AI 大模型入门教程：基础概念与核心原理详解
前言
人工智能（Artificial Intelligence, AI）正在经历一场前所未有的变革，其中以大语言模型（Large Language Model, LLM）为代表的技术尤为引人注目。从 ChatGPT 的横空出世到各类垂直领域模型的涌现，AI 大模型已经深刻影响了软件开发、内容创作、数据分析等多个行业。本系列教程旨在为初学者提供系统性的入门指导，从基础概念入手，逐步深入到大模型的应用与开发。
本文作为系列的第一讲，将重点解析大模型的核心定义、生成机制、训练范式以及参数规模带来的质变。我们将摒弃晦涩难懂的数学公式，用通俗易懂的语言和类比，帮助你建立对大模型的正确认知。
一、什么是大模型？
要理解大模型，我们首先从最著名的代表——ChatGPT 入手。ChatGPT 的全称是 Generative Pre-trained Transformer，这个名字本身就揭示了它的三个核心特征：
- Generative（生成式）：区别于传统的判别式模型，生成式模型能够创造新的内容，如文本、代码、图像等。
- Pre-trained（预训练）：模型在大规模无标注数据上进行过初步学习，具备了通用的语言理解能力。
- Transformer（架构）：这是支撑大模型高效推理的基础神经网络架构。
1.1 生成式 vs 判别式
为了理解'生成式'，我们需要对比传统的搜索或分类任务。
- 传统搜索：当你输入关键词时，搜索引擎返回的是已有的文章链接列表。它是在检索已知信息。
- 生成式模型：当你提问时，模型会像人类一样，一个字一个字地'想'出答案。它不是检索数据库，而是根据概率预测下一个最合适的词。
例如，让模型描述'打工人周一上班的状态'。模型可能会输出：'周一上班真的很——爽（0.2）/ 丧（0.8）'。这里的数字代表概率，模型会根据上下文计算每个候选词出现的概率，然后选择概率最高的词进行输出。这种基于概率的迭代生成过程，就是'生成'的本质。
1.2 生成流程解析
当用户给大模型一段输入后，模型内部主要执行以下四个步骤：
- 文本编码（Tokenization & Embedding）：输入的文本首先会被分词（Tokenize），转换为计算机可理解的向量表示（Embedding）。这一步将语义信息映射到高维空间。
- 预测下一个词：基于当前输入和所有历史上下文，模型计算词汇表中每一个可能单词的概率分布。
- 采样与选择：根据策略（如贪婪搜索、Top-K 采样等），从概率分布中选择一个词作为输出。
- 循环迭代：新生成的词被加入序列，重复上述过程，直到遇到停止标记（如句号）或达到最大长度限制。
二、预训练与微调
大模型之所以强大，关键在于其独特的两阶段训练模式：预训练（Pre-training）和微调（Fine-tuning）。
2.1 什么是训练？
在机器学习中，'训练'是指从数据中学习规律的过程。我们可以用一个经典的例子来理解：判断西瓜是否成熟。
- 特征（Features）：色泽、根蒂、敲声。
- 标签（Label）：熟或不熟。
- 样本（Samples）：购买并切开的 10 个西瓜记录。
通过这 10 个样本，模型学习到'色泽青绿、根蒂蜷缩、敲声浑浊'与'熟'之间的关联。这就是监督学习中的分类任务。如果任务是预测含糖量（连续值），则属于回归任务。
2.2 预训练（Pre-training）
大模型的预训练阶段通常是无监督学习。这意味着不需要人工标注'熟或不熟'这样的标签。模型直接阅读互联网上海量的文本数据（书籍、网页、代码等），目标是预测文本中缺失的词（Masked Language Modeling）或预测下一个词（Next Token Prediction）。
在这个过程中，模型学会了语法、常识、逻辑推理甚至编程知识。它构建了一个庞大的通用知识库，参数量通常以十亿（Billion）为单位。例如 GPT-3 拥有 1750 亿参数，GPT-4 更是达到了万亿级别。
