收藏！大模型技术全解析：从AI分类到实战应用，小白到程序员必备指南

关注

原创最新推荐文章于 2026-03-22 00:46:23 发布 1.4k 阅读 AI 写同款· GEO 优化 ›

西门子WinCC VBS脚本实战：5分钟搞定变量记录导出到Excel（附完整代码）本文提供了一套高效的西门子WinCC VBS脚本方案，帮助工程师在5分钟内将变量记录数据导出至Excel。方案详细解析了时区转换、数据库连接、SQL查询优化等核心难点，并附带了完整、可直接使用的VBS代码，解决了工业自动化项目中数据导出的实际痛点。阅读详情

本文系统介绍AI发展历程与分类，详解大语言模型训练方法、Token概念及Temperature与Top P参数等核心技术。探讨AI Chat的联网搜索、文件读取和记忆功能，分析中美AI发展差距与硬件限制，概述中国主要AI公司产品特点，为读者提供全面的大模型知识框架。

一、AI的分类

AI的核心目标是让机器能够执行通常需要人类智能的任务，例如语言理解、图像识别、复杂问题解决等。

早期阶段：以规则为基础的专家系统，依赖预设的逻辑和规则。 ——规则库
机器学习时代：通过数据训练模型，使机器能够从数据中学习规律。 ——几十、几百个参数
深度学习时代：利用神经网络模拟人脑的复杂结构，处理更复杂的任务。 ——几百万个参数
大模型时代：以大规模数据和算力为基础，构建通用性强、性能卓越的AI模型。——671b个参数（6710亿）

AI分类如下：

生成式AI：包括大语言模型（GPT、deepseek、千问），场景客服咨询、内容创作；生图/生视频模型（Sora、DALL-E、Midjourney），如进行产品设计、影视预览。

分析式AI：视觉识别模型（YOLO、ResNet），场景如智能制造、医疗影像分析，能准确辨别影像中的物体、人脸、文字等；自动驾驶模型（复合模型），场景如无人配送、高级辅助驾驶。

二、LLM是如何训练的

LLM的训练过程通俗的表述可以参考下图。早些时候是通过监督学习，明确告诉模型“香蕉是什么”；后来模型生成多个答案，人类通过来对答案进行优劣排序的方式训练模型；再后来，模型知道了一些人类的偏好，通过强化学习生成答案，人类通过一些打分机制，使模型进一步自我迭代进化。

早在2018年时GPT的参数量约为1.17亿，预训练数据量约5GB；2019年，GPT-2参数量为15亿，预训练数据量为40GB；2020年，GPT-3的参数量为1750亿，预训练数据为45TB。如今，GPT-5参数量预估约为100万亿。ChatGPT可以实现对用户真实意图的理解，上下文衔接能和及对知识和逻辑的理解能力。

在互联网时代诞生的APP功能越来越复杂，有限的屏幕难以呈现复杂的功能，未来APP极有可能演进为极简页面的对话形式，比如人们在淘宝对话框输入想要的穿搭风格，淘宝自动搜索相应的服装套件，并将其放入购物车。

三、LLM中的Token

Token是大型语言模型处理文本的最小单位。由于模型本身无法直接理解文字，因此需要将文本切分成一个个 Token，再将 Token转换为数字（向量）进行运算。

不同的模型使用不同的“分词器”（Tokenizer）来定义Token（不同模型中同样的文字编码不同）。例如，对于英文Hello World： GPT-4o 会切分为[“Hello“, ”World“] => 对应的 token id = [13225, 5922] 。对于中文“人工智能你好啊”： DeepSeek-R1会切分为[“人工智能”, “你好”,“啊”] => 对应的token id = [33574, 30594, 3266]。

可以在科学上网模式下，通过https://tiktokenizer.vercel.app/ 查看token映射，例如“人工智能”，在deepseek中占一个token，而在GPT-4o中，则是“人工”和“智能”两个token。除了文本所占的token外，还有分隔符、起如符、结束符也会占用token。

四、Temperature 与Top P的作用

大模型生成文字的过程本质上是概率预测。大模型中的Temperature, Top P则通过调整选择不同概率的Token倾向，来控制 LLM 生成文本的多样性，但两者原理不同。

• Temperature (温度):

原理：在模型计算出下一个Token所有可能的概率分布后，Temperature会调整这个分布的“平滑度”。

高Temperature (如 1.0+)：会让低概率的Token更容易被选中，使生成结果更具创造性，但可能出现不连贯的词语。

低Temperature (如 0.2)：会让高概率的Token权重更大，使生成结果更稳定、更符合训练数据，但会更保守。

• Top P (核采样):

原理：它设定一个概率阈值（P），然后从高到低累加所有Token的概率，直到总和超过P为止。模型只会在这个累加出来的“核心”词汇表中选择下一个Token。

• 高Top P (如0.9)：候选词汇表较大，结果更多样。

• 低Top P (如 0.1)：候选词汇表非常小，结果更具确定性。

举个例子：

假设模型要完成句子：“今天天气真…”

模型预测的下一个词可能是：好(60%)、不错(30%)、糟(9%)、可乐(0.01%)。

高Temperature：会提升所有词的概率，使得“可乐”这个不相关的词也有机会被选中。

Top P (设为0.9)：会选择概率总和达到90%的词。这里好(60%) + 不错(30%) = 90%，所以模型只会从“好”和“不错”中选择，直接排除了“可乐”这种离谱的选项。

Temperature及Top P可以通过API进行设置。

参考：进入阿里云的dashscope（https://dashscope.console.aliyun.com/），dashscope网页->模型广场->(任选一个模型) API详情，然后找Temperature及Top P参数。

五、AI Chat产品的超能力——联网搜索、读取文件记忆功能

1、联网搜索

通过获取外部信息，弥补LLM训练数据截止日期的限制。

1）当用户提问涉及最新资讯时，系统会识别出这一需求，自动调用搜索工具，并将问题转化为多个简洁的搜索关键词。

2）程序调用搜索引擎API（如Google搜索）获取信息。

3）这些实时信息会作为上下文提供给模型，由模型进行总结和提炼，生成精准且与时俱进的回答。

2、读取文件

大模型一次会话窗口可以容纳32k的文字（大概3万多字），基于“检索增强生成”（Retrieval-Augmented Generation, RAG）的技术，大模型可以一次性读取多个文件（如10万字），并将关键信息提取放入窗口中，这样大模型一次性就可以读取超过32k的内容。

1）当你上传一个文件（如PDF、Word文档）时，系统首先会将其内容分割成小块（Chunks）。

2）通过Embedding技术将这些文本块转化为数学向量，并存储在专门的“向量数据库”中。

3）当你针对文件内容提问时，系统会将你的问题也转化为向量，并在数据库中快速找到最相关的文本块，最后将这些文本块连同你的问题一起交给模型，生成答案。

比如，上传一份公司财报后，提问“第二季度的利润是多少？” RAG系统能精确定位到财报中相关的片段，让LLM直接使用。

RAG是一个LLM application，LLM看到了文件，发现文件大于 32k，于是调用了RAG能力（即：过滤内容，检索出来相关内容的能力）。

3、记忆能力

LLM本身是无状态的（无记忆能力），每次对话都是一次全新的互动，不记得之前的交流。

为了实现“记忆”，系统会在每次对话时，将最近的几轮问答作为背景信息拼接在一起发送给模型，称为**“短期记忆”或“上下文窗口”**。短期只能记住当前message + LLM response 不超过 32k 的内容。

对于需要长期记住的关键信息，例如你的名字或偏好，系统会通过特定算法提取这些信息，将其存储在用户专属的数据库中，在后续的对话中，系统会先从数据库中读取，为模型提供更个性化的背景知识。

比如，告诉AI“我喜欢简洁的回答风格”，系统会记录这一偏好。下次提问时，它就会倾向于给出更简练的答复。

六、全球AI发展现状

全球AI模型发展现状（中美对比）：

美国：OpenAI、Anthropic、Google、Meta等公司主导前沿模型，如GPT-4o、Claude 4 Sonnet、Gemini 2.5 Flash。
中国：DeepSeek（如R1、V3）、阿里巴巴（如Qwen3）、Moonshot等公司快速追赶，部分模型（如Kimi K2, DeepSeek R1）已接近美国前沿水平。
关键趋势：中国模型在2024年显著缩小与美国的差距，尤其在推理模型和开源模型领域表现突出。
其他地区：法国（Mistral）、加拿大（Cohere）等也有前沿模型，但中美仍是主导力量。

七、出品限制与硬件影响

美国对华限制：

时间线：2022年10月首次限制（H100、A100），2023年10月升级（H800、A800受限），2025年1月新增“AI扩散规则”。
当前状态：仅H20、L20等低性能芯片可出口中国，未来可能进一步收紧。
影响：中国依赖国产芯片（如华为昇腾）或降级版NVIDIA芯片（如H20，算力仅为H100的15%）。

硬件性能对比：

NVIDIA H100：989 TFLOPs，3.35 TB/s带宽。
NVIDIA H20：148 TFLOPs，4 TB/s带宽（专为中国市场设计）。
AMD MI300X：1307 TFLOPs，5.3 TB/s带宽（未受限制）。

八、中国AI公司概览

大科技公司：

阿里巴巴：通义千问（Qwen）系列，Qwen3
百度：文心一言（Ernie 4.0 Turbo）
腾讯：混元大模型（HunyuanLarge）
字节跳动：豆包（Doubao1.6 Pro）
华为：盘古5.0（Pangu 5.0 Large）

初创公司：

DeepSeek：R1、V3，开源模型表现优异。
Moonshot：Kimi K2，专注长上下文窗口。
MiniMax：Text-01，多模态能力突出。
其他：智谱AI（ChatGLM）、百川智能（Baichuan）等。

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。

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】