LLM-大模型原理

一、什么是AI和AGI

定义:
AI：人工智能(ArtificialIntelligence)，是一种通过计算机系统模拟、延伸和扩展人类智能的技术。AG1：通用人工智能(Artificial General Intelligence)

区别:
传统AI是一种弱AI，只能解决单一的问题，如图像识别，语音识别和转换，只能解决单一问题。
AGI是一种强A1，是可以解决多场景、多领域的问题。

⼆、⼤模型发展史

1. 机器学习

简单来说，机器学习就是让计算机通过数据来学习，⽽不是直接告诉它该怎么做。就像我们⼈类⼀

样，不是每件事都需要别⼈告诉我们怎么做，有时候我们通过观察和实践就能学会。

典型应⽤场景：

• 电商⾏业，个性化推荐商品。

• 银⾏⽤机器学习来识别欺诈交易，减少⾦融⻛险。

• 垃圾邮件过滤

2. 深度学习

深度学习是机器学习的⼀个分⽀，它⽤到了⼀种叫做 神经⽹络 的模型，这种模型模仿了⼈脑的⼯作⽅

式。

深度学习的特点在于“深度”，也就是说，它有很多层的神经⽹络。这些层次结构可以帮助计算机从

数据中学习到更复杂的模式。⽐如，深度学习可以识别照⽚中的猫，甚⾄还能告诉你这是哪种猫。这

种能⼒，就来⾃于它的多层结构，能够从原始像素中提取出越来越复杂的特征。

深度学习的典型算法有很多，⽐如 卷积神经⽹络 （CNN）和 循环神经⽹络 （RNN）。CNN在图像识别

领域特别厉害，它能够⾃动从图像中学习到有⽤的特征，⽽不需要⼈⼯去设计特征。RNN则擅⻓处理

序列数据，⽐如语⾳或者⽂本，它能够记住之前的信息，这对于理解上下⽂特别重要。

典型应⽤场景：

• 在⾦融领域，深度学习可以⽤于预测股市趋势，或者检测欺诈⾏为。

• 语⾳助⼿：Siri、⼩爱同学

• 照⽚滤镜

• 图像识别

3. 强化学习

强化学习，听起来可能有点陌⽣，但其实它就像我们⼈类学习新技能的过程⼀样。想象⼀下，你在学

习骑⾃⾏⻋，每次成功保持平衡，你就会感到成就感，这就是正向的反馈，也就是强化学习中的“奖

励”。相反，如果你摔倒了，你就会知道这样做不对，需要调整，这就是“惩罚”。

在机器学习的世界⾥，强化学习让计算机通过与环境的互动来学习如何做出决策。它不依赖于⼤量的

标记数据，⽽是通过试错来学习。计算机会尝试不同的⾏动，然后根据结果来调整策略，最终⽬的是

最⼤化累积的奖励。

典型应⽤场景：

• AlphaGo就是⽤强化学习训练出来的。它通过不断和⾃⼰下棋，学习如何赢得⽐赛。最终，

AlphaGo战胜了世界围棋冠军。

• ⾃动驾驶汽⻋也是⼀个典型的例⼦。汽⻋需要在复杂的交通环境中做出决策，⽐如何时加速、何时

刹⻋。通过强化学习，汽⻋可以学习如何在保证安全的同时，做出最优的驾驶决策。

4. 总结

机器学习和深度学习之间的关系就像是⽗⼦⼀样。机器学习是⼈⼯智能的⼀个分⽀，它让计算机通过

数据来学习规律和做出决策。⽽深度学习则是机器学习的⼀个⼦集，它通过多层神经⽹络来模拟⼈脑