從提高搜索效率、輔助學習到公文寫作和法律咨詢，AI的應用場景日益廣泛。本文將詳細介紹大模型的基本概念、工作原理及其在2024年的主要應用，幫助讀者全面了解AI大模型的潛力和實際用途。

你是否遇過這種情況？

想搜索一個問題，搜索出來的答案亂七八糟？

特別是防不勝防的廣告！嚴重干擾了我們的判斷？

有了AI之后，你只需要輸入想要搜索的問題，比如搜索“小米蘇7是否值得買？他的配置如何？”這樣一個問題。

AI就能幫你進行全網分析，總結答案！

這是不是比傳統的搜索方式更加高效方便，同時還避免了廣告的干擾！直擊想要的答案！

今天小俠將用一個視頻，帶你快速認識AI！

這期視頻作為【AI入門科普課】系列視頻的第二期作品，下面我將從：

1. 關于“大模型”，你必須知道的幾件事；
2. 大模型是如何工作的；
3. 2024年大模型常見應用

三個方面進行講解，看完之后你將收獲：

1. 大模型的特點和重要概念以及工作方式；
2. 了解大模型的基本情況和產品；
3. 3解大模型的應用場景及創業機會；

廢話不多說，正片馬上開始。

一、關于“大模型”，你必須知道的幾件事；

從2022年底ChatGPT的一鳴驚人，再到持續進行的”百模大戰”，”大模型”已經逐漸成為了技術和公眾領域的熱點。

大模型是人工智能領域的一個重要里程碑，有人曾經類比，大模型的發明相當于人類學會使用火的時刻。

這種類比，足以看出大模型在計算機技術領域的重要性。

在對大模型進行深入了解之前，我們有必要回望一些人工智能的重要概念，這不僅可以讓我們了解大模型是如何被塑造的，更能幫助我們全面地理解大模型的原理和潛能。

人工智能也稱之為AI，是一門使機器模擬人類智能過程的學科，其中具體包括學習、推理、自我修正、感知和處理語言等功能。人工智能涉及計算機科學、數學、心理學等眾多領域的知識，通過創建能夠實現智能行為的算法或軟件系統，來表現出與人類的智能行為相似的特性。

人工智能按照技術實現的不同可被劃分為多個子領域，各個子領域之間往往相互關聯和影響。

關于這方面的知識小俠之前分享過【AI入門科普第一課，一張圖看懂AI關系網】的視頻，感興趣的伙伴可以進入主頁翻看學習，這里就不做過多講解。

1. 大模型的到來！

2021年，斯坦福大學的研究員團隊發表了一篇論文，提出了Foundational Models，中文意思是基礎模型，即大模型的概念。簡單來說，它是一類具有大量參數，通常在十億以上，能在極為廣泛的數據上進行訓練，并適用于多種任務和應用的預訓練深度學習模型。

2022年11月，OpenAI公司發布了ChatGPT。這是一種先進的人工智能語言模型，專為對話交互而設計，具有強大的自然語言理解和生成能力，可以完成撰寫論文、郵件、腳本、文案、翻譯、代碼等任務。ChatGPT的發布標志著AI大模型在語言理解與生成能力上的重大突破，對全球AI產業產生了深遠影響，開啟了人工智能大模型應用的新篇章。

大模型的使用方法非常簡單，我們可以直接向大模型提出需求，并獲得生動翔實的答復，例如：

可能給你會好奇，大模型是如何通過訓練得到的？

我們可以看看下面這張圖：

從圖中可以看到，大模型的訓練整體上分為三個階段：預訓練、SFT以及RLHF，其中SFT是指監督微調，RLHF是指基于人類反饋的強化學習。

下面一起看看三個階段的具體含義：

1.1. 預訓練階段

預訓練階段類似AI從嬰兒成長為中學生的階段。

這個階段，AI就像一個小孩子，它在成長過程中需要學習很多東西。在它還小的時候，就像嬰兒一樣，它需要吸收很多信息，比如學習語言是怎么說的，了解世界是什么樣子的。

在預訓練的時候，AI會接觸到各種各樣的文字材料，就像是小孩子聽大人說話、看書一樣。它會學習語言的規律，比如哪些詞經常一起出現，句子是怎么組織的。但是，這時候的AI還不太懂得怎么真正理解人們的意思，就像小孩子可能還不太明白大人的某些話。

比如，如果你問AI：“埃菲爾鐵塔在哪里？”它可能不會回答“在法國”，而是可能會說一些它之前看到過的東西，比如“東方明珠在上?！?，這顯然不是我們想要的答案。

為了讓AI能夠更好地理解我們的問題并給出正確的答案，我們需要進行一個叫做“監督微調”的過程。這個過程就像是老師教小孩子怎么回答問題一樣，我們會告訴AI正確的答案應該是什么，讓它學會如何根據我們的問題給出合適的回答。

總的來說，AI的預訓練階段就像是小孩子學習語言和知識的階段，而監督微調就像是老師教導小孩子如何更好地理解問題和給出答案。雖然AI的預訓練和人類的成長過程有些相似，但它們還是有一些不同的地方。

1.2. 監督微調階段

監督微調階段類似AI從中學成長為大學生的階段。

這個階段，AI的成長過程就像我們上學一樣。在中學的時候，我們學的是一些基礎的知識，比如語文、數學、科學等。但是到了大學，我們就會開始學習更專業的知識，比如醫學、法律或者金融等。

監督微調的過程就像是AI上大學，學習專業知識的階段。在這個階段，AI會接觸到很多專業領域的對話和知識，比如醫學對話、法律案例等。這樣，當有人問AI一個專業問題時，它就能夠給出更專業、更準確的答案。

比如，如果你問一個經過監督微調的AI：“埃菲爾鐵塔在哪個國家？”它就會很自信地回答：“在法國?！倍皇窍裰澳菢?，可能會給出一些不相關的答案。

但是，就像人一樣，AI有時候也會說錯話，可能會說出一些不合適的話，比如涉及色情、政治、暴力或者種族歧視的內容。這時候，我們就需要用一種叫做RLHF，也就是基于人類反饋的強化學習的方法來進一步訓練AI。

1.3. 基于人類反饋的強化學習階段

RLHF階段類似于從大學生步入職場的階段。

想象一下，你剛剛大學畢業，開始工作了。在工作中，你做的事情可能會得到老板和客戶的表揚，也可能會遇到批評。根據這些反饋，你會知道自己哪些地方做得好，哪些地方需要改進。然后，你就會調整自己的工作方法，盡量讓自己的工作得到更多的好評。

對于AI來說，RLHF的過程也差不多。AI就像是新入職場的你，它需要學會怎么更好地回答人們的問題。在這個過程中，AI會對同一個問題給出多個不同的答案，然后人類會對這些答案進行評價，就像是給AI的答案打分一樣。

AI會根據這些分數來學習，它會想：“哦，原來這個答案得到的分數高，人們更喜歡這樣的回答。那我以后就盡量這么回答?！蓖ㄟ^這種方式，AI會慢慢學會怎么給出更符合人類喜好的答案。

簡單來說，RLHF就是讓AI通過人們的反饋來學習，就像你在工作中根據老板和客戶的反饋來提高自己的工作表現一樣。這樣，AI就能變得越來越懂得如何與人交流，給出更好的答案。

2. 大模型的特點

對大模型有了基礎的認識，下面我們在看看大模型有哪些特點。

對于基礎大模型來說，主要有以下四個特點，分別是：

2.1. 規模和參數量龐大

想象一下，AI模型就像是一個巨大的圖書館，里面存放著數不清的書。每本書都代表了一種知識或信息。大模型就像是一個超級大的圖書館，它有從幾億到幾千億本這樣的書。這些書也就是參數，它們幫助AI理解和創造非常復雜和豐富的內容，就像圖書館里的書可以幫助我們學習世界上的各種知識一樣。

2.2. 適應性和靈活性強

把大模型想象成一個多才多藝的演員，這個演員可以很快地學會扮演不同的角色，無論是古代的武士還是現代的醫生。同樣，大模型也可以通過一些簡單的調整，快速適應不同的任務，比如從寫詩轉換到解答數學題，這種能力讓它在不同的領域都能表現出色。

2.3. 廣泛數據集的預訓練

大模型在開始工作之前，會接受一種特殊的訓練，就像是一個學生在正式上課前要閱讀很多書籍來獲得基礎知識。大模型通過閱讀大量的、各種各樣的數據，比如文章、圖片等，來學習語言的規則、圖像的特征等，這樣它就能夠理解和處理各種類型的信息。

2.4. 計算資源需求大

最后，因為大模型就像是一個需要很多資源來運作的工廠。它需要大量的存儲空間來保存所有的數據，需要很長時間來“思考”和學習，也需要很多電力來驅動它的計算過程。同時，它還需要一些特別強大的計算機硬件來支持它的工作，就像工廠需要大型機器一樣。所有這些都需要很多錢和資源來支持。

3.大模型的分類

按照大模型的應用場景，大致可以劃分為以下四類：

3.1. 大語言模型

大語言模型也稱之為LLM：是一類專注于自然語言處理(NLP)的大模型，旨在處理語言、文章、對話等自然語言文本。

這類模型就像是超級學霸，非常善于學習人類的語言，包括說話、寫作和對話。這些學霸們用一種叫做深度學習的方法來學習，就像是一個特別聰明的學生，用一種特別的學習技巧來掌握知識。

它們學習的內容非常廣泛，包括：

• 語法：就像學習句子怎么構造一樣。
• 語義：理解單詞和句子的意思。
• 語境：知道在不同情況下語言怎么使用。
• 文化和社會知識：了解語言背后的文化背景和社會習慣。

大語言模型可以做很多事情，比如：

• 文本生成：自己寫文章或者故事。
• 問答系統：回答問題，就像你現在問我問題一樣。
• 文本分類：把文本分到不同的類別里，比如新聞、小說等。
• 機器翻譯：把一種語言翻譯成另一種語言。
• 對話系統：和人進行對話，就像聊天機器人。

現在世界上有名的大語言模型，比如：

• GPT系列：這是OpenAI制作的，就像是一個系列的超級學霸，每個都比前一個更厲害，比如GPT-3、GPT-3.5、GPT-4等。
• Bard：這是谷歌推出的，就像是一個特別有創意的作家，能夠寫出很多有趣的東西。
• 通義千問：這是阿里推出的，就像是一個懂得很多知識的老師，能夠教我們很多東西。

這些大語言模型就像是超級助手，幫助我們更好地理解和使用語言。

3.2.多模態模型

多模態模型就像是一個多才多藝的超級AI，它不僅能讀懂文字，還能看圖、聽聲音、看視頻。這個AI能夠把這些不同的線索（模態）結合起來，找出它們之間的關系，就像在破案時把不同的證據拼湊起來一樣。

這些超級AI能夠做的事情包括：

• 視覺問答（VQA）：就像你給AI一張圖片，然后問他圖片里發生了什么，他會告訴你答案。
• 圖像描述生成：AI看了一張圖片后，能夠寫出一段描述圖片內容的話。
• 圖文檢索：如果你告訴AI一些關鍵詞，他能在一大堆圖片中找到相關的圖片。
• 文生圖：給AI一段文字，他能夠根據這段文字創造出一張圖片。

還有幾種特別的AI組合：

• 視覺+文本：這種AI既能看圖也能讀字，能做的事情包括圖像字幕（給圖片加文字說明），圖文檢索等。
• 音頻+文本：這種AI既能聽懂聲音也能讀字，能做的事情包括把語音轉換成文字（語音識別），或者根據文字生成語音（語音生成）。
• 音頻+視覺：這種AI既能聽懂聲音也能看到畫面，比如根據聲音創造一張圖片（音生圖），或者生成一個正在說話的人臉（演講人臉生成）。

簡單來說，多模態模型就像是一個能夠同時使用眼睛、耳朵和大腦的超級AI，能夠把看到的、聽到的和讀到的信息綜合起來，解決更復雜的問題。

二、大模型是如何工作的

經過上述知識的學習，我們對大模型有了基本的了解，下面我們一起看看大模型是如何工作的！

關于大模型的工作流程，我們可以將其劃分為兩部分，分別是第一部分分詞化與詞表映射和第二部分生成文本。

下面就具體看看大模型的工作原理。

1. 分詞化（Tokenization）與詞表映射

分詞化就像是我們把一大段話拆成一句一句，然后再把每句話拆成一個一個詞的過程，拆分出來的詞就叫token。這樣做是為了讓計算機能夠更好地理解我們的話。就像我們讀書時，老師會讓我們把課文分成段落，然后學習每個段落的意思一樣。

舉個例子，如果有一個英文句子： “I want to study AI.”

我們用分詞化的方法把它拆成這樣：

• I
• want
• to
• study
• AI
• .

這樣，計算機就可以一個詞一個詞地理解這個句子了。

分詞化有不同的拆法，就像我們有時候按句子拆，有時候按段落拆一樣：

• 詞粒度分詞化：就是把句子拆成一個個單詞，這在英語里很常見。
• 字符粒度分詞化：就是把句子拆成一個個字母，這在中文里比較常見，因為中文每個字都有它自己的意思。
• 子詞粒度分詞化：就是把單詞拆成更小的部分，比如前綴、詞根和后綴。這樣做的好處是，即使是計算機沒見過的新詞，只要它是由計算機認識的部分組成的，計算機也能夠理解。

最后，每個分出來的詞也就是token，每個詞都會對應一個數字也就是token id，這個數字就像每個人都有自己的身份證號碼一樣。這樣，計算機就可以用這些數字來處理和分析句子了。

暫時無法在飛書文檔外展示此內容

再比如中文語義下的分詞：

假設我們有這樣一句中文句子： “我愛北京天安門。”

在中文分詞化中，我們通常會遇到以下幾種方法：

1）基于詞典的分詞：這是最常見的分詞方法，就是根據一個預先定義好的詞典來切分句子。例如：

• “我”（代詞）
• “愛”（動詞）
• “北京”（地名）
• “天安門”（地名）

2）基于統計的分詞：這種方法會考慮詞頻，即某個詞在大量文本中出現的頻率。如果”北京天安門”作為一個詞組出現的頻率很高，那么這種方法可能會把”北京天安門”作為一個整體來分詞。

3）基于規則的分詞：這種方法會根據一些特定的規則來分詞，比如人名、地名、機構名等的識別規則。例如，”北京”和”天安門”都可能是已知的地名，所以可以這樣分：

• “我”（代詞）
• “愛”（動詞）
• “北京天安門”（地名）

4）混合分詞方法：在實際應用中，通常會結合多種分詞方法來提高分詞的準確性。比如，可能會先用基于詞典的方法分出大部分詞，然后用基于統計的方法來處理一些特殊的情況。

5）子詞粒度分詞：對于新詞或者專有名詞，可能會采用子詞粒度的分詞方法。比如，如果”天安門”不是一個常見的詞，可能會被分解為”天”和”安門”。

分詞化后的句子會被轉換成一系列的詞（token），每個詞對應一個詞表中的編號（token id），計算機就可以根據這些編號來處理和分析文本了。

在實際的分詞系統中，分詞的結果可能會根據具體的分詞算法和使用的詞典有所不同。但無論哪種方法，分詞化的目的是為了讓計算機能夠更好地理解中文文本的結構和含義。

2.大語言模型生成文本的過程

想象一下，大語言模型就像是一個非常聰明且經驗豐富的作家，它可以根據你給它的開頭幾句話也就是提示文本內容，接著寫出接下來的故事。這個作家不是一下子就寫出整個故事，而是一句一句地寫。

具體來說，這個作家的工作方式是這樣的：

• 給定提示：你給它一些開頭的句子，比如“弼小俠AI課程是”。
• 預測下一個詞：根據這些開頭的句子，作家會猜測接下來最有可能的詞是什么。比如，它可能會預測下一個詞是“非常實用的”。
• 自回歸過程：然后，作家把這個新預測的詞“非常實用的”加到之前的句子中，變成“弼小俠AI課程是非常實用的”，接著再根據這個更新后的句子繼續猜測下一個詞。
• 重復預測：這個過程會一直重復，每次作家都會根據當前的句子來預測下一個詞，并把它加進去，然后再繼續預測下一個。
• 結束標志：直到作家寫出一個特殊的詞，比如“?！保ň涮枺?，表示這句話說完了，或者它寫出了我們告訴它的一個結束標志，比如“<EOS>”也就是句子結束的意思。又或者它寫到了我們規定的長度，比如寫了20個詞。

簡單來說，大語言模型就像是一個根據開頭句子，一句一句寫出接下來內容的作家。它通過不斷地猜測和添加下一個詞，直到寫出一個完整的故事或者達到我們設定的結束條件。這個過程就是我們說的自回歸。

三、2024年大模型常見應用

自從“百模大戰”之后，大模型的應用就一直被市場所關注。

大模型的應用非常廣泛，小俠列舉幾個跟日常掛鉤較為緊密的幾個場景。

1. AI學習助理

如果你是學生，老師或者是醫生，會經?？春芏鄷?！

我們人腦的記憶力是有限的，如何讓看過的書都能記憶下來，并隨時進行查閱？

定制開發一個Agent學習助理是一個非常好的方法！

借助coze平臺的Agent開發能力，創建一個AI學習助理幫你完成書籍的整理和記憶。

打開coze開發平臺，點擊主頁。在主頁對話框中選擇創建Bot，輸入：

幫我創建一個私人AI學習助理，名字叫“弼小俠學習助理”，功能是幫助我整理知識和書籍，便于我隨時進行查找，要求有：1.創建學習知識庫，能夠根據我的提問幫助我從知識庫的知識進行查找；2.回答嚴格來源于知識庫，回答的內容要提供文章原文。

接下來AI就會根據你的需求幫你自動創建一個學習助理Bot。

點擊創建好的Bot，進入頁面可以看到如下頁面：

先對人設進行優化，點擊優化按鈕，AI會自動進行人設和回復邏輯優化，優化完畢后根據自己的需求進行一些修改，修改完畢就可以進入下一步：

下一步就可以創建知識庫，將我們準備好的文章和知識上傳到知識庫中，可以是文本格式，也可以是表格或者圖片。

根據要求導入文件，AI會自動進行內容的上傳和處理，處理完成的內容如圖所示：

點擊添加到Bot中，剛剛創建的學習助理知識庫里面就會顯示你上傳的知識。

下面我就可以用對話的形式詢問Bot相關知識內容，小俠這里例舉一個案例：

通過對話，可以看到AI回復你的方式是調用知識庫中的內容進行回復。當然小俠這里只是例舉例子，并沒有對人設和知識庫進行優化，如果想要更好的效果需要針對性優化一下，這樣AI會更加聰明。

2. 公文寫作

AI在文本寫作方面尤為擅長。在日常工作中，公文類的寫作或多或少都不可避免，如何利用AI進行公文寫作，方法也非常簡單。

拿kimi來舉例，打開kimi主頁，點開kimi+，選擇公文筆桿子會話：

假設你要撰寫一個公司會議通知，輸入：通知公司全體員工在上午9點開例會的公文，AI就能刷刷刷幫你整理一篇通知文稿，具體效果如下：

3. AI幫你打官司

生活中可能會出現一些法律糾紛，比如遇到老賴欠你一千萬不還，你就可以打開通義法睿這款AI工具，進入后輸入你的問題，比如：你好，2024年有個名字叫老賴的老賴欠我一千萬不還，我該怎么辦？

可以看到，這個AI他非常善于處理法律相關問題，當然上述只是例舉個案例，大家不要當真。

如果生活中遇到了法律相關問題，前期可以通過咨詢AI獲得相關知識，也可以避免上當受騙的風險。

同時AI還提供法律文書的生成，法律條款檢索等功能。

以上是【AI入門科普課】系列視頻的第二期作品，希望大家通過這期作品，掌握AI知識。