关键技术。ChatGPT不仅模型规模大，预训练数据量也巨大，这使其见过的知识更多，参数容量更大。此外，对话指出ChatGPT颠覆了仅预训练的范式，通过将所有任务统一格式进行精调，使其不仅在已见过的任务上表现优异，还能泛化到从未见过的任务上，展现了强大的任务泛化能力。

9. ChatGPT关键技术及其引发的模型竞争

ChatGPT采用无监督学习、有监督学习和强化学习三项关键技术，其中强化学习特别通过人类反馈进行强化对齐，以使生成结果更符合人类期望并减少人工标注难度。这项技术的出现引起了学术界和工业界的广泛关注，激发了众多公司投入到相关领域，导致新模型层出不穷，形成了激烈的竞争态势。

10.Deep Seek模型为何突然走红

Deep Seek（DP sik）模型在一月底发布后迅速引起关注，尤其在国外，其在Nature杂志的报道中被描述为一款高性价比、完全开源的推理模型，性能可媲美顶级的OE模型。这些特点，尤其是其高性能和开源性，使得Deep Seek在众多模型中脱颖而出。

11.DeepSeek的推理模型及其核心技术创新

深入探讨了DeepSeek开发的推理模型及其发展历程，强调了模型从V1到V3、R1 zero再到21的迭代更新。特别提及了GRPO技术，这是一种由DeepSeek在去年二月提出的强化学习方法，其显著特点是无需驾驶网络，降低了对机器性能的要求，提高了学习的稳定性和效率。该模型在复杂推理任务上表现优异，主要贡献在于证明了通过强化学习即可获得推理能力，无需人工标注数据，从而大幅降低了成本。此外，模型架构的极致优化使得训练和推理速度大幅提升，降低了对算力的需求，拓宽了应用范围。DeepSeek坚持开源精神，公开了模型和详细的技术报告，这与某些竞争对手的封闭做法形成鲜明对比。推理被认为是人工智能发展的第六次范式变迁，DeepSeek的成功复现为这一技术路线的可行性提供了信心，激发了更多相关研究和实践。

12.思维链和强化学习在推理能力中的应用

推理技术在解决问题时，模仿人类分步骤思考的过程，而不是一步到位。2022年提出的思维链范式，让模型在输出时不仅给出最终答案，还展示中间解题步骤，增强了模型的推理能力。早期模型如Deep sik RE和OE通过强化学习，使模型自动学习推理能力，而不是依赖模型大小的增加。RE zero模型通过自我博弈和强化学习，让模型探索推理步骤，如果得出正确答案则给予奖励，错误则惩罚，以此训练模型的推理过程。这种技术不仅学习稳定性好，还能节省资源。

13.强化学习在自动推理过程中的显著进展

通过强化学习的方法，模型在AIME（美国数学奥赛）题目的表现从39%显著提升到了71%，接近预览版的open IOE能力。随着模型训练步骤的增加，其推理能力持续增长，显示了模型在算力充足的情况下探索更多路径的可能性。特别的是，模型在学习过程中展现了自我反思的能力，即能够识别错误的推理并进行修正，称为aha moment。同时，推理步骤随学习过程的增加而自然增长，但是否越多越好还需根据问题的复杂性决定。此外，为解决RE zero在推理步骤的可读性问题，阿尔法zero（R one）在冷启动阶段引入少量示例以指导模型学习一种语言和规范的格式，经过四个步骤的改进，模型的推理格式和语言表达更加规范，其能力从71%提升到接近80%，几乎与open I的正式版模型相当。

14.极致模型优化与开放的AI技术

讨论了Dik在模型架构优化方面的重要工作，包括使用算法优化、深度混合专家模型（MOE）、多头隐含注意力机制和多词源预测等技术，提高了模型预测效率和学习效率。此外，还介绍了在模型训练中的混合精度、并行训练架构和跨节点高效通讯等底层创新，以及Dik将这些核心技术和模型参数全面开源，甚至包括底层文件系统的优化，展示了其在AI领域的开放和极致优化策略。

15.Deep Sick模型的优化策略及影响

Deep Sick模型通过集合多种优化策略，显著降低了训练成本至其他模型如LAMA的十分之一，同时提高了性能。这种成本效益使得在有限资源下也能充分利用现有计算能力。Deep Sick的发布对Meta的LAMA项目造成压力，甚至影响了Meta的决策和人员调整。从GPT到Deep Sick的发展历程中，技术路线保持一致，主要通过大规模语言模型预训练并结合transformer架构，而Deep Sick在工程优化上达到了新的高度。

16.大模型应用及prompt设计原则

强调了有效使用大模型的关键原则，主要包括：确保指令清晰具体，使用分隔符提高识别准确性，提供示例以引导模型产生更佳结果，供给丰富参考资料以增强回答的准确性和深度，将复杂问题分解为步骤逐一解决，利用模型内置的外部工具如Python程序和搜索引擎提升问题解决能力，以及给予模型更多思考时间以获得更佳结果。这些策略旨在优化与大模型的互动，提高其在各种任务中的表现。

17.大模型在专业领域应用的挑战与策略

讨论了在特定专业领域中应用大模型时遇到的挑战和解决策略。首先提出通过优化prompt（即prompt工程）来充分利用模型的能力，即使模型可能未充分掌握某一领域的专业知识。如果单纯的知识不足，建议使用检索增强（RAG）技术，即通过检索相关领域的知识库来辅助模型生成更准确的答案。对于风格或格式上的问题，则可以通过微调模型来解决。此外，还介绍了智能体和多智能体技术在解决问题和科学研究中的应用，以及在实际应用中需考虑的模型小型化、个性化、安全性和隐私性等问题。最后，提到了实验室在大模型训练、增强及应用领域的工作，包括发布的开源对话模型“活字”。

18.大模型技术在代码生成与智能医疗等领域的应用

讨论聚焦于利用大模型技术在多个领域的创新应用，包括代码自动生成、智能医疗、以及机器人控制。首先，介绍了一种名为“珠算”的代码大模型，该模型具备轻量化、高效且功能强大的特点，能自动完成代码编写任务，从而提升编程效率并辅助模型进行复杂推理。此外，讨论了大模型在精神健康领域的应用，例如与中小学生聊天以缓解心理压力，以及通过引导式对话分析和疏导心理疾病。在医疗领域，介绍了中国首个医学大模型“本草”，以及基于大模型的多智能体辩论和人机融合医疗会诊平台，用于解决复杂医疗问题。最后，提到了软硬一体的机器脑项目，展示了通用机器人脑在控制多种形态机器人、执行复杂任务（如自动打咖啡）方面的潜力，体现了大模型技术在智能机器人领域的应用前景。

19.人工智能未来发展方向及阶段预测

讨论了人工智能未来的发展方向，强调了从当前推理阶段向多模态、具身能力乃至社会自组织机器人的演进。提到了从非交互式到交互式的转变，并详细介绍了Open I提出的通用人工智能发展的五个阶段：聊天机器人、推理器、代理、创新和组织，每个阶段代表了AI能力的逐步提升。此外，还探讨了实现这些阶段所需的条件，包括互联网级别的数据、多模态和物理控制能力，以及最终的社会自组织能力。

20. 自然语言处理与大模型技术的未来展望

重点介绍了自然语言处理（NLP）作为人工智能的关键领域，被誉为人工智能皇冠上的明珠。大模型，也被称为基础模型（foundation model），已成为人工智能的基石，支撑着其他能力的发展。特别提到了deep seek的R一模型，其三大核心贡献包括仅通过强化学习获得推理能力、极致的模型优化，以及开源和蒸馏技术的应用。报告还探讨了transformer模型的主导地位和未来可能的替代技术，以及自然语言处理从面向自然语言转向基于自然语言的处理，语言模型成为人工智能的基石。最后，提出了创新能力和人工智能学院作为未来研究和教育的方向。

篇幅有限以上只是部分内容概览