本文通俗簡單地介紹了什么是大模型、大模型是怎么訓練出來的和大模型的作用。

什么是大模型

大模型，英文名叫Large Model，大型模型。早期的時候，也叫Foundation Model，基礎模型。 大模型是一個簡稱，完整的叫法，應該是“人工智能預訓練大模型”。預訓練，是一項技術，我們后面再解釋。 我們現在口頭上常說的大模型，實際上特指大模型的其中一類，也是用得最多的一類——語言大模型（Large Language Model，也叫大語言模型，簡稱LLM）。 除了語言大模型之外，還有視覺大模型、多模態大模型等。現在，包括所有類別在內的大模型合集，被稱為廣義的大模型。而語言大模型，被稱為狹義的大模型。

從本質來說，大模型，是包含超大規模參數（通常在十億個以上）的神經網絡模型。 神經網絡是人工智能領域目前最基礎的計算模型。它通過模擬大腦中神經元的連接方式，能夠從輸入數據中學習并生成有用的輸出。

這是一個全連接神經網絡（每層神經元與下一層的所有神經元都有連接），包括1個輸入層，N個隱藏層，1個輸出層。 大名鼎鼎的卷積神經網絡（CNN）、循環神經網絡（RNN）、長短時記憶網絡（LSTM）以及transformer架構，都屬于神經網絡模型。 目前，業界大部分的大模型，都采用了transformer架構。 剛才提到，大模型包含了超大規模參數。實際上，大模型的“大”，不僅是參數規模大，還包括：架構規模大、訓練數據大、算力需求大。

以GPT-3為例。這個大模型的隱藏層一共有96層，每層的神經元數量達到2048個。 大模型的參數數量和神經元節點數有一定的關系。簡單來說，神經元節點數越多，參數也就越多。例如，GPT-3的參數數量，大約是1750億。 大模型的訓練數據，也是非常龐大的。 同樣以GPT-3為例，采用了45TB的文本數據進行訓練。即便是清洗之后，也有570GB。具體來說，包括CC數據集（4千億詞）+WebText2（190億詞）+BookCorpus（670億詞）+維基百科（30億詞），絕對堪稱海量。 最后是算力需求。 這個大家應該都聽說過，訓練大模型，需要大量的GPU算力資源。而且，每次訓練，都需要很長的時間。

GPU算卡 根據公開的數據顯示，訓練GPT-3大約需要3640PFLOP·天（PetaFLOP·Days）。如果采用512張A100 GPU（單卡算力195 TFLOPS），大約需要1個月的時間。訓練過程中，有時候還會出現中斷，實際時間會更長。 總而言之，大模型就是一個虛擬的龐然大物，架構復雜、參數龐大、依賴海量數據，且非常燒錢。 相比之下，參數較少（百萬級以下）、層數較淺的模型，是小模型。小模型具有輕量級、高效率、易于部署等優點，適用于數據量較小、計算資源有限的垂直領域場景。

大模型是如何訓練出來的？

接下來，我們了解一下大模型的訓練過程。 大家都知道，大模型可以通過對海量數據的學習，吸收數據里面的“知識”。然后，再對知識進行運用，例如回答問題、創造內容等。 學習的過程，我們稱之為訓練。運用的過程，則稱之為推理。

訓練，又分為預訓練（Pre-trained）和微調（Fine tuning）兩個環節。

預訓練

在預訓練時，我們首先要選擇一個大模型框架，例如transformer。然后，通過“投喂”前面說的海量數據，讓大模型學習到通用的特征表示。 那么，為什么大模型能夠具有這么強大的學習能力？為什么說它的參數越多，學習能力就越強？ 我們可以參考MIT（麻省理工）公開課的一張圖：

這張圖是深度學習模型中一個神經元的結構圖。 神經元的處理過程，其實就是一個函數計算過程。算式中，x是輸入，y是輸出。預訓練，就是通過x和y，求解W。W是算式中的“權重（weights）”。 權重決定了輸入特征對模型輸出的影響程度。通過反復訓練來獲得權重，這就是訓練的意義。 權重是最主要的參數類別之一。除了權重之外，還有另一個重要的參數類別——偏置（biases）。

參數有很多種類 權重決定了輸入信號對神經元的影響程度，而偏置則可以理解為神經元的“容忍度”，即神經元對輸入信號的敏感程度。 簡單來說，預訓練的過程，就是通過對數據的輸入和輸出，去反復“推算”最合理的權重和偏置（也就是參數）。訓練完成后，這些參數會被保存，以便模型的后續使用或部署。 參數越多，模型通常能夠學習到更復雜的模式和特征，從而在各種任務上表現出更強的性能。 我們通常會說大模型具有兩個特征能力——涌現能力和泛化能力。 當模型的訓練數據和參數不斷擴大，直到達到一定的臨界規模后，會表現出一些未能預測的、更復雜的能力和特性。模型能夠從原始訓練數據中，自動學習并發現新的、更高層次的特征和模式。這種能力，被稱為“涌現能力”。 “涌現能力”，可以理解為大模型的腦子突然“開竅”了，不再僅僅是復述知識，而是能夠理解知識，并且能夠發散思維。 泛化能力，是指大模型通過“投喂”海量數據，可以學習復雜的模式和特征，可以對未見過的數據做出準確的預測。 參數規模越來越大，雖然能讓大模型變得更強，但是也會帶來更龐大的資源消耗，甚至可能增加“過擬合”的風險。 過擬合，是指模型對訓練數據學習得過于精確，以至于它開始捕捉并反映訓練數據中的噪聲和細節，而不是數據的總體趨勢或規律。說白了，就是大模型變成了“書呆子”，只會死記硬背，不愿意融會貫通。 預訓練所使用的數據，我們也需要再說明一下。 預訓練使用的數據，是海量的未標注數據（幾十TB）。 之所以使用未標注數據，是因為互聯網上存在大量的此類數據，很容易獲取。而標注數據（基本上靠人肉標注）需要消耗大量的時間和金錢，成本太高。 預訓練模型，可以通過無監督學習方法（如自編碼器、生成對抗網絡、掩碼語言建模、對比學習等，大家可以另行了解），從未標注數據中，學習到數據的通用特征和表示。 這些數據，也不是隨便網上下載得來的。整個數據需要經過收集、清洗、脫敏和分類等過程。這樣可以去除異常數據和錯誤數據，還能刪除隱私數據，讓數據更加標準化，有利于后面的訓練過程。 獲取數據的方式，也是多樣化的。 如果是個人和學術研究，可以通過一些官方論壇、開源數據庫或者研究機構獲取。如果是企業，既可以自行收集和處理，也可以直接通過外部渠道（市場上有專門的數據提供商）購買。

微調

預訓練學習之后，我們就得到了一個通用大模型。這種模型一般不能直接拿來用，因為它在完成特定任務時往往表現不佳。 這時，我們需要對模型進行微調。 微調，是給大模型提供特定領域的標注數據集，對預訓練的模型參數進行微小的調整，讓模型更好地完成特定任務。

行業數據類別 微調之后的大模型，可以稱之為行業大模型。例如，通過基于金融證券數據集的微調，可以得到一個金融證券大模型。 如果再基于更細分的專業領域進行微調，就是專業大模型（也叫垂直大模型）。 我們可以把通用大模型理解為中小學生，行業大模型是大學本科生，專業大模型是研究生。

微調階段，由于數據量遠小于預訓練階段，所以對算力需求小很多。 大家注意，對于大部分大模型廠商來說，他們一般只做預訓練，不做微調。而對于行業客戶來說，他們一般只做微調，不做預訓練。 “預訓練+微調”這種分階段的大模型訓練方式，可以避免重復的投入，節省大量的計算資源，顯著提升大模型的訓練效率和效果。 預訓練和微調都完成之后，需要對這個大模型進行評估。通過采用實際數據或模擬場景對大模型進行評估驗證，確認大模型的性能、穩定性和準確性?等是否符合設計要求。 等評估和驗證也完成，大模型基本上算是打造成功了。接下來，我們可以部署這個大模型，將它用于推理任務。 換句話說，這時候的大模型已經“定型”，參數不再變化，可以真正開始干活了。 大模型的推理過程，就是我們使用它的過程。通過提問、提供提示詞（Prompt），可以讓大模型回答我們的問題，或者按要求進行內容生成。 最后，畫一張完整的流程圖：

大模型究竟有什么作用？

根據訓練的數據類型和應用方向，我們通常會將大模型分為語言大模型（以文本數據進行訓練）、音頻大模型（以音頻數據進行訓練）、視覺大模型（以圖像數據進行訓練），以及多模態大模型（文本和圖像都有）。 語言大模型，擅長自然語言處理（NLP）領域，能夠理解、生成和處理人類語言，常用于文本內容創作（生成文章、詩歌、代碼）、文獻分析、摘要匯總、機器翻譯等場景。大家熟悉的ChatGPT，就屬于此類模型。 音頻大模型，可以識別和生產語音內容，常用于語音助手、語音客服、智能家居語音控制等場景。 視覺大模型，擅長計算機視覺（CV）領域，可以識別、生成甚至修復圖像，常用于安防監控、自動駕駛、醫學以及天文圖像分析等場景。 多模態大模型，結合了NLP和CV的能力，通過整合并處理來自不同模態的信息（文本、圖像、音頻和視頻等），可以處理跨領域的任務，例如文生圖，文生視頻、跨媒體搜索（通過上傳圖，搜索和圖有關的文字描述）等。 今年以來，多模態大模型的崛起勢頭非常明顯，已經成為行業關注的焦點。 如果按照應用場景進行分類，那么類別就更多了，例如金融大模型、醫療大模型、法律大模型、教育大模型、代碼大模型、能源大模型、政務大模型、通信大模型，等等。 例如金融大模型，可以用于風險管理、信用評估、交易監控、市場預測、合同審查、客戶服務等。功能和作用很多很多，不再贅述。