写给小白的大模型入门科普

最新推荐文章于 2025-04-27 19:26:11 发布

原创最新推荐文章于 2025-04-27 19:26:11 发布 · 796 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #大数据 #langchain #transformer #知识图谱

1. 什么是大模型？

大模型，英文名叫Large Model，大型模型。早期的时候，也叫Foundation Model，基础模型。大模型是一个简称。完整的叫法，应该是“人工智能预训练大模型”。预训练，是一项技术，我们后面再解释。我们现在口头上常说的大模型，实际上特指大模型的其中一类，也是用得最多的一类——语言大模型（Large Language Model，也叫大语言模型，简称LLM）。

除了语言大模型之外，还有视觉大模型、多模态大模型等。现在，包括所有类别在内的大模型合集，被称为广义的大模型。而语言大模型，被称为狭义的大模型。

从本质来说，大模型，是包含超大规模参数（通常在十亿个以上）的神经网络模型。神经网络是人工智能领域目前最基础的计算模型。它通过模拟大脑中神经元的连接方式，能够从输入数据中学习并生成有用的输出。

这是一个全连接神经网络（每层神经元与下一层的所有神经元都有连接），包括1个输入层，N个隐藏层，1个输出层。

大名鼎鼎的卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）以及Transformer架构，都属于神经网络模型。目前，业界大部分的大模型，都采用了Transformer架构。

刚才提到，大模型包含了超大规模参数。实际上，大模型的“大”，不仅是参数规模大，还包括：架构规模大、训练数据大、算力需求大。

以OpenAI公司的GPT-3为例。这个大模型的隐藏层一共有96层，每层的神经元数量达到2048个。整个架构的规模就很大，神经元节点数量很多。大模型的参数数量和神经元节点数有一定的关系。简单来说，神经元节点数越多，参数也就越多。例如，GPT-3的参数数量，大约是1750亿。

大模型的训练数据，也是非常庞大的。同样以GPT-3为例，采用了45TB的文本数据进行训练。即便是清洗之后，也有570GB。具体来说，包括CC数据集（4千亿词）+WebText2（190亿词）+BookCorpus（670亿词）+维基百科（30亿词），绝对堪称海量。

最后是算力需求。这个大家应该都听说过，训练大模型，需要大量的GPU算卡资源。而且，每次训练，都需要很长的时间。根据公开的数据显示，训练GPT-3大约需要3640PFLOP·天（PetaFLOP·Days）。如果采用512张英伟达的A100 GPU（单卡算力195 TFLOPS），大约需要1个月的时间。训练过程中，有时候还会出现中断，实际时间会更长。

总而言之，大模型就是一个虚拟的庞然大物，架构复杂、参数庞大、依赖海量数据，且非常烧钱。相比之下，参数较少（百万级以下）、层数较浅的模型，是小模型。小模型具有轻量级、高效率、易于部署等优点，适用于数据量较小、计算资源有限的垂直领域场景。

GPU算卡

大模型是如何训练出来的？
================

大家都知道，大模型可以通过对海量数据的学习，吸收数据里面的“知识”。然后，再对知识进行运用，例如回答问题、创造内容等。

学习的过程，我们称之为训练。运用的过程，则称之为推理。

训练，又分为预训练（Pre-trained）和微调（Fine tuning）两个环节。

预训练

在预训练时，我们首先要选择一个大模型框架，例如Transformer。然后，通过“投喂”前面说的海量数据，让大模型学习到通用的特征表示。那么，为什么大模型能够具有这么强大的学习能力？为什么说它的参数越多，学习能力就越强？我们可以参考MIT（麻省理工）公开课的一张图：

这张图是深度学习模型中一个神经元的结构图。神经元的处理过程，其实就是一个函数计算过程。算式中，x是输入，y是输出。预训练，就是通过x和y，求解W。W是算式中的“权重（weights）”。权重决定了输入特征对模型输出的影响程度。通过反复训练来获得权重，这就是训练的意义。权重是最主要的参数类别之一。除了权重之外，还有另一个重要的参数类别——偏置（biases）。

参数有很多种类

权重决定了输入信号对神经元的影响程度，而偏置则可以理解为神经元的“容忍度”，即神经元对输入信号的敏感程度。简单来说，预训练的过程，就是通过对数据的输入和输出，去反复“推算”最合理的权重和偏置（也就是参数）。训练完成后，这些参数会被保存，以便模型的后续使用或部署。参数越多，模型通常能够学习到更复杂的模式和特征，从而在各种任务上表现出更强的性能。

我们通常会说大模型具有两个特征能力——涌现能力和泛化能力。当模型的训练数据和参数不断扩大，直到达到一定的临界规模后，会表现出一些未能预测的、更复杂的能力和特性。模型能够从原始训练数据中，自动学习并发现新的、更高层次的特征和模式。这种能力，被称为“涌现能力”。“涌现能力”，可以理解为大模型的脑子突然“开窍”了，不再仅仅是复述知识，而是能够理解知识，并且能够发散思维。泛化能力，是指大模型通过“投喂”海量数据，可以学习复杂的模式和特征，可以对未见过的数据做出准确的预测。

参数规模越来越大，虽然能让大模型变得更强，但是也会带来更庞大的资源消耗，甚至可能增加“过拟合”的风险。过拟合，是指模型对训练数据学习得过于精确，以至于它开始捕捉并反映训练数据中的噪声和细节，而不是数据的总体趋势或规律。说白了，就是大模型变成了“书呆子”，只会死记硬背，不愿意融会贯通。

预训练使用的数据，是海量的未标注数据（几十TB）。之所以使用未标注数据，是因为互联网上存在大量的此类数据，很容易获取。而标注数据（基本上靠人肉标注）需要消耗大量的时间和金钱，成本太高。

预训练模型，可以通过无监督学习方法（如自编码器、生成对抗网络、掩码语言建模、对比学习等，大家可以另行了解），从未标注数据中，学习到数据的通用特征和表示。这些数据，也不是随便网上下载得来的。整个数据需要经过收集、清洗、脱敏和分类等过程。这样可以去除异常数据和错误数据，还能删除隐私数据，让数据更加标准化，有利于后面的训练过程。

获取数据的方式，也是多样化的。如果是个人和学术研究，可以通过一些官方论坛、开源数据库或者研究机构获取。如果是企业，既可以自行收集和处理，也可以直接通过外部渠道（市场上有专门的数据提供商）购买。

微调

预训练学习之后，我们就得到了一个通用大模型。这种模型一般不能直接拿来用，因为它在完成特定任务时往往表现不佳。这时，我们需要对模型进行微调。微调，是给大模型提供特定领域的标注数据集，对预训练的模型参数进行微小的调整，让模型更好地完成特定任务。

微调之后的大模型，可以称之为行业大模型。例如，通过基于金融证券数据集的微调，可以得到一个金融证券大模型。如果再基于更细分的专业领域进行微调，就是专业大模型（也叫垂直大模型）。我们可以把通用大模型理解为中小学生，行业大模型是大学本科生，专业大模型是研究生。

微调阶段，由于数据量远小于预训练阶段，所以对算力需求小很多。大家注意，对于大部分大模型厂商来说，他们一般只做预训练，不做微调。而对于行业客户来说，他们一般只做微调，不做预训练。“预训练+微调”这种分阶段的大模型训练方式，可以避免重复的投入，节省大量的计算资源，显著提升大模型的训练效率和效果。

预训练和微调都完成之后，需要对这个大模型进行评估。通过采用实际数据或模拟场景对大模型进行评估验证，确认大模型的性能、稳定性和准确性‌等是否符合设计要求。等评估和验证也完成，大模型基本上算是打造成功了。接下来，我们可以部署这个大模型，将它用于推理任务。换句话说，这时候的大模型已经“定型”，参数不再变化，可以真正开始干活了。大模型的推理过程，就是我们使用它的过程。通过提问、提供提示词（Prompt），可以让大模型回答我们的问题，或者按要求进行内容生成。最后，画一张完整的流程图：