xmlns="http://www.w3.org/2000/svg"

style="display:

none;">

一、从机器学习到深度学习

要想搞AI，必须先得把根儿刨刨。

早在很久以前，人们就幻想着能够让机器来代替更多的人类的工作。

但真正能够把这个幻想朝着真实迈进一步的，则是机器学习的发展特别是深度学习的发展。

这才让AI真正走到了大众面前。

特别是多层卷积神经网络的出现配合着硬件技术的突破，以及谷歌等头部大公司开源了TensorFlow和PyTorch等基础深度学习框架后。

相关的AI技术开始快速发展。

生成对抗网络等技术也不断的发展，使得相关的AI基础支撑技术得到了长足的进步。

二、AI模型

为了能够更好的进行AI的应用，人们希望能够将相关的AI的数据通过算法进行训练，以期实现与普通人行为一致的程序或数学结构。

这就是AI模型即人工智能模型。

通过AI模型，可以让其接收人们输入的数据并对其进行分析和处理、决策，最终实现人们期望的目标。

/>常见的AI模型可以分为传统的机器学习模型、深度学习模型和现在相当火的大语言模型。

1. 机器学习

   />机器学习的模型又分为监督学习和无监督学习两大类。

   前者主要包括：线性模型、树模型、概率模型等等；而后者主要包括聚类算法模型和降维和特征学习模型等等

2. 深度学习

   />深度学习中的模型主要使用的神经网络，包括：卷积神经网络（cnn），循环神经网络和序列模型，生成模型以及强化学习模型等等

3. 大模型

   />大模型一般指的是参数量巨大（一般要超过10亿）、需要使用海量数据进行训练并具有强大能力的深度学习模型，它又可以分为自然语言模型（NLP），计算机视觉模型以及多模态模型等等。

三、AI大语言模型

人类最终极的梦想，就是能够让机器和普通人一样和人们进行沟通。

而这就无法离开自然语言处理的过程。

大语言模型（Large

Language

LLM）的出现向着解决处理自然语言输入的方向迈进了一大步。

大语言模型是大模型的一个子集，重点用来处理和理解自然语言，上目前最广为大众熟悉的一类模型。

/>LLM是基于谷歌提出的Transformer架构，此架构实现了自注意机制的并行运算，为NLP的发展打下了坚实的基础。

/>Transformer架构是一种深度神经网络架构，其完全基于自注意力机制来处理序列数据，不再使用传统的循环或卷积结构。

它主要包括编码器和解码器两部分，编码器负责处理输入的序列，将其转化为一系列包含上下文信息的向量；而解码器负责生成输出序列，在生成过程中，既关注于编码器的输出又关注已生成的上下文。

有点边生成边调整的味道。

/>所谓自注意力，指的是处理序列中每个元素与其它元素的关联度，即关系权重。

自然语言的特点是长上下文的关联，正如网上传的外国人考的汉语等级考试，同样一句话，在不同的语境可能意思完全相反。

/>Transformer架构主要分为三类：

1. 解码器模型：即文本生成时，模型只关注上文（左侧的上下文），按照词为单元进行自回归生成。

   它在文本生成、写作、续写中有着很大优势。

   典型就是GPT

2. 编码器模型：即整个输入序列的所有上下文（双向）同时都可以被模型看到，它在文本理解、分类、情感分析、信息抽取等方面有着很大的优势。

   但一般不会直接用于生成相关结果。

   代表的是Word2Vec和谷歌的BERT

3. 编码器-解码器模型：好理解，既有编码器处理输入又有解码器生成输出。

   它对于一些任务明确，格式完整的输入处理有着天然的优势。

   比如实时翻译、总结、问答

   。

   代表的如谷歌的T5

一般来说，在大众或一般的开发者口中提到的AI大模型，往往指的是AI大语言模型，毕竟chatGPT影响太大了。

/>通过上面的分析可以得到，大语言模型就是以Transformer架构基础，通过海量文本数据训练、包含数百亿甚至数万亿参数、能够处理（理解和生成）人类语言的深度学习模型

四、常见的大模型

下面对常见的几个大模型进行一下简单的分析说明：

1. GPT

   />闭源代表，OpenAI公司的大作，目前已经更到GPT-5系列了。

   表现非常优秀，不过国内使用有些麻烦

2. Claude

   />闭源，Anthropic公司出品，在写代码时有着很扎眼的表现，速度非常快

3. Gemini

   />闭源，谷歌出口，多模态的代表有三个版本即Ultra（最强）、Pro（通用）和Nano（移动）。

   在谷歌生态中最好用

4. LLaMA

   />开源，Meta公司，在推理和代码编写上有着不错的表现

国内表现比较抢眼的如DeepSeek，还有几大公司的代表作，这里不再一一说明。

这里再说一下对程序员比较不错的辅助编程工具，比较常见的有Copilot

、Codex、Claude、Cursor以及Kiro等。

一般来说，大公司都推出了集成或专门的AI编程工具。

五、应用

现在AI的应用相当广泛，包括在技术领域、科学领域以及各种专业场景上都有较为广泛的应用。

但为大众常见的应用场景就是内容生成即AIGC，（人工智能生成内容：Artificial

Intelligence

Content），它主要包括：

1. 文本生成

   />这是目前AIGC最常用的一个领域，比如写个报告弄个简历之类的。

   或者来个人工智能客服、聊天机器人等

2. 图片生成

   />这个也相当重要，根据输入的信息可以自动生成相关的图片，在艺术创作、广告以及虚拟现实中都有着不俗的表现

3. 音频生成

   />音频生成也是AIGC的一个重要方面，最近网上曝出的一系列人工合成某人的语音的违法行为，就是一种不好的应用。

   它可以用来创建音乐、歌曲以及特效等等

4. 视频生成

   />视频生成是目前相当有发展前途的方向，但目前限于各种条件，还没有达到大多数的需求。

   一般可用来进行视频制作、电影特效以及虚拟人等等。

不过，传统的AI应用可能有点复杂，不容易为普通人所接受。

现在一般使用Agent，智能体来实现AI的应用。

智能体是实现AI应用的一种更高级的方式。

可以简单理解为更方便、简单和实用。

五、总结

AI系列尽量会把由底向上的一系列的堆栈分析的清楚明白，但这是一个非常大的工程，需要慢慢的整理。

AI走到今天，已经成为了未来不得不选的一个重要的突破点。

已经成为了人们寄希望于工业革命和信息革命后的再一次的技术革命契机。

/>不管看不看清，也只能当作看清。

毕竟，现在没有其它的更好的选择。

所以，兄弟们，一起来吧！