Nature: LLM变得越来越像大脑

哥伦比亚大学和范斯坦医学研究所学者最近研究了 LLM 与脑神经反应的相似性。

目的与发现

研究的目的是确定最新的 LLM 是否与人脑表现出相似之处，有可能提高对LLM和大脑的理解，尤其在理解和生成语言方面。

研究结果发表在**《自然机器智能》**上【文献1】，表明随着 LLM 越来越先进，不仅性能更高，也变得更像大脑。

研究方法

研究人员通过植入神经外科患者大脑的电极记录了他们在听语音时的脑神经反应。

并将同一语音的文本提供给 LLM 并提取其嵌入Embedding，嵌入本质上是 LLM 不同层编码和处理文本的内部表征。

随后，通过从单词嵌入来预测脑神经对单词的反应，这个词嵌入中预测大脑反应的能力，可用来估计LLM与大脑的相似性。

学者比较了具有几乎相同的架构和相似参数量的 12 种不同开源模型，探索每个 LLM 的哪些层与语言处理中涉及的大脑区域表现出最大的对应关系。

结论与含义

随着 LLM 变得越来越强大，其嵌入变得更加类似于大脑对语言的神经反应，与大脑层次结构的一致性也在增加。

意味着在语言处理过程中，在连续的大脑区域中提取的信息量和类型，与性能最高的 LLM 的连续层提取的信息比低性能的 LLM 更一致。

该发现具有多种含义，其一是 LLM 架构和训练的方法正引领LLM朝着与人脑相同的原则发展。

作者阐明“无论是因为一些基本原则是理解语言的最有效方法，还是仅仅出于偶然，似乎自然系统和人工系统在朝着相似的语言处理方法靠拢。”

大脑知觉原理

Friston假设大脑构建了一个世界模型，其中先验的“信念”用以指导概率推理：从大脑接收的感官输入中，推断出其外部原因。

将“先验”与新的感官输入相结合，产生感知，是大脑对内外部两个信息源的整合，并按其相对精度进行加权。其数学形式如下：

F(s,u) = - log(p(s|m)) + Dkl [ q(Φ|u) || p(Φ|s,m) ] ，式中，m 代表外部客观世界，u 是大脑内部建构的世界模型，s 是感官输入，Φ是m的参数，也是大脑需要推测的导致s 的原因，F 是这一感知过程的自由能。

这就是著名的贝叶斯大脑：

LLM认知框架

Friston的大脑知觉原理与笔者梳理出来LLM数理认知框架相辅相成：LLM通过重整化感知，范畴构成内部世界模型，变分推断做推理。

LLM认知框架十分接近Friston 的贝叶斯大脑，与学者们的研究结论“自然系统和人工系统在朝着相似的语言处理方法靠拢”亦吻合。

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。

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 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】