AI大模型原理（通俗易懂版）——AIGC

传送门：AI大模型原理（通俗易懂版）-CSDN博客

AIGC

提及近期的热门科技词汇，AIGC当之无愧位列其中。从某一天开始，我们突然发现AI可以资助天生笔墨图片音频视频等等内容了。而且让人难以分清背后的创作者到底是人类照旧AI。
这些AI天生的内容被叫做AIGC。它是AI Generated Content，即AI天生内容的简写。像ChatGPT天生的文章GitHub Copilot天生的代码，天生的图片等等，都属于AIGC。

天生式AI

而当AIGC这个词在国内火爆的同时，海外更流行的是别的一个词generated AI及天生式AI。从字面上来看，天生式AI和AIGC之间的关系很好明确。天生式AI所天生的内容就是AIGC。所以ChatGPT，GitHub Copilot等都属于天生式AI。由此可见，AIGC和天生式AI的概念都是很简单直白的。但因为AIGC这个词在国内比天生式AI更加流行。许多语境下，AIGC也被用于指代天生式AI。那么天生式AI和AI机器学习、监督学习、无监督学习、强化学习、深度学习、大语言模型等词汇之间又是什么关系？有没有一种剪不停理还乱的感觉？这个很难一言以蔽之，但通过一张图就可以直观明确他们之间的关系了。

分类

AI也叫人工智能，是盘算机科学下的一个学科，旨在让盘算机系统去模拟人类的智能，从而解决题目和完成使命。早在1956年，AI就被建立为了一个学科范畴。在今后数十年间经历过多轮低谷与繁荣。
机器学习是AI的一个子集，它的焦点在于不需要人类做显式编程。而是让盘算机通过算法自行学习和改进去辨认模式，做出预测和决议。好比，如果我们通过代码告诉电脑图片里有红色阐明是玫瑰，图片里有橙色阐明是向日葵。那程序对花种类的判断就是通过人类直接明确编写逻辑达成的，不属于机器学习，机器什么也没学。但如果我们给电脑大量玫瑰和向日葵的图片，让电脑自行辨认模式，总结规律，从而能对没见过的图片进行预测和判断，这种就是机器学习。

机器学习范畴下有多个分支。包罗监督学习、无监督学习、强化学习。
在监督学习里，机器学习算法会接受有标签的训练数据。标签，就是期望的输出值。所以每一个训练数据点都既包罗输入特征，也包罗期望的输出值。算法的目标是学习输入和输出之间的映射关系，从而在给定新的输入特征后，能够正确预测出相应的输出值。经典的监督学习使命包罗分类，也就是把数据分别为不同的种别。以及回归，也就是对数值进行预测。好比拿一堆猫猫狗狗的照片和照片对应的猫狗标签进行训练。然后让模型根据没见过的照片预测是猫照旧狗，这就属于分类。拿一些房子特征的数据，好比面积、卧室数、是否带阳台等，和相应的房价作为标签进行训练，然后让模型根据没见过的房子的特征预测房价，这就属于回归。

无监督学习和监督学习不同的是，他学习的数据是没有标签的。所以算法的使命是自主发现数据里的模式或规律。经典的无监督学习使命包罗聚类，也就是把数据进行分组。好比拿一堆新闻文章，让模型根据主题或内容的特征，自动把相似文章进行组织。
而强化学习则是让模型在环境里采取行动。得到结果反馈，从反馈里学习，从而能在给定情况下采取最佳行动来最大化嘉奖或是最小化丧失。所以就跟训小狗一样，刚开始的时间小狗会随心所欲做出许多动作，但随着和训犬师的互动，小狗会发现某些动作能够得到嘉奖。某些动作没有嘉奖，某些动作以致会遭受处罚。通过观察动作和奖惩之间的接洽。小狗的举动会渐渐接近训犬师的期望。强化学习可以应用在许多使命上，好比说让模型下围棋，得到不偕行动导致的嘉奖或丧失反馈，从而在一局局游戏里优化计谋，学习如何采取行动到达高分。

那题目来了，深度学习属于这三类里的哪一类？它不属于内里的任何一类。深度学习是机器学习的一个方法，焦点在于使用人工神经网络模仿人脑处理处罚信息的方式。通过层次化的方法提取和表示数据的特征。神经网络是由许多基本的盘算和储存单元构成，这些单元被称为神经元，这些神经元通过层层连接来处理处罚数据。并且深度学习模型通常有许多层，因此称为深度。好比要让盘算机辨认小猫的照片，在深度学习中，数据首先被通报到一个输入层，就像人类的眼睛看到图片一样，然后数据通过多个隐藏层，每一层都会对数据进行一些复杂的数学运算，来资助盘算机明确图片中的特征，例如小猫的耳朵、眼睛等等。最后盘算时机输出一个答案，表明这是否是。一张小猫的图片神经网络可以用于监督学习，无监督学习，强化学习。所以深度学习不属于他们的子集，天生式AI是深度学习的一种应用。

使用神经网络来辨认现有内容的模式和结构，学习天生新的内容和形式可以是文本、图片、音频等等。而大语言模型也叫LLM（large language model）也是深度学习的应用。专门用于进行天然语言处理处罚使命，大语言模型内里的大字阐明模型的参数量非常大，大概有数十亿以致到万亿个，而且训练过程中也需要海量文本数据集，所以能更好的明确天然语言以及天生高质量的文本。

大语言模型的例子有非常多，好比国外的ChatGPT。以GPT3这个模型为例子，它会根据输入提示以及前面天生过的词，通过概率盘算，渐渐天生下一个词或token来输出文本序列。但不是所有的天生式AI都是大语言模型，而所有的大语言模型是否都是天生式AI这也存在些许争议。

前半句很好明确，天生图像的扩散模型就不是大语言模型。它并不输出文本，同时有些人以为不是所有大语言模型都是天生式AI。这是因为有些大学模型由于其架构特点，不适当进行文本天生。

谷歌的Bert模型就是一个例子。它的参数量和训练数据很大，属于大语言模型。应用方面，Bert明确上下文的能力很强，因此被谷歌用在搜索上。用来进步搜索排名和信息摘录的正确性，它也被用于情感分析文本分类等使命。但同时Bert不善于文本天生，特别是连贯的长文本天生。所以有些人以为此类模型不属于天生式AI的范畴。这些概念共同构成了天生式AI的焦点要素。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。