今天，我们来看看RNN、Encoder技术最终累积导向的成果：LLM（Large Language Model）大型语言模型。

---

一、从RNN 到Transformer

这边稍微回顾一下深度学习模型架构：

1. RNN（Recurrent Neural Network）

• 特点：逐步处理序列资料
• 问题：长距离的文字关系比较难捕捉、训练时间比较长

2. Encoder–Decoder 架构

• 应用：翻译、摘要等序列转换任务
• 优点：分为Encoder（编码器）与Decoder（解码器）两个阶段

3. Transformer

• 能平行化运算（加快训练速度）

• 擅长捕捉长距离关系

• 核心：使用Self-Attention机制，同时考虑整句话的所有词。

• 优点：

• 搭配Positional Encoding，补足模型对「词序」的理解。

• Transformer 是现代LLM 的大大基石。

Transformer 架构概述

Transformer 采用「编码器（Encoder）」与「解码器（Decoder）」结构。例如将英文句子“This is an example” 翻译成德文“Das ist ein Beispiel”：

编码器（Encoder）：将输入文字转换成对应的嵌入向量（Embedding）。

解码器（Decoder）：根据已翻译部分（如“Das ist ein”），逐步生成下一个字（“Beispiel”）。

为什么要用Self-Attention？

在Transformer论文，作者说明了Self-Attention 的动机与计算优势，并与CNN 进行比较。其一大优点是：Self-Attention 具备可解释性（Interpretability）。不同的注意力头（Attention Head）倾向捕捉不同层次的语法或语意结构，这让模型不仅能学习上下文关系，也能展现语意层面的理解。

Transformer 与GPT 架构的差异

GPT 架构仅采用Transformer 的Decoder 部分，不包含Encoder。

模型会在每次迭代时产生一个新字，并将其作为下一次的输入。

Attention 机制是什么？

简单来说，Attention 机制是让模型在处理输入Token 嵌入时，考虑上下文关系的方式。以句子“Your journey starts with one step” 为例，「journey」的语意会根据上下文改变：

若搭配“travel”，是「实际旅程」；

若搭配“one step”，则是「人生旅程」。

模型透过Attention 来「关注」这些关联，进而判断词义。

Attention 的数学基础

Attention 的核心计算是Query与Key向量的内积（dot product），代表两者的相似程度。再经过Softmax 正规化，得到对每个Token 的「注意力分数（Attention Score）」。最后将各Token 的Value 向量按权重加总，形成Context 向量，代表该词在整句中的语境意义。

Scaled Dot-Product Attention（缩放点积注意力）

实际论文中的Attention 计算采用「缩放点积注意力」：

这里的frac{1}/{sqrt{d_k}} 是为了防止维度过高造成Softmax 梯度消失，使模型更稳定。

Multi-Head Attention（多头注意力）

Transformer 并非仅使用一组Attention，而是同时并行多组Scaled Dot-Product Attention。这让模型能从不同的语意角度关注资讯，进而提升准确度。

Masked Attention（遮罩注意力）

在Decoder 阶段，模型需要「自回归（Autoregressive）」地生成文字。因此，当模型预测下一个字时，只能关注当前与过去的Token，而不能偷看未来的字。 这透过在Attention 中加入遮罩（mask）实现。

---

二、LLM 是什么？

LLM，全名为Large Language Model（大型语言模型），是基于Transformer 架构、使用巨量文字资料训练而成的模型

不过，它的核心任务仍然是：「预测下一个词」

这项看似简单的任务，却演变成如今非常非常强大的语言模型能力🤯

LLM 的几个关键要素

1. 巨量参数（Parameters）

• 模型规模从几百万个参数（RNN 时代）提升至数千亿个参数（GPT-5、Claude、Gemini 等）。
• 每个参数都代表模型对语言的一种「微小的理解」。

2. 庞大训练资料（Data）

• 来源包括：维基百科、书籍、网页、对话、程式码等。
• 目标是让模型学会语言规则、语意关系、常识知识。

3. 强大的运算资源（Compute）

• 利用GPU/TPU 进行数周甚至数月的训练。

LLM 的核心理念

虽然LLM 是「语言模型」，但它其实学到的不只是文字的规则。
在预测下一个词的过程中，模型同时学会了：

• 语法结构：知道句子怎么组成
• 语意关联：理解不同词之间的语意距离
• 世界知识：从大量文本中归纳出事实与常识
• 推理能力：能在上下文中做出逻辑推断

LLM 的强项与限制

• 理解能力：LLM 能够处理复杂的语意与上下文，但是有时候还是会误解指令，像是我之前在请LLM 帮我产出一段程式码的时候，它说的跟它做的东西就是不一样，甚至一直鬼打墙😤。我相信大家应该多多少少都有遇过类似的情形…
• 幻觉😵‍💫：LLM 虽然说有强大的能力，我们有想问的东西就会拿去给LLM 解答，但是有一点要注意的是LLM 可能会有Hallucination（幻觉）… 听起来很神秘吼，但其实这个幻觉就是在说LLM 可能会产出与事实不符的文字资讯。

• 为什么会有这样的情况发生呢？ ➔ 因为LLM 基本上是从海量的资料在学习文字的规律，并根据学习到的东西，依据机率来去预测下个字，也就是说，它并不是在学「正确」的东西，而只是从被喂进去的东西当中再找出规律性而已
• 总而言之，很多人会以为LLM 提供的回答都是正确的，但是其实不尽然，因此这是要特别注意的地方哦～

• 非即时资料：一般来说，在训练模型的资料并不会是即时更新的，它都是有一定的时间限制，因此若不搭配网页搜寻的功能，很有可能得到的资讯就会不是最新的

LLM 的相关应用

LLM 不只是单一模型，而是整个AI 生态链的核心。
以下为环绕LLM 的一些应用与技术，包括：

• Chain-of-Thought（CoT）：让模型「逐步推理」。
• RAG（Retrieval-Augmented Generation）：让模型「查资料再回答」。
• Ollama：让使用者在本地执行开源模型，兼顾隐私与可控性。

其实还有很多很多的技术，这边就举这些为例。

三、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】