人工智能基础与应用课件 项目2. 认识大模型

模块2人工智能前沿-大模型目录任务1认识大模型任务2

了解大模型产品任务3

了解大模型特点及分类任务4

了解大模型的发展应用任务1认识大模型导入-大模型在工作生活中的应用问题：谈一谈你对大模型的认识“20年前，AI只能下象棋，今天，AI能写诗、看病、设计火箭。为什么人工智能突然‘开窍’了？”1.1什么是大模型大模型（英文为“FoundationModel”）是指具有庞大的参数规模和复杂程度的机器学习模型，这些模型可以在训练过程中处理大规模的数据集，并且能够提供更高的预测能力和准确性。大模型通常需要大量的计算资源和更长的训练时间大模型可以被分为多种类型，其中一类就是大语言模型（LLM，LargeLanguageModel），另一类则是图像、语音和推荐等领域的大模型。大语言模型主要用于处理自然语言处理任务，例如文本分类、情感分析、机器翻译等，而大模型在图像领域可以用于图像分类、目标检测等任务，在语音领域可以用于语音识别、语音合成等任务，在推荐领域则可以用于个性化推荐、广告推荐等任务在深度学习领域，大模型通常是具有数百万到数十亿甚至上万亿参数的神经网络模型比如，2020年，OpenAI公司推出了GPT-3，模型参数规模达到了1750亿，2023年3月发布的GPT-4的参数规模是GPT-3的10倍以上，达到1.8万亿。2025年9月，DeepSeekv3.2大模型参数量为685B;2025年7月，Grok4具有2000亿参数规模。这些模型需要大量的计算资源和存储空间来训练和存储，并且往往需要进行分布式计算和特殊的硬件加速技术。简单来讲，大模型就是用大数据模型和算法进行训练的模型，它能够捕捉到大规模数据中的复杂模式和规律，从而预测出更加准确的结果。大模型的“大”的特点体现在：参数数量庞大训练数据量大计算资源需求高......很多先进的模型由于拥有很“大”的特点，使得模型参数越来越多，泛化性能越来越好，在各种专门的领域输出结果也越来越准确1.1什么是大模型

参数爆炸：从百万级到万亿级，量变引发质变

思考：模型参数量越大，模型性能越好吗？大模型的设计和训练旨在提供更强大、更准确的模型性能，以应对更复杂、更庞大的数据集或任务。大模型通常能够学习到更细微的模式和规律，具有更强的泛化能力和表达能力大模型具有更强的上下文理解能力，能够理解更复杂的语意和语境。这使得它们能够产生更准确、更连贯的回答上下文理解能力大模型可以从大量的数据中学习，并利用学到的知识和模式来提供更精准的答案和预测。这使得它们在解决复杂问题和应对新的场景时表现更加出色学习能力强大模型可以生成更自然、更流利的语言，减少了生成输出时呈现的错误或令人困惑的问题语言生成能力学习到的知识和能力可以在不同的任务和领域中迁移和应用。这意味着一次训练就可以将模型应用于多种任务，无需重新训练可迁移性高1.1什么是大模型当前在我国，百度、阿里巴巴、腾讯和华为等公司均已开发出AI大模型，并且这些模型各自有所侧重百度由于其在AI领域的多年布局，具有显著的大模型先发优势，其文心一言API调用服务已经吸引了大量企业进行测试。在行业大模型应用方面，百度已经与国网、浦发、人民网等组织合作，实现了多个案例应用另一方面，阿里巴巴的通义大模型在逻辑运算、编码能力和语音处理方面表现突出，而阿里巴巴集团丰富的生态和在线产品使得该模型在出行、办公和购物等场景中得到了广泛应用1.1什么是大模型

小模型通常指参数较少、层数较浅的模型，它们具有轻量级、高效率、易于部署等优点，适用于数据量较小、计算资源有限的场景，例如移动端应用、嵌入式设备、物联网等1.2大模型与小模型的区别

而当模型的训练数据和参数不断扩大，直到达到一定的临界规模后，其表现出了一些未能预测的、更复杂的能力和特性，模型能够从原始训练数据中自动学习并发现新的、更高层次的特征和模式，这种能力被称为“涌现能力”。而具备涌现能力的机器学习模型就被认为是独立意义上的大模型，这也是其和小模型最大意义上的区别相比于小模型，大模型通常参数较多、层数较深，具有更强的表达能力和更高的准确度，但也需要更多的计算资源和时间来训练和推理，适用于数据量较大、计算资源充足的场景，例如云端计算、高性能计算、人工智能等1.2大模型与小模型的区别涌现能力：当系统复杂到一定程度时，它会“无师自通”地展现出一种全新的、无法从简单组成部分预测的智慧行为。1.2大模型与小模型的区别“涌现能力”：当系统复杂到一定程度时，它会“无师自通”地展现出一种全新的、无法从简单组成部分预测的智慧行为。一只蚂蚁的行为：非常简单。它只会遵循一些基本的化学信号（信息素），比如：“跟着前面的信息素走”、“遇到食物就释放信息素”、“遇到危险就逃跑”。它的“大脑”非常简单。整个蚁群的行为：极其复杂和智能。它们能建造结构精妙、有通风和排水系统的巢穴；能找到通往食物的最短路径；能进行大规模的分工协作，甚至发动战争。思考几个问题：你能通过研究一只蚂蚁，预测出整个蚁群能建造出宏伟的“城市”吗？2.你教会了每只蚂蚁“寻找最短路径”的数学公式吗？3.如果你把10只、100只蚂蚁放在一起，它们能展现出这种能力吗？结论一只蚂蚁

=模型中的一个神经元或一小部分参数。简单的蚂蚁群（几十只）

=一个小模型（比如几百万参数）庞大而复杂的蚁群（数百万只）

=一个大语言模型（比如千亿参数）。大模型发展历经三个阶段，分别是萌芽期、沉淀期和爆发期1.3大模型的发展历程萌芽期（1950-2005）这是一个以CNN（ConvolutionalNeuralNetworks，卷积神经网络）为代表的传统神经网络模型阶段1956年，从计算机专家约翰·麦卡锡提出“人工智能”概念开始，AI发展由最开始基于小规模专家知识逐步发展为基于机器学习1980年，卷积神经网络的雏形CNN诞生1998年，现代卷积神经网络的基本结构LeNet-5诞生，机器学习方法由早期基于浅层机器学习的模型，变为了基于深度学习的模型，为自然语言生成、计算机视觉等领域的深入研究奠定了基础，对后续深度学习框架的迭代及大模型发展具有开创性的意义1.3大模型的发展历程沉淀期（2006-2019）这是一个以Transformer为代表的全新神经网络模型阶段2013年，自然语言处理模型Word2Vec诞生，首次提出将单词转换为向量的“词向量模型”，以便计算机更好地理解和处理文本数据。2014年，被誉为21世纪最强大算法模型之一的GAN（GenerativeAdversarialNetworks，对抗式生成网络）诞生，标志着深度学习进入了生成模型研究的新阶段2017年，Google颠覆性地提出了基于自注意力机制的神经网络结构——Transformer架构，奠定了大模型预训练算法架构的基础2018年，OpenAI基于Transformer架构发布了GPT-1大模型，意味着预训练大模型成为自然语言处理领域的主流，其中，GPT的英文全称是GenerativePre-TrainedTransformer，是一种基于互联网的、可用数据来训练的、文本生成的深度学习模型2019年，OpenAI发布了GPT-21.3大模型的发展历程爆发期（2020-至今）这是一个以GPT为代表的预训练大模型阶段2020年6月，OpenAI公司推出了GPT-3，模型参数规模达到了1750亿，成为当时最大的语言模型，并且在零样本学习任务上实现了巨大性能提升。随后，更多策略如基于人类反馈的强化学习（RLHF，ReinforcementLearningfromHumanFeedback）、代码预训练、指令微调等开始出现，被用于进一步提高推理能力和任务泛化2022年11月，搭载了GPT3.5的ChatGPT（ChatGenerativePre-trainedTransformer）横空出世，凭借逼真的自然语言交互与多场景内容生成能力，迅速引爆互联网，在全球范围内引起轰动，使得大模型的概念迅速进入普通大众的视野。ChatGPT是人工智能技术驱动的自然语言处理工具，它能够通过理解和学习人类的语言来进行对话，还能根据聊天的上下文进行互动，真正像人类一样来聊天交流，甚至能完成撰写邮件、视频脚本、文案、翻译、代码，写论文等任务1.3大模型的发展历程爆发期（2020-至今）OpenAI在2023年3月发布了GPT-4，它是一个多模态大模型（接受图像和文本输入，生成文本）。相比上一代的GPT-3，GPT-4可以更准确地解决难题，具有更广泛的常识和解决问题的能力。2023年12月，谷歌发布大模型Gemini，它可以同时识别文本、图像、音频、视频和代码五种类型信息，还可以理解并生成主流编程语言（如Python、Java、C++）的高质量代码，并拥有全面的安全性评估1.3大模型的发展历程人工智能包含了机器学习，机器学习包含了深度学习，深度学习可以采用不同的模型，其中一种模型是预训练模型，预训练模型包含了预训练大模型（可以简称为“大模型”），预训练大模型包含了预训练大语言模型（可以简称为“大语言模型”），预训练大语言模型的典型代表包括OpenAI的GPT和百度的文心ERNIE，ChatGPT是基于GPT开发的大模型产品，文心一言是基于文心ERNIE开发的大模型产品。1.4人工智能与大模型的关系人工智能和大模型是相互关联的。人工智能是研究和开发使机器能够模仿人类智能行为的技术和方法的学科，包括机器学习、自然语言处理、计算机视觉等。而大模型则是指训练过程中使用了大量数据和参数的模型，这些模型包含了大量的知识和规则，能够更好地模拟人类智能行为为了提高人工智能系统的性能，研究者们不断尝试使用更大的模型来提高准确率和效果。例如，近年来非常热门的Transformer模型，就是一种大模型，它在自然语言处理领域取得了很多突破性进展。大模型的使用能够帮助人工智能系统更好地理解语义、提高处理能力和决策准确性人工智能的发展也推动了大模型的发展大模型的出现，使得人工智能技术得到了更广泛的应用。在许多领域，如自然语言处理、图像识别、语音识别等，大模型都能够提供更准确、更高效的处理能力。例如，在自然语言处理领域，大模型可以通过学习大量的文本数据，自动提取出文本中的语义信息，从而实现对文本的自动分类、情感分析、问答等任务。随着数据量的不断增加和计算能力的不断提升，大模型能够处理的数据量和处理速度也在不断提升。这使得人工智能技术能够更好地应对各种复杂的问题和挑战，进一步推动了人工智能技术的发展大模型是人工智能技术发展的重要推动力1.4人工智能与大模型的关系大模型在人工智能领域的重要性大模型的展示可以让更多的人了解人工智能技术的潜力和影响力，从而增加公众对人工智能技术的信任和支持。这也可以为人工智能行业争取更多的政策支持和资源投入增加公众对人工智能技术的信任和支持大模型作为人工智能技术的重要组成部分，展示了人工智能技术的最新进展和趋势。这些新技术和模型的应用场景可能会更加广泛，效果也可能会更好，从而推动人工智能技术的进步推动人工智能技术的进步大模型能够使用大量的数据和强大的计算资源，学习到数据中的复杂特征和规律，从而在各种任务中表现出色。这使得人工智能技术在各个领域的应用效果得到了显著的提升提升人工智能的应用效果大模型的展示能够吸引更多的投资者和用户关注人工智能行业，从而加速行业的发展。同时，大模型也可以促进人工智能领域的交流和合作，从而推动整个行业的发展促进人工智能行业的发展1.5大模型在人工智能领域的重要性谢谢观看！！科技改变未来任务2-2了解大模型产品及原理2.1国外大模型产品ChatGPTChatGPT是一种由OpenAI训练的大语言模型。它是基于Transformer架构，经过大量文本数据训练而成，能够生成自然、流畅的语言，并具备回答问题、生成文本、语言翻译等多种功能ChatGPT的应用范围广泛，可以用于客服、问答系统、对话生成、文本生成等领域。它能够理解人类语言，并能够回答各种问题，提供相关的知识和信息。与其他聊天机器人相比，ChatGPT具备更强的语言理解和生成能力，能够更自然地与人类交流，并且能够更好地适应不同的领域和场景。ChatGPT的训练数据来自互联网上的大量文本，因此，它能够涵盖多种语言风格和文化背景2.1国外大模型产品GeminiGemini是谷歌发布的大模型，它能够同时处理多种类型的数据和任务，覆盖文本、图像、音频、视频等多个领域。Gemini采用了全新的架构，将多模态编码器和多模态解码器两个主要组件结合在一起，以提供最佳结果Gemini包括三种不同规模的模型：GeminiUltra、GeminiPro和GeminiNano，适用于不同任务和设备。2023年12月6日，Gemini的初始版本已在Bard中提供，开发人员版本可通过GoogleCloud的API获得。Gemini可以应用于Bard和Pixel8Pro智能手机。Gemini的应用范围广泛，包括问题回答、摘要生成、翻译、字幕生成、情感分析等任务。然而，由于其复杂性和黑箱性质，Gemini的可解释性仍然是一个挑战2.1国外大模型产品Sora2024年2月16日，OpenAI再次震撼全球科技界，发布了名为Sora的文本生成视频大模型，只需输入文本就能自动生成视频。这一技术的诞生，不仅标志着人工智能在视频生成领域的重大突破，更引发了关于人工智能发展对人类未来影响的深刻思考。随着Sora的发布，人工智能似乎正式踏入了通用人工智能（AGI：ArtificialGeneralIntelligence）的时代。AGI是指能够像人类一样进行各种智能活动的机器智能，包括理解语言、识别图像、进行复杂推理等。Sora大模型能够直接输出长达60秒的视频，并且视频中包含了高度细致的背景、复杂的多角度镜头，以及富有情感的多个角色。这种能力已经超越了简单的图像或文本生成，开始触及到视频这一更加复杂和动态的媒介。这意味着人工智能不仅在处理静态信息上越来越强大，而且在动态内容的创造上也展现出了惊人的潜力2.1国外大模型产品Sora2.1国外大模型产品一位时尚的女士穿行在东京的街道上，街道被温暖的霓虹灯和动感的城市标志灯光照亮。她身穿一件黑色皮夹克，一条长红裙和黑色靴子，手提一只黑色手袋。她戴着太阳镜，涂着红色口红。她走路既自信又随意。街道湿润并反射出五彩斑斓的灯光，创造出镜面效果。许多行人在街上来来往往。视频合集（14min）：/s/SBRrEDUMmJmc_5X7Sq2doQ2.2国内大模型产品1.阿里云—通义(通义万相)-视频生成第一2.科大讯飞—星火大模型3.百度—文心一言4.字节跳动—豆包--用户数量第一5.智谱华章—智谱清言--文档归纳第一6.华为云—盘古7.百川智能—百川大模型8.腾讯—混元9.即梦AI--作图能力第一10.月之暗面--Kimi--文本处理第一11.DeepSeek---能力测评第一通义千问通义千问是阿里云推出的一个超大规模的语言模型，它具备多轮对话、文案创作、逻辑推理、多模态理解、多语言支持的能力。通义千问这个名字有“通义”和“千问”两层含义，“通义”表示这个模型能够理解各种语言的含义，“千问”则表示这个模型能够回答各种问题。通义千问基于深度学习技术，通过对大量文本数据进行训练，从而具备了强大的语言理解和生成能力。它能够理解自然语言，并能够生成自然语言文本同时，通义千问还具备多模态理解能力，能够处理图像、音频等多种类型的数据。通义千问的应用范围非常广泛，可以应用于智能客服、智能家居、移动应用等多个领域。它可以与用户进行自然语言交互，帮助用户解决各种问题，提供相关的知识和信息。同时，通义千问还可以与各种设备和应用进行集成，为用户提供更加便捷的服务2.2国内大模型产品咨询快知道--上线仅7天！阿里通义千问3强势登顶全球开源模型宝座

快科技2025年5月6日消息，近日，国际权威大模型测评榜LiveBench公布了最新一期排名，阿里巴巴开源的新一代通义千问模型Qwen3（简称千问3”）斩获全球开源模型冠军。

同时，千问3在指令遵循这一关键能力上超越o3High、o4-MiniHigh、Gemini2.5pro等顶级闭源模型，位列全球第一。据了解，千问3是国内首个混合推理模型”，快思考”与慢思考”集成进同一个模型，对简单需求可低算力秒回”答案，对复杂问题可多步骤深度思考”，大大节省算力消耗。

此前通义千问3是阿里巴巴在4月29日凌晨，正式发布开源新一代通义千问模型，其参数量仅为DeepSeek-R1的1/3，成本大幅下降，性能全面超越R1、OpenAI-o1等全球顶尖模型。1.阿里云—通义千问网址：/qianwen/简介：阿里达摩院推出的大模型，拥有千亿参数，可用于智能问答、知识检索、文案创作等场景通义灵码通义晓蜜通义万相通义听悟通义智文2.2国内大模型产品1.阿里云—通义千问演示：请介绍一下目前国内主流的大模型及其应用。2.2国内大模型产品讯飞星火认知大模型讯飞星火认知大模型是科大讯飞发布的一款强大的人工智能模型。它具有多种核心能力，包括文本生成、语言理解、知识问答、逻辑推理、数学能力、代码能力以及多模态能力。这些能力使得讯飞星火认知大模型能够处理各种复杂的语言任务，并为用户提供准确、高效的服务讯飞星火认知大模型采用了先进的技术和算法，能够快速地处理大量的数据，并从中提取有用的信息。这使得它能够更好地理解和处理复杂的语言信息，提高人机交互的效率和准确性数据收集和处理讯飞星火认知大模型已经被广泛应用于多个领域，如自然语言处理、计算机视觉、智能客服等。通过与各领域的专业知识和经验相结合，讯飞星火认知大模型能够提供更加精准和个性化的服务，提高各行各业的工作效率和质量应用2.2国内大模型产品讯飞星火认知大模型讯飞星火认知大模型还注重可解释性和公平性。通过改进算法和技术，它能够提供更加清晰和准确的决策依据，减少偏见和不公平现象。同时，它还具备强大的自适应学习能力，能够不断适应新的任务和环境，提高自身的性能和表现2.2国内大模型产品2.科大讯飞—星火大模型网址：/desk简介：支持对话、协作、编程等功能，还提供语音交互方式2.2国内大模型产品2.科大讯飞—星火大模型演示：请介绍一下目前国内主流的大模型及其应用。2.2国内大模型产品文心一言文心一言是由百度研发的知识增强大模型，能够与人对话互动、回答问题、协助创作，高效便捷地帮助人们获取信息、知识和灵感文心一言基于飞桨深度学习平台和文心知识增强大模型，持续从海量数据和大规模知识中融合学习，具备知识增强、检索增强和对话增强的技术特色文心一言具有广泛的应用场景，例如智能客服、智能家居、移动应用等领域。它可以与用户进行自然语言交互，帮助用户解决各种问题，提供相关的知识和信息文心一言还可以与各种设备和应用进行集成，例如智能音箱、手机APP等，为用户提供更加便捷的服务。文心一言在深度学习领域有着重要的地位，它代表了人工智能技术的前沿水平，是百度在人工智能领域持续投入和创新的成果。文心一言的推出，不仅将为用户提供更加智能化和高效的服务，也将为人工智能行业的发展注入新的动力2.2国内大模型产品3.百度—文心一言网址：/?简介：知识增强型对话语言模型，千亿级参数，在知识问答、创意生成等任务上表现出色2.2国内大模型产品3.百度—文心一言演示：请介绍一下目前国内主流的大模型及其应用。2.2国内大模型产品4.字节跳动—豆包网址：/chat/简介：字节跳动为创作者打造的AI助手，聊天机器人、写作助手、英语学习助手等2.2国内大模型产品4.字节跳动—豆包演示：请介绍一下目前国内主流的大模型及其应用。2.2国内大模型产品4.字节跳动—豆包演示：浏览器插件，学术论文学习。2.2国内大模型产品5.智谱华章—智谱清言网址：/main/alltoolsdetail/简介：通用对话、多轮对话、虚拟对话、创意写作、代码生成2.2国内大模型产品5.智谱华章—智谱清言演示：请介绍一下目前国内主流的大模型及其应用。2.2国内大模型产品5.智谱华章—智谱清言2.2国内大模型产品华为盘古大模型华为盘古大模型是华为云推出的一个大语言模型，旨在提供更加智能化、高效化的语言交互体验。它基于深度学习技术，通过对大量文本数据进行训练，从而具备了强大的语言理解和生成能力。华为盘古大模型采用了先进的架构和技术，包括Transformer、BERT等模型架构以及注意力机制、自注意力机制等先进的神经网络技术它还采用了多模态学习技术，能够处理文本、图像、音频等多种类型的数据。这使得它能够更好地理解和处理复杂的语言信息，提高人机交互的效率和准确性华为盘古大模型的应用范围非常广泛，可以应用于智能客服、智能家居、移动应用等多个领域。它可以与用户进行自然语言交互，帮助用户解决各种问题，提供相关的知识和信息。同时，它还可以与各种设备和应用进行集成，为用户提供更加便捷的服务2.2国内大模型产品6.华为云—盘古网址：/product/pangu.html/简介：中英文理解、多轮对话、常识推理等方面有优异表现（目前仅对企业用户申请开放）2.2国内大模型产品7.百川智能—百川大模型网址：/chat/简介：前搜狗CEO王小川创立，发布了Baichuan-7B、Baichuan-13B两款开源可免费商用的中文大模型2.2国内大模型产品7.百川智能—百川大模型演示：请介绍一下目前国内主流的大模型及其应用。2.2国内大模型产品腾讯混元大模型腾讯混元大模型是由腾讯全链路自研的通用大语言模型，具备强大的中文创作能力、复杂语境下的逻辑推理能力以及可靠的任务执行能力具备上下文理解和长文记忆能力，流畅完成各专业领域的多轮问答01支持文学创作、文本概要和角色扮演02准确理解用户意图，基于输入数据或信息进行推理、分析03有效解决事实性、时效性问题，提升内容生成效果04多轮对话内容创作逻辑推理知识增强2.2国内大模型产品8.腾讯—混元网址：/chat/简介：聊天、内容创作、知识问答等2.2国内大模型产品8.腾讯—混元演示：请介绍一下目前国内主流的大模型及其应用。2.2国内大模型产品9.商汤—商量SenseChat网址：/chat/简介：多模态对话交互平台2.2国内大模型产品9.商汤—商量SenseChat演示：请介绍一下目前国内主流的大模型及其应用。2.2国内大模型产品10.月之暗面--Kimi网址：//简介：擅长处理长文本，联网搜索能力也不错2.2国内大模型产品10.月之暗面--Kimi演示：请介绍一下目前国内主流的大模型及其应用。2.2国内大模型产品10.月之暗面--Kimi2.2国内大模型产品DeepSeek大模型DeepSeek大模型是由中国深度求索团队开发的一款大规模预训练语言模型，DeepSeek在AI领域取得了显著的技术突破。其开发的模型在多项测试中的表现都优于OpenAI的模型，且设计成本相对较低。DeepSeek大模型以其高效推理和多模态融合能力而著称，DeepSeek融合了稀疏注意力机制，优化了Transformer架构，并采用了专家混合架构（MoE）和FP8混合精度训练框架，以实现高效推理和多模态融合。DeepSeek大模型在信息检索、语言翻译、智能问答以及代码生成和数学推理等领域具有广泛的应用前景。它能够处理大量文本数据，提取关键信息，进行准确的翻译和回答，以及生成结构清晰、逻辑正确的代码片段。DeepSeek选择将其技术和模型开源，以降低用户进入门槛，吸引全球开发者社区的参与，并加速技术迭代和生态系统建设。这一策略有助于推动AI技术的创新和升级。2.2国内大模型产品2.3中美两国在大模型领域的竞争首先，美国处于领先优势，并遏制中国发展。大模型的多项关键技术，比如Transformer架构、强化学习从人类反馈（RLHF）等，多源于美国实验室。GPU是大模型训练最重要的硬件设施，大模型的出现，就是堆叠大量GPU算力以后“大力出奇迹”的结果。而美国在GPU制造领域，拥有着显著的垄断优势。英伟达H100/H200GPU占据全球95%的高端AI芯片市场（如图所示），支撑OpenAl、Meta等企业持续迭代模型。HuggingFace平台汇聚全球70%的开源模型，PyTorch框架占据75%的开发者使用率。美国为了确保自己的领先优势，不断加大对中国发展人工智能的遇制力度。2023年10月升级芯片禁令，限制A800/H800对华出口，迫使中国企业转向国产算力堆叠。美国对7nm以下制程高端光刻机设备的封锁，使中国大模型训练成本增加3-5倍。2.3中美两国在大模型领域的竞争其次，中国正在加速追赶，努力突破美国封锁。我国GPU近年来取得显著进展，华为、景嘉微、沐曦、摩尔线程等企业不断发力，已实现国产替代的重要突破，可满足部分对图形处理有较高要求的应用场景其中，华为昇腾910B芯片算力达英伟达A100的80%。在大模型上，百度文心大模型4.0（2600亿参数）在中文理解任务上超越GPT-4，DeepSeekR1的推理能力追平OpenAIo1；2025年2月1日，硅基流动和华为云宣布联合发布并上线基于华为云昇腾云服务的DeepSeekR1/V3推理服务，并可获得持平全球高端GPU部署模型的效果，这标志着国内大模型开始从软件到硬件平台实现全面国产化模型训练数据存在偏差、不完整或错误，导致在学习过程中引入了不准确的信息.模型基于概率分布生成内容

，

在某些情况下会选择一些看似合理但实际错误的

路径。大模型幻觉

，也被称为AI幻觉

，是指大型语言模型在生成内容时

，产生与事实不符、

逻辑错误或无中生有等不合理信息的现象。

其产生原因主要包括：2.4大模型工具的“幻觉”问题如图给出了目前国内主流大语言模型的非幻觉率排行榜

，

这里的“非幻觉率”是指大模型生成的回答中不包含幻觉的比例

，

即回答真实、

准确并与正确答案一致的内容所占的比例2.4大模型工具的“幻觉”问题谢谢观看！！科技改变未来任务2-3了解大模型的特点及分类（1）巨大的规模大模型通常包含数十亿个参数，模型大小可以达到数百GB甚至更大。这种巨大的规模不仅提供了强大的表达能力和学习能力，还使得大模型在处理复杂任务时具有更高的效率和准确性3.1大模型的特点（2）涌现能力涌现能力是指模型在训练过程中突然展现出之前小模型所没有的、更深层次的复杂特性和能力。当模型的训练数据突破一定规模时，模型能够综合分析和解决更深层次的问题，展现出类似人类的思维和智能。这种涌现能力是大模型最显著的特点之一，也是其超越传统模型的关键所在大模型的涌现能力源于其巨大的规模和复杂的结构。这些模型包含数亿甚至数十亿个参数，能够捕捉到数据中的复杂模式和关系。在训练过程中，大模型通过不断优化参数，逐渐形成了一种高度协调和自适应的结构，从而产生了意想不到的特性和能力。这种涌现能力使得大模型在处理复杂任务时具有更高的效率和准确性。它们能够更好地理解和模拟现实世界中的各种复杂现象，并从中提取出更深层次的知识和规律。这种能力使得大模型在自然语言处理、图像识别、语音识别等领域中展现出了卓越的性能3.1大模型的特点（3）更好的性能和泛化能力大模型因其巨大的规模和复杂的结构，展现出更出色的性能和泛化能力。它们在各种任务上都能表现出色，超越了传统的小模型。这主要归功于大模型的参数规模和学习能力。大模型能够更好地理解和模拟现实世界中的复杂现象，从而在各种任务中表现出更高的准确性和效率。它们能够捕捉到数据中的微妙差异和复杂模式，使得在未见过的数据上也能表现优秀，即具有良好的泛化能力（4）多任务学习大模型的多任务学习特点使其能够同时处理多种不同的任务，并从中学习到更广泛和泛化的语言理解能力。通过多任务学习，大模型可以在不同的NLP（NaturalLanguageProcessing）任务中进行训练，例如机器翻译、文本摘要、问答系统等。这种多任务学习的方式有助于大模型更好地理解和应用语言的规则和模式在多任务学习中，大模型可以共享参数和知识，使其在不同的任务之间建立联系，提高模型的泛化能力。通过多任务学习，大模型能够从多个领域的数据中学习知识，并在不同领域中进行应用。这有助于促进跨领域的创新，使得大模型在自然语言处理、图像识别、语音识别等领域中展现出卓越的性能3.1大模型的特点（5）大数据训练大模型需要大规模的数据来训练，通常在TB级别甚至PB级别。这是因为大模型拥有数亿甚至数十亿的参数，需要大量的数据来提供足够的信息供模型学习和优化。只有大规模的数据才能让大模型的参数规模发挥优势，提高模型的泛化能力和性能。同时，大数据训练也是保证大模型能够处理复杂任务的关键。通过使用大规模数据，大模型能够更好地理解数据中的复杂模式和关系，从而更好地模拟现实世界中的各种现象（6）强大的计算资源大模型需要强大的计算资源来训练和运行。由于模型规模庞大，参数数量众多，计算复杂度极高，因此需要高性能的硬件设备来支持。通常，训练大模型需要使用GPU（GraphicsProcessingUnit，图形处理器）或TPU（TensorProcessingUnit，张量处理器）等专用加速器来提高计算效率。这些加速器能够并行处理大量的参数和数据，使得大模型的训练和推断速度更快。除了硬件设备，大模型的训练还需要大量的时间。由于模型参数众多，训练过程中需要进行大量的迭代和优化，因此，训练周期可能长达数周甚至数月3.1大模型的特点（7）迁移学习和预训练通过在大规模数据上进行预训练，大模型能够学习到丰富的语言知识和模式，从而在各种任务上展现出卓越的性能。迁移学习和预训练有助于大模型更好地适应特定任务在大规模数据上进行预训练后，大模型可以在特定任务的数据上进行微调，从而更好地适应目标任务的特性和要求。这种微调过程可以帮助大模型更好地理解和处理目标任务的特定问题，进一步提高模型的性能在特定任务的数据上进行微调迁移学习和预训练也有助于大模型实现跨领域的应用。通过在多个领域的数据上进行预训练，大模型可以学习到不同领域的知识和模式，并在不同领域中进行应用。这种跨领域的应用能力，有助于大模型更好地服务于实际需求，推动人工智能技术的创新和发展跨领域的应用能力3.1大模型的特点（8）自监督学习自监督学习利用大规模未标记数据进行训练，通过从数据中挖掘内在的规律和模式，使模型能够自动地理解和预测数据中的信息。在大规模的未标记数据中，大模型通过预测输入数据的标签或下一个时刻的状态来进行训练。这种训练方式使得大模型能够从大量的数据中自动地学习到语言的内在结构和模式，而不需要人工标注和干预自监督学习使得大模型能够更好地适应大规模未标记数据的处理，减少了对于人工标注的依赖，提高了训练的效率和泛化能力。同时，自监督学习也使得大模型能够更好地捕捉数据的内在结构和模式，进一步提高模型在处理复杂任务时的性能和准确性3.1大模型的特点（9）领域知识融合大模型通过领域知识融合，能够将不同领域的数据和知识融合在一起，从而更好地模拟现实世界中的复杂现象领域知识融合使得大模型能够从多个领域中学习到广泛的知识和模式，并将这些知识和模式整合到统一的框架中通过领域知识融合，大模型能够更好地理解不同领域之间的联系和共同规律，从而更好地处理复杂任务。这种能力有助于大模型在不同领域之间进行知识迁移和应用，促进跨领域的创新和发展3.1大模型的特点（10）自动化和效率大模型在应用中展现出高度的自动化和效率。由于大模型具有强大的表达能力和学习能力，它可以自动化许多复杂的任务，大大提高工作效率。大模型通过预训练和微调过程，能够自动地适应特定任务，而不需要过多的手工调整和干预。这使得大模型能够快速地应用于各种实际场景，并且自动地处理复杂的任务，如自动编程、自动翻译、自动摘要等大模型的自动化和效率还体现在其对大规模数据的处理能力上。大模型能够高效地处理TB级别甚至PB级别的数据，从中自动地提取出有用的信息和知识。这种高效的数据处理能力使得大模型在处理大规模数据时具有显著的优势，提高了数据处理和分析的效率3.1大模型的特点3.2大模型的分类大语言模型的分类按照输入数据类型划分按照应用领域划分语言大模型视觉大模型多模态大模型是指在自然语言处理（NaturalLanguageProcessing，NLP）领域中的一类大模型，通常用于处理文本数据和理解自然语言。这类大模型的主要特点是它们在大规模语料库上进行了训练，以学习自然语言的各种语法、语义和语境规则。代表性产品包括GPT系列（OpenAI）、Bard（Google）、文心一言（百度）等是指在计算机视觉（ComputerVision，CV）领域中使用的大模型，通常用于图像处理和分析。这类模型通过在大规模图像数据上进行训练，可以实现各种视觉任务，如图像分类、目标检测、图像分割、姿态估计、人脸识别等。代表性产品包括VIT系列（Google）、文心UFO、华为盘古CV、INTERN（商汤）等是指能够处理多种不同类型数据的大模型，例如文本、图像、音频等多模态数据。这类模型结合了NLP和CV的能力，以实现对多模态信息的综合理解和分析，从而能够更全面地理解和处理复杂的数据。代表性产品包括DingoDB多模向量数据库（九章云极DataCanvas）、DALL-E(OpenAI)、悟空画画（华为）、midjourney等3.2大模型的分类按照输入数据类型划分按照应用领域的不同，大模型主要可以分为L0、L1、L2三个层级是指可以在多个领域和任务上通用的大模型。它们利用大算力、使用海量的开放数据与具有巨量参数的深度学习算法，在大规模无标注数据上进行训练，以寻找特征并发现规律，进而形成可“举一反三”的强大泛化能力，可在不进行微调或少量微调的情况下完成多场景任务，相当于AI完成了“通识教育”通用大模型L0是指那些针对特定行业或领域的大模型。它们通常使用行业相关的数据进行预训练或微调，以提高在该领域的性能和准确度，相当于AI成为“行业专家”行业大模型L1是指那些针对特定任务或场景的大模型。它们通常使用任务相关的数据进行预训练或微调，以提高在该任务上的性能和效果垂直大模型L23.2大模型的分类3.2大模型的分类特性推理大模型通用大模型适用场景复杂推理、解谜、数学、编码难题文本生成、翻译、摘要、基础知识问答复杂问题解决能力优秀

，能进行深度思考和逻辑推理一般

，难以处理多步骤的复杂问题运算效率较低

，推理时间较长

，资源消耗大较高

，响应速度快

，资源消耗相对较小幻觉风险较高

，可能出现“过度思考”导致的错误答案较低

，更依赖于已知的知识和模式泛化能力更强

，能更好地适应新问题和未知场景相对较弱

，更依赖于训练数据擅长任务举例解决复杂逻辑谜题

，编写复杂算法

，数学证明撰写新闻稿

，翻译文章

，生成产品描述

，回答常识问题成本通常更高通常更低大语言模型分为通用大模型和推理大模型

，

二者不是彼此取代关系

，

而是各自具有特定的应用场景。

如果需要完成数据分析、

逻辑推理、

代码生成等逻辑性较强且较为复杂的任务

，则需要选择推理大模型。

如果是用于创意写作、文本生成、

意图识别等发散性较强且较为创意多样的任务

，则要选择通用大模型。

下表给出了通用大模型和推理大模型的对比分析。大语言模型的分类谢谢观看！！科技改变未来2-4了解大模型的发展应用大模型的成本涉及到多个方面，包括硬件设备、软件许可、数据收集和处理、人力资源以及运营和维护等（1）硬件设备成本大模型的训练和推理需要大量的计算资源，包括高性能的计算机、服务器、存储设备等。这些硬件设备的购置和维护成本通常较高。为了满足大模型的计算需求，需要购买或租赁大量的服务器和存储设备，并进行相应的硬件升级和维护GPT-3训练一次的成本约为140万美元，对于一些更大的大模型，训练成本更高，GPT-4的一次训练成本约为6300万美元。以ChatGPT在2023年1月的独立访客平均数1300万计算，其对应芯片需求为3万多片英伟达A100GPU，初始投入成本约为8亿美元，每日电费在5万美元左右4.1大模型的成本软件许可成本大模型的训练和推理通常需要使用特定的软件和框架，如TensorFlow、PyTorch等。这些软件通常需要购买许可证或订阅服务，这也会增加大模型的训练成本数据收集和处理成本大模型的训练需要大量的标记数据。数据的收集、清洗、标注和处理都需要投入大量的人力、物力和时间成本。此外，为了确保数据的准确性和有效性，还需要进行数据验证和校验，这也增加了数据处理的成本人力资源成本大模型的训练和推理需要专业的团队进行维护和优化。这包括数据科学家、机器学习工程师、运维人员等。这些人员需要具备专业的技能和经验，因此，人力资源成本也是大模型成本的重要组成部分运营和维护成本大模型的运营和维护也需要投入成本。这包括模型的部署、监控、调优、更新等。为了确保模型的稳定性和性能，需要进行持续的维护和优化，这也增加了运营和维护的成本4.1大模型的成本大模型的应用领域非常广泛，涵盖了自然语言处理、计算机视觉、语音识别、推荐系统、医疗健康、金融风控、工业制造、生物信息学、自动驾驶、气候研究等多个领域（1）自然语言处理大模型在自然语言处理领域具有重要的应用，可以用于文本生成（如文章、小说、新闻等的创作）、翻译系统（能够实现高质量的跨语言翻译）、问答系统（能够回答用户提出的问题）、情感分析（用于判断文本中的情感倾向）、语言生成（如聊天机器人）等（2）计算机视觉大模型在计算机视觉领域也有广泛应用，可以用于图像分类（识别图像中的物体和场景）、目标检测（能够定位并识别图像中的特定物体）、图像生成（如风格迁移、图像超分辨率增强）、人脸识别（用于安全验证和身份识别）、医学影像分析（辅助医生诊断疾病）等4.2大模型的应用领域（3）语音识别大模型在语音识别领域也有应用，如语音识别、语音合成等。通过学习大量的语音数据，大模型可以实现高质量的跨语言翻译和语音识别以及生成自然语音（4）推荐系统大模型可以用于个性化推荐、广告推荐等任务。通过分析用户的历史行为和兴趣偏好，大模型可以为用户提供个性化的推荐服务，提高用户满意度和转化率4.2大模型的应用领域大模型可以用于自动驾驶中的感知、决策等任务。通过学习大量的驾驶数据，大模型可以实现对车辆周围环境的感知和识别，以及进行决策和控制，提高自动驾驶的安全性和效率自动驾驶大模型可以用于医疗影像诊断、疾病预测等任务。通过学习大量的医学影像数据，大模型可以辅助医生进行疾病诊断和治疗方案制定，提高医疗水平和效率医疗健康大模型可以用于信用评估、欺诈检测等任务。通过分析大量的金融数据，大模型可以评估用户的信用等级和风险水平，以及检测欺诈行为，提高金融系统的安全性和稳定性金融风控4.2大模型的应用领域工业制造大模型可以用于质量控制、故障诊断等任务。通过学习大量的工业制造数据，大模型可以辅助工程师进行产品质量控制和故障诊断，提高生产效率和产品质量气候研究在气候研究领域，大模型可以处理气象数据，进行天气预测和气候模拟。它们能够分析复杂的气象现象，提供准确的气象预报，帮助人们做出应对气候变化的决策生物信息学在生物信息学领域，大模型可以用于基因序列分析（识别基因中的功能元件和变异位点）、蛋白质结构预测（推测蛋白质的二级和三级结构）、药物研发（预测分子与靶点的相互作用）等4.2大模型的应用领域基于大模型的智能体是指利用大型语言模型（如GPT、BERT等）作为核心组件，构建的能够执行特定任务、与环境交互并做出决策的人工智能系统。这些智能体具有自主性、交互性、适应性等特点，能够模拟人类的认知和决策过程，提供更加自然、高效和个性化的交互体验。它们能够处理海量数据，进行高效的学习与推理，并展现出跨领域的应用潜力。基于大模型的智能体4.3基于大模型的智能体提高工作效率大模型在自然语言处理、机器翻译等领域的应用，使得人们能够快速、准确地处理大量文本数据，提高工作效率。例如，在翻译领域，大模型能够自动翻译多种语言，减少人工翻译的时间和成本，提高翻译效率优化决策过程大模型能够收集、整理和分析大量的数据，通过数据挖掘和机器学习技术，帮助人们更准确地了解问题现状，预测未来趋势，从而做出更明智的决策自动化部分工作大模型的发展使得一些繁琐、重复的工作可以由机器来完成，从而减轻了人们的工作负担。例如，在金融领域，大模型可以自动分析大量的金融数据，帮助人们做出更准确的决策创造新的就业机会随着大模型的普及和应用，将创造出许多新的就业机会。例如，需要更多的人来开发和维护大模型，也需要更多的人来利用大模型进行各种应用开发4.4大模型对工作的影响大模型在智能家居、智能客服等领域的应用，使得人们的生活更加便利、舒适。例如，通过智能家居系统，人们可以通过语音指令控制家电，实现智能化生活改善生活质量大模型在教育领域的应用，可以帮助人们更高效地学习新知识。例如，通过大模型的智能推荐功能，人们可以根据自己的兴趣和需求，获取更加个性化的学习资源提高学习效率大模型在娱乐领域的应用，可以提供更加丰富、多样的娱乐体验。例如，通过大模型的语音识别功能，人们可以通过语音指令控制游戏，实现更加智能化的游戏体验增强娱乐体验4.5大模型对生活的影响技能需求：从单一到复合的转型提出“AI杠杆力+T型能力”模型，“AI杠杆力”要求员工能够利用工具提升工作效率10倍，“T型能力”则强调在垂直领域有深入专业知识，同时掌握横向工具链，这是新时代对职场技能的具体要求。新时代技能要求模型数据分析师这类复合技能岗位，凭借其综合能力在就业市场中更具竞争力，消失速度远低于单一技能岗位，体现了复合技能的重要性。复合技能岗位优势以数据录入员为代表的单一技能岗位，消失速度是复合技能岗位的4倍。这说明单一技能在AI时代已难以适应职场需求，面临被淘汰的风险。单一技能岗位现状人机协作：从“工具”到“伙伴”的升级在汽