大语言模型如今已十分出色，只要使用过的人几乎都认同它们将从根本上改变社会。而且，新一代的大语言模型都比上一代规模更大、性能更优。表面上看，只要扩大这些模型的规模，它们就会不断进步，最终超越人类智能。然而，实际并非如此。

事实上，过去300年发展起来的整个统计学习理论预测的结果恰恰相反：更大的模型表现应该比小模型更差，而非更好。这就是为什么仅仅在五年前，没有人会预测到语言模型会如此成功。

语言模型背后的基础技术：自回归变换器网络，自2017年以来基本没有变化。在那时，没有人费心去训练超大规模的模型，因为理论预测模型会随着规模的扩大而变差，而非变好。那么，为什么大家都错了呢？这一切都归结于“过拟合”的概念。

以训练神经网络做加法运算为例，给它一系列数字对作为输入以及相应的和作为输出，神经网络通过调整权重来学习映射关系。理想状态下，它能掌握加法算法，从而对新的数字对进行正确求和。不过，模型还可能会采取模拟查找表的方式，记住所有训练示例及其输出，这看似完美解决了训练任务，但对于训练数据之外的新数字，却无法给出正确结果，这就是典型的过拟合现象。为防止过拟合，常规做法是减小神经网络规模，让其没有足够能力去记忆所有训练示例，这样它就只能去学习数据背后的真正规则。

直到2019年，一篇重要论文的发表彻底改变了人们对大语言模型的看法。在这篇论文中，作者再次训练了不同规模的神经网络，但这次当神经网络达到零训练误差时，他们并没有停止，而是继续增大其规模。他们发现，在神经网络能够完美记住训练数据之后，测试误差实际上又开始下降，并且持续下降。甚至比之前表现最佳的神经网络的测试误差还要低，这种现象被称为“双重下降”：随着神经网络规模的增大，超过过拟合点之后，测试误差会再次下降，而且这一次似乎没有下限。

这一发现让人们意识到，大语言模型的能力可能远超想象：只要不断扩大模型规模就行。但与此同时，这个结果与所有已知的统计学习理论相悖。对于规模大到足以多次记住训练数据的模型来说，它们似乎不应该具备真正的、能够泛化的理解能力。那么这是怎么回事呢？为什么更大的模型泛化能力更好呢？

另一项研究从不同角度揭示了大语言模型的奥秘。研究发现，大型神经网络中大部分权重是无用的。研究人员通过特定的剪枝策略，能够去除高达96%的权重，且不影响模型的测试误差。具体操作是，先将所有权重初始化为小的随机值并进行训练，然后每次去除10%值最接近零的权重，并将剩余权重重置为初始值，重复该过程约30次，最终得到一个规模仅为原来4%的网络，却能达到与完整网络相同的测试误差。这表明在大型神经网络内部，存在一个规模更小但真正发挥作用的子网络。

深入研究发现，训练大型神经网络的过程类似并行训练其内部众多的子网络，然后选择表现最佳的那个。这一现象被形象地称为“彩票中奖假说”。每个子网络就如同一张彩票，拥有良好初始化的概率极低，但随着网络规模增大，子网络数量呈指数级增长，就像拥有了更多的彩票，中奖的可能性大大提高。也就是说，更大的神经网络为更小的子网络提供了更多的初始化机会，使得即使是规模较小的子网络也能更好地拟合数据，从而展现出更好的泛化能力。这一过程让大语言模型能够从大量数据中提取出更有效的信息，进而对世界有更深入的“理解”。

在理解世界的层面，大语言模型面临着很多争议。著名人工智能研究人员、图灵奖得主杨立昆认为，由于人类不会特意在互联网文本中明确交流共享的常识知识，而这些知识又是训练大语言模型的主要数据来源，所以大语言模型很难学习到世界模型，也就难以达到人类水平的理解能力。

但也有不同观点认为，优秀的学习算法具备学习数据背后机制的能力。从理论上来说，生成互联网所有文本的最小程序类似模拟人类大脑粒子相互作用的物理引擎，仅需几千行代码就能描述量子力学和人脑初始配置。一个完美的学习算法在训练预测互联网文本中的下一个单词时，有可能学习实现这个程序，从而拥有世界模型和常识理解能力。虽然目前的神经网络与理想的完美学习算法仍有很大差距，但随着模型规模的不断扩大，它们在寻找更优数据模型方面的能力也在不断提升，已经能够在一定程度上实现超越训练数据的泛化，这表明大语言模型确实具备了对世界的某种“理解”。

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。

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】

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】