引言

当GPT-4展现出惊人的上下文理解能力，当Stable Diffusion创造出媲美人类画师的图像作品，当AlphaFold2破解蛋白质折叠密码——这些里程碑事件标志着人工智能发展进入大模型主导的新纪元。本综述将深入解析这一技术革命的核心载体——AI大模型。

一、AI 大模型是什么​

概念：AI 大模型，本质上是基于深度学习理论构建的超大规模模型。这些模型借助海量数据训练，拥有强大的泛化能力，能够处理多种复杂任务。

大模型技术特征体现在三个维度：

1. 技术架构​革命

LLM 基于 Transformer 架构搭建。Transformer 采用自注意力机制，突破了传统循环神经网络（RNN）和卷积神经网络（CNN）在处理长序列数据时的局限，能够并行处理输入序列，极大提升了模型训练和推理的效率。​

2. 训练范式革命

通过自监督学习在海量无标注数据（如互联网文本、图像对）上训练，形成通用知识表征，从监督学习转向"预训练+提示工程"的新方法论。此外，强化学习技术的引入，使模型能依据人类反馈对生成结果进行优化，进一步提升模型的性能。​

3. 规模突破

“大” 的特性，赋予了大模型强大的语言理解和生成能力，以及出色的泛化性能。AI 大模型的 “大” 主要体现在三个方面：

• 一是参数规模庞大，GPT - 3 拥有 1750 亿个参数，华为的盘古 - σ 模型参数规模更是达到 10000 亿。
• 二是数据量巨大，如 Llama 2 在 2 万亿令牌上进行训练。
• 三是对计算资源需求高，GPT - 4 的训练成本超过 1 亿美元。

二、关键概念与核心架构

1. 关键概念

• 预训练（Pre-training）：无监督训练，掩码语言建模（MLM），下一词预测（Next Token Prediction；

• 监督微调（Supervised Fine-Tuning）：SFT 是指在预训练好的LLMs的基础上，利用带有标签的数据集来进一步训练模型，使之能够执行特定的下游任务。

• 强化学习对齐（RLHF）：RLHF 是一种训练方法，它将强化学习（RL）与人类反馈相结合，以使大语言模型（LLMs）与人类的价值观、偏好和期望保持一致。主要包含两个组成部分：

  • 收集人类反馈来训练奖励模型：人类评估者通过对 LLM 输出的质量、相关性等因素进行评分或排名，提供反馈。然后使用这些反馈来训练一个奖励模型，该模型预测输出的质量，并在强化学习过程中作为奖励函数；

  • 使用人类反馈进行偏好优化&#x