总结1:大语言模型概述
·
前言:本篇文章是我对大语言模型的基础认知学习的总结,本篇行文逻辑:
AI是什么 → AI发展从1.0到2.0的演变 → 什么是大语言模型LLM → 市面上常见大模型介绍 → 大模型各行各业落地应用 → 大模型未来趋势与现存挑战、解决办法
一、什么是人工智能AI
人工智能(AI)就是让机器模仿人的智能,可以学习、思考、做决定,是一门交叉学科。它有两层递进技术:
- 机器学习:让计算机模仿人类学习,不断优化自己的能力。
- 深度学习:是机器学习的进阶,模仿人脑神经元结构看懂图片、听懂声音、读懂文字,大模型就是深度学习发展出来的产物。
AI两代时代变迁
- AI1.0(感知智能时代) 机器只会看、听这类感知任务,比如人脸识别、语音转文字。缺点:只能做特定任务,不会通用思考、没有创造力,需要人提前写好规则。
- AI2.0(认知智能·大模型时代) 机器可以主动理解、推理、自我学习,不需要人写死程序,能回答各类问题、写文案做创作,拥有通用处理任务的能力。
相关名词科普
- AIGC(AI生成内容):AI自动产出内容,写新闻、做剧本、修图、生成视频、数字人播报都属于它。
- AGI通用人工智能:AI终极目标,拥有和人一样的综合思考能力,可以解决各种陌生复杂问题;大模型是实现AGI的重要台阶,但不等于已经实现AGI。
AI发展时间线:AI经历70多年两落三起,从1956年概念提出,中间两次遇冷,2010年后算力、数据爆发迎来复苏;2017年Transformer算法问世,之后GPT、ChatGPT诞生,正式开启大模型浪潮。

二、什么是大语言模型LLM
大语言模型LLM,简单讲就是见过海量文字的超级AI大脑。用亿万级文本数据训练,学会理解人类语言、生成通顺回答。
五大特点
- 训练数据量巨大
- 参数量巨大(1B代表10亿参数,例如DeepSeek671B就是6710亿参数)
- 内部模型结构复杂
- 需要很强算力才能跑起来
- 预训练完成之后,具备很强的举一反三(泛化)能力
为什么最近大模型才兴起?4个底层原因
- 硬件变强:GPU、TPU高性能显卡普及,才有算力训练巨型模型。
- 算法突破:Transformer架构出现,擅长处理长篇文字。
- 数据爆炸:互联网海量文字、图片、视频给模型当做学习素材。
- 工具成熟:TensorFlow、PyTorch分布式训练框架,可以多机器一起训练大模型。

三、市面上常见的大模型
分为国内、国外,还分为开源(代码公开,可以自己修改部署)、闭源(只能调用服务,拿不到底层代码)。
|
模型 |
开源/闭源 |
厂商 |
简单特点 |
|
DeepSeek |
开源 |
深度求索 |
多模态,可以看图、画图推理 |
|
通义千问Qwen |
开源 |
阿里 |
中文强,推理能力优秀 |
|
智谱清言GLM |
开源 |
智谱科技 |
中文场景、各行各业适配好 |
|
豆包Doubao |
闭源 |
字节跳动 |
多轮对话,理解情绪,上下文聊天 |
|
混元 |
开源 |
腾讯 |
文本、图片、视频多模态处理 |
|
Kimi |
开源 |
月之暗面 |
擅长处理超长文本阅读 |
|
GPT系列 |
闭源 |
OpenAI |
综合能力强,多语言处理 |
|
Claude |
闭源 |
Anthropic |
擅长超长文档,输出安全稳定 |
|
LLama |
开源 |
Meta |
海外主流开源模型,扩展性好 |
|
Gemini |
闭源 |
谷歌 |
文本、图片、视频一体化多模态 |
小知识:模型版本与计费概念
- 上下文长度Token:代表模型一次性能读多少文字,256K就是一次性最多处理约25.6万token长文本,适合读长篇合同、书籍。
- RPM:每分钟最多可以发起多少次API请求;TPM:每分钟最多处理多少文字token。付费版本限制更高,性能更稳定。
- 同一系列会分不同档次旗舰版、均衡版、轻量版:复杂任务用旗舰;简单任务选轻量版,速度快、花钱少。
四、大模型怎么赋能各行各业
当前大约60%企业,会基于行业垂类大模型落地AI业务,不再只用通用大模型。
通用基础场景
- 智能客服:文字语音接待用户,市场高速增长,2027年预计规模181亿。
- 智能搜索:不是简单网页检索,AI理解你的问题再整合答案,国内8亿多网民使用搜索。
- 智能营销:写文案、分析用户,挖掘消费需求,2027年市场预计786亿。
各个垂直行业落地
- 金融行业 数字员工咨询服务、智能投研分析、智能风控核保理赔、银行内部办公、私域社群营销;解决人力不足、报告撰写慢、审核效率低等痛点。
- 政务行业 公文写作、政务咨询、线上办事、舆情监控、城市治理、智慧司法,提升政府办公和民生服务效率。
- 医疗行业 电子病历、辅助诊疗、医学影像筛查、医学培训、药物研发;复刻老中医经验、搭建AI数字医生;缓解名医稀缺、看病等待久的痛点,同时减轻医护文书压力。
- 其他众多领域
- 法律:合同审查、案例检索、文书撰写;
- 文旅:个性化游玩推荐、多语言翻译、沉浸式体验;
- 影视游戏:生成画面视频、3D内容制作;
- 新闻媒体:AI数字主持人播报新闻。
- 机器人:给实体机器人装上大模型,听懂人话、看懂周围环境;
- 电商:分析市场热点、生成营销物料、反向指导产品生产;
- 工业制造业:研发设计、生产异常检测、故障诊断、维修指导、供应链优化。

五、大模型未来趋势、挑战以及解决手段
✨发展趋势
- 技术层面:模型效率更高,多模态(文字图片视频打通)更强,努力提升AI的可解释性。
- 应用落地层面:行业专用大模型大量出现;模型可以部署在本地设备(边缘部署);普通人结合AIGC创作的生态会越来越繁荣。
⚠️现存挑战
- 安全伦理风险:输出虚假内容、数据隐私泄露,人机交互还不够完善。
- 资源与公平问题:训练大模型消耗巨大算力能源;不同企业地区使用AI的水平差距大。
🛠三种主流解决办法,让大模型更好用
- 提示工程(Prompt):写好提问指令,引导大模型输出想要的结果,低成本改造效果。
- 外挂知识库RAG + Agent智能体:把企业自己文档喂给大模型,不改动模型本体,AI就可以读取私有资料做问答;智能体可以让AI自动完成一连串复杂任务。
- 模型微调:拿行业专属数据进一步训练大模型,深度改造模型适配业务,适合高度专业垂类场景。

更多推荐

所有评论(0)