令牌，向量，嵌入，注意力，这些AI大模型名词是否一直让你感觉熟悉又陌生，如果答案肯定的话，那么朋友，今天这篇科普神文不容错过。我将结合大量示例及可视化的图形手段，为你由浅入深一次性讲透AI大模型的核心概念。
引言
随着科技公司及国际竞争的不断推进，AI大模型已经越来越多融入我们的生活。作为一个普通人或许不需要研究高深的AI算法，但想在这次AI浪潮中不被抛弃，必须对LLM原理有一个基本的理解。
理解LLM（即Large Language Model，大语言模型）如何生成文本也就意味着理解这些模型为什么是如此通用的认知引擎——以及它们还能帮助创造什么。
令牌化和向量化（Token&Vectorization）
首先，让我们从令牌化和向量化开始，这一部分内容将为大家解开AI大模型的第一层面纱-AI大模型时如何理解人类语言的。通过这一部分的讲解也将为大家构建AI大模型的基础数学观。
- 为了读懂人类提问和输出回答,LLM必须先将单词翻译成它们能理解的语言。
- 首先,一块文字被分割成令牌(tokens)——可以编码的基本单位。令牌通常代表词的片段,但我们会将每个完整的词变成一个令牌。
- 为了掌握一个词的意思,例如work,LLM首先通过使用大量训练数据观察它的上下文,注意它的
邻近词。这些数据集基于收集互联网上发表的文本,新LLM使用数十亿个词进行训练。
- 最终,我们得到一个巨大的与work在训练数据中一起出现的词集(E.g:roof),以及那些没有(E.g:dove)与它一起出现的词集。
- 当模型处理这个词集时,它会产生一个向量——或数值列表——并根据每个词在训练数据中与work的邻近程度来调整它。这个向量被称为
词嵌入(embedding)。
- 一个词嵌入可以包含数百个值,每个值表示一个词意义的不同方面。就像你可能会通过其特征来描述一座房子——类型、位置、卧室、浴室、楼层——嵌入中的值可以定量表示一个词的语言特征。
- 这些特征的派生方式意味着我们不确切知道每个值表示什么,但我们预期在可比较的方式中使用的词,其嵌入往往看起来相似。
比如一对词组如sea和ocean,它们可能不会在完全相同的上下文中使用(“all at ocean”不是“all at sea”的直接替代),但它们的意思很接近,并且嵌入允许我们量化这种接近程度。
- 通过将每个嵌入表示的数百个值减少到只有两个,我们可以更清楚地看到这些词之间的距离。
- 我们可能会发现代词的簇集,或交通工具的模式,能够定量表示词汇的方式是模型生成文本的第一步。
Transformer
在搞清楚了大模型是如何理解人类语言之后，或许你会觉得不过如此，这与LLM表现出的强大功能似乎并不相符。没错仅仅靠令牌和向量化还不足以使LLM如此聪明，接下来我们将直抵AI大模型的心脏-Transformer，正是依靠Transformer,LLM才能够像今天这样流畅地解析和书写,它从根本上加快并增强了计算机理解语言的方式。
阐述transformer模型的研究首次由谷歌的8名AI研究人员在2017年6月发表，正是大家耳熟能详的《Attention is All You Need》开启了AI的新纪元，Attention也将是下文着重讲解的核心概念，我将带领大家在上述数学模型的基础上构建对LLM的基础概念抽象。
- Transformer体系结构的一个关键概念是自注意力(Attention)。这就是允许LLM理解词之间关系的原因。
- 自注意力查看文本中的每个
令牌(token),并决定哪些对理解其含义最重要。
- 在transformer之前,最先进的AI翻译方法是循环神经网络(RNN),它逐字扫描句子并顺序处理。
- 通过自注意力,transformer可以同时计算句子中的所有单词。捕捉这种上下文为LLM提供了更复杂的语言处理能力。
- 在这个例子中,同时评估整个句子意味着transformer能够理解interest在这里作为名词使用,以解释个人对政治的看法。
- 如果我们调整句子…
- …模型就会理解interest现在是在金融意义上使用。
当我们组合这些句子时,模型仍然能够识别每个词的正确含义,这要归功于它对伴随文本的注意力。
- 第一次使用interest,它主要注意到no 和in。
- 第二次,它主要注意到rate和bank。
- 这种功能对于高级文本生成至关重要。没有它,在某些上下文中可以互换但在其他上下文中不可以的词可能会被错误使用。
- 实际上,自注意力意味着如果这个句子的摘要被生成,您不会在讨论利率时使用enthusiasm这个词。
- 这种能力远远超越像interest这样有多个意思的词。
- 在下面的句子中,自注意力能够计算出it最有可能指代dog。
- 如果我们改变句子,将hungry替换为delicious,模型能够重新计算,现在it最有可能指代bone。
- 随着规模的扩大,自注意力对语言处理的好处也越来越大。它允许LLM从句子边界之外获取上下文(context),让模型对一个词的使用方式有更深入的理解。
LLM
理解了LLM基础数学原理和模型概念抽象后，大家是不是很兴奋，最后让我们看看目前世界上最先的大预言模型到底做了什么，构建了如此缤纷多彩的AI应用世界。
大模型之所以被称之为大，是因为其训练有我们整个互联网的基础语料库的支撑，从这巨大的语料库中,模型学会识别模式,最终预测下一个最佳选项。接下来我将带领大家直面大模型，为大家揭秘LLM是如何涌现智能，成为最像人的人工智能的。
- 基于上文的Transformer模型,对互联网语料库处理后，我们可以生成人类语言的数据模型,表示机器所理解的输入,包括词义、位置和词之间的关系。
- 基于以上数学模型，求取最优解最简单的方式,就是将模型的目标设定为预测一个序列中的下一个词,并重复此过程直到输出完成。
- 为此,模型给每个令牌一个概率分数(probability score),表示它是序列中下一个词的可能性。
- 它将继续这样做,直到对所产生的文本感到满意。
- 但是,这种隔离地预测下一个词的方法(称为“贪心搜索”)会引入问题。虽然每个令牌可能是下一个最佳选择,但整个短语可能不太相关。
并不一定总是错误,但可能也不是你所期望的。
- Transformer使用多种方法来解决这个问题并提高输出质量。一个例子叫束搜索。
它不仅关注序列中下一个词,而是考虑一组较大令牌集合的概率。
- 通过束搜索,模型能够考虑多种路径并找到最佳选项。
- 这会产生更好的结果,最终导致更连贯、更人性化的文本。
如何学习AI 大模型？（文末获取）
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。
一、大模型学习路线
一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。
我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。
L1级别:AI大模型时代的华丽登场
L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。
L2级别：AI大模型RAG应用开发工程
L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive
RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3级别：大模型Agent应用架构 进阶实践
L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、
MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。
L4级别：大模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam
Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目 实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。
二、大模型经典PDF书籍
书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）
三、大模型视频教程
对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。
四、大模型项目实战
学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。
五、大模型面试题
面试不仅是技术的较量，更需要充分的准备。
在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
领取方式我会放在下面，希望领取了的朋友不要忘了（下方名片，放心点击）