我要评论前言
随着chatgpt3.5的横空出试，大模型爆火，这个风暴传递到了各行各业。
各类公众号、帖子，也涌现出了各种概念，ai、大模型、llm、ai、aigc、agi、gpt、chatgpt等等。
总觉得被这些概念搞得头晕。
我花了点时间，梳理了下一些常见的概念，希望从基本上能对大模型（llm）有个基本的认识。
一图胜千言
我自己查阅了一些资料的针对各个概念的解释之后，整理了以下的一个图，来试图说明这些概念之间的关系（如有不对之处，还请看到的大佬予以指正）：
概念之间的关系
ai、agi、aigc
ai（人工智能）： 先说说ai，这个大家可能都不陌生。ai，就是人工智能，它涵盖了各种技术和领域，目的是让计算机模仿、延伸甚至超越人类智能。想象一下，你的智能手机、智能家居设备，这些都是ai技术的应用。
aigc（ai生成内容）： 接下来是aigc，即ai generated content。这就是利用ai技术生成的内容：
markdown
复制代码
1. 文本生成：可以用于自动生成新闻报道、广告文案、产品描述等。
2. 图像生成：可以用于自动生成图像素材、艺术创作、设计等。
3. 音频生成：可以用于自动生成音乐、电台广播等。
4. 视频生成：可以用于自动生成视频剪辑、电影预告片等。
又称生成式ai，被认为是继专业生产内容（pgc）、用户生产内容（ugc）之后的新型内容创作方式。
互联网内容生产方式经历了pgc——ugc——aigc的过程。
agi（通用人工智能）： 然后我们来看agi，即artificial general intelligence，中文叫通用人工智能。这可比一般的ai高级多了。agi的目标是创造一个能像人类一样思考、学习、执行多种任务的系统。想象一下，如果有了agi，它可能会成为全能的“超级大脑”，能在任何领域都超越人类。听起来是不是有点像科幻电影里的情节？
agi与aigc（artificial intelligence generated content，人工智能生成内容）有显著区别。aigc指的是利用ai技术，尤其是机器学习和深度学习模型，自动生成内容，如文本、图像、音乐或视频。aigc通常专注于特定的创作任务，而不具备agi的广泛智能和通用学习能力。
在谈论agi时，人工智能 和 机器学习领域国际上最权威的学者之一deeplearning.ai创始人吴恩达认为，尽管agi是一个激动人心的概念，但我们目前对实现真正的agi还有很长的路要走。他强调，现有的ai技术，尽管在特定任务上表现出色，但仍然缺乏通用性和灵活性。
aigc、nlp、llm
从上面可以看出，现在被我们广泛谈起的ai，主要是指的aigc领域。
aigc涉及到的领域和技术很广泛，其中很重要的一项技术就是nlp(自然语言处理)，之所以把这3个概念放在一起描述，这两年来，aigc取得了令人瞩目的增长，有很大因素就在于自然语言处理（nlp），而推动nlp发展到的就是llm（大型语言模型），也就是我们接下来学习的重点，llm。
用相对官方的描述，就是说：
nlp(自然语言处理)它是研究如何让计算机读懂人类语言，也就是将人的自然语言转换为计算机可以阅读的指令，nlp是人工智能和语言学领域的分支学科。
而llm是 nlp 中的一个重要组成部分，主要是用来预测自然语言文本中下一个词或字符的概率分布情况，可以看作是一种对语言规律的学习和抽象。
在nlp中，llm是一种基本技术，用于处理和理解文本，包括词法分析、句法分析、语义分析等，广泛应用于机器翻译、自动问答系统、信息抽取、文本分类、情感分析等多个领域。而llm，特别是基于transformer架构的模型，如gpt-3和t5，通过大规模无监督学习来学习语言规律和上下文信息，然后在微调阶段根据具体任务进行有监督学习和优化，从而能够生成连贯、有意义的文本。这些模型的核心在于预训练和微调，预训练阶段使用掩码语言模型或下一句预测等技术，微调阶段则针对特定任务进行优化。
nlp、gpt、chatgpt
gpt是nlp领域中的一个重要模型，它是基于transformer架构构建的预训练语言模型。gpt（generative pre-trained transformer）通过预先训练大量文本数据，学习到语言的基本结构和模式，从而能够理解自然语言文本的意义和语义。
而chatgpt从名字上就可以看出来，chatgpt是gpt在对话生成领域的特定应用。
大模型的发展历程
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。
😝有需要的小伙伴，可以点击下方链接免费领取或者v扫描下方二维码免费领取🆓
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csdn，朋友们如果需要可以微信扫描下方csdn官方认证二维码免费领取【保证100%免费】
😝有需要的小伙伴，可以vx扫描下方二维码免费领取==🆓
![[AI 大模型] 百度 文心一言](/images/newimg/nimg5.png)
发表评论