临沂市网站建设_网站建设公司_Python_seo优化

本文将大语言模型训练分为三步：预训练（从互联网学习知识并建立预测模型）、监督微调（通过问答数据学习回答问题的方式）、强化学习（自我探索最优解）。文章类比人类学习过程，解释了AI的预测本质，探讨了逻辑与预测的关系，帮助读者理解大模型的基本工作原理。

【前言】

生活中 AI 用得已经越来越多，一直想要了解其大概原理，这样才能知道 AI 能做什么，不能做什么。恰逢最近看了OpenAI 联合创始人安德烈·卡帕西一个长达 3 小时的视频，用非常通俗易懂的方式讲解了像 chatGPT 这样的大语言模型，是怎么一步步训练出来的，像我这样一个基本没有技术背景的人，也能看懂，是非常优秀的科普视频。

大家可以前往 B 站搜索“安德烈·卡帕西：深入探索像ChatGPT这样的大语言模型”，即可观看，全文都有字幕，不用担心听不懂。

本文也从 3 小时的视频中提炼出最核心的内容，希望能帮助你“不求甚解”地大概了解AI 大语言模型的基本训练原理。

总览：对大语言模型的训练，跟我们人类学习知识的逻辑，是一脉相承的

视频中最让我印象深刻的一点，是安德烈·卡帕西把大语言模型的训练逻辑，类比成我们上学读书学习知识的过程，竟然是出奇的一致。

回想我们小时候的课本，每个知识点的章节讲解，都包含三个步骤：

第一步、学习知识点：单纯地通过阅读了解相关知识。完成这一步，我们只掌握了知识的表层，却不知道如何使用。

第二步、查看经典题目与解法：通过查看经典题目，了解知识点如何运用来解决实际问题。完成这一步，我们能模仿这些经典解法去解决类似的问题。

第三步、课后习题：这个环节里面，课本只会提供问题与答案，需要我们自己研究如何解题。每个人的脑回路都不一样，适合的解法也都不一样，我们需要自己摸索各种可能的解法，并找到最适合自己的解法。这个过程中，甚至会激发出比经典解法更高效的方法。完成这一步，我们就真正做到了对知识点的融会贯通。

大语言模型训练的三个步骤，也正正对应着这三步，即：

接下来逐一介绍每个步骤。

第一步、预训练

【核心流程】

1、学习信息搜集

要学习知识，自然要先获取信息，而最丰富而免费的信息，自然是来自互联网。因此，最初的模型训练内容，主要来自对互联网信息的爬取。

当然，这里要做的不是简单的爬取，而是包含了过滤劣质网站、文本提取、信息去重等一系列数据加工的过程。

2、信息的编码与压缩，生成“token”

爬取到的信息都是文字，人类能通过文字理解其所表达的内容，但计算机是不能的。

那计算机能理解什么呢？是数字与计算。因此，要让计算机能学习这些信息，首先要把文字转化为数字。这里也可以分为两小步：

第一步，对文字的基本单元做编码：例如英文而言，自然是每个字母对应一个数字 ID；中文则是每个汉字对应一个数字 ID

第二步，进一步压缩信息：把信息中高频出现的“单元序列组合”，编码出一个新的 数字ID，这样，就可以用更短的 ID 序列更高效地表达一句话，计算机需要理解的成本就会更低。

例如，在下图这个案例中，既有“你”、“的”这样的独立汉字用一个数字ID来表示，也有“你好”、“今天”这样的日常短语用一个数字 ID 来表示。

而这里代表一个文字或短语的数字 ID，就是所谓的大语言模型的“token”，是计算机理解与输出信息的最小“信息单元”。

3、信息学习：神经网络“预测”模型的训练

完成前面两步后，我们已经有了用于学习的原材料数据，接下来便可用于模型学习。

那么什么是所谓的学习？

回到我们期望模型的效果，是可以像人类一样，根据上文内容输出适合的下文内容。也就是说，根据上文“预测”下文的内容。

因此，这一步，我们使用统计学中最前沿的“预测”模型：神经网络模型，再基于我们搜集到的原材料数据，训练出一个基于上文输出下文的预测模型。

浅显地介绍下这个神经网络模型的训练方法：

所谓的神经网络模型，其实就是一个巨大的包含大量参数计算的数学方程式，但其核心目标跟我们小学学的一元一次方程是类似的，也是根据输入的“x”（上文）跟模型的参数“w”（一系列计算），输出一个结果“y”（下文）。

但也有两个区别，一个是，我们之前定义的 token 并不是一个具有数值计算意义的数字，而只是一个代表对应文字的“标识符”（ID）；一个是这里输出的结果，代表的是，下文出现各个 token 的分别的概率值。

参数训练：一开始，参数都是随机的数据，输出的结果也是随机的。我们把从互联网上搜集到的学习材料，都喂给模型进行训练。模型以提升，学习材料中“正确”的下文 token 的概率，为计算目标，不断地调整参数。

【得到的成果】

当我们把全部互联网搜集到的知识，都喂给这个拥有数十亿级参数的超大模型，完成参数的训练后。我们就得到了一个可以根据“上文”预测下文的预测模型。

而在预测时：

1、每一次预测，都根据上文输入的全部内容，只输出一个下文“token”

2、根据上文输入的全部内容，本质输出的结果是，各个 token 出现的“概率”，然后基于这个概率进行一次抽样，输出一个下文“token”。
正因为存在这个抽样，而不是直接就只取概率最大的 token，因此，即使一样的上文，每一次得到的下文都是不完全一样的。

我们得到的，只是一个根据上文不断预测下文 token的预测器， 且是随机的，每次的预测结果都不一样；还并不是一个能回答问题的助理（assistant）。

我们把这一步得到的模型叫做 base model。

案例：下图这个例子很有意思。模型之所以能回答这个问题，并不是因为它理解了这个问题以及会进行计算，而是大概率 2+2 这样的问题在喂给模型的训练数据中出现过，模型能够回忆出来。而如果放任模型不断地输出下文，它就开始走向了跟问题完全没关系的哲学领域的内容当中…此时的模型，还不知道应该如何正确地回答问题。

【这个预测模型的本质】

base model 的本质，是互联网内容的模拟器。相当于把整个互联网的内容，都压缩成一堆参数。而且这些内容是模糊的/有损的、概率性的/统计性的。

特性：

• 它是一个token级别的互联网内容模拟器
• 具有随机性/概率性——每次运行都会得到不同的结果
• 它能凭借记忆逐字复述一些训练文档：模型的参数有点像互联网的一个有损压缩文件，大量有用的世界知识存储在模型的参数中
• 通过巧妙设计提示词，你可以激活其记忆，输出与提示词相关的内容

但我们还能让模型变得更好，于是咱们来到了模型训练的第二步。

第二步、后训练之“监督微调”

【背景】

完成预训练后，我们已经得到了一个可以根据“上文”预测“下文”的预测模型了，唯一的问题是，它还不大会处理“问答”这种场景中的下文预测。

要解决这个问题，很容易想到，那就是增加“问答类内容”的样本量，再训练一下模型对这方面“上文”的处理能力。这就是”监督微调“的核心原理。

这个阶段的模型训练方法，与预训练阶段是相同的，唯一改变的是数据集的类型，变成了一系列“对话问答”类的内容。

【核心流程】

1、构建对话问答类 token 序列

我们构建了<|im_start|>、<|im_sep|>、<|im_end|>等在预训练时没有的，全新人为定义的特殊token，用于把对话内容结构化，变成一种对话内容特有的 token 序列。

这些特殊 token 就像对话的‘分隔符’，明确告诉模型‘<<|im_start|>user’后面是用户的问题，‘<<|im_start|>assistant’后面是正确回答，帮助模型学会‘问答对应’”。

2、构造海量的对话问答类内容用于模型训练

接下来，我们构建海量的，涉及各个领域的对话问答内容，供给模型进行训练。这一步，需要耗费非常非常大的人力投入。所谓没有“人工”，何来“智能”。

而随着现在大语言模型的不断进步，也会通过大语言模型来生成这些数据，用于新的模型训练。

【得到的成果】

完成训练后，我们就得到了一个能够回答问题的模型，我们称之为SFT（supervise fine tuning 监督微调） model。

这个模型的本质，是结合了预训练知识， 以及从后训练数据集中习得的模仿人类回答问题方式，的一个预测模型。

听起来，是不是很像我们在学习完课本的经典题目的解法后，依样画葫芦地解决类似的问题？

案例：完成这一步，模型已经能很标准地回答一些常见问题了。

【关于幻觉产生的原因，以及其缓解方法】

幻觉产生的原因

如上文描述，模型的本质是一个概率预测模型，回答会基于统计学从概率中抽样给出一个答案，即使答案的概率本身在模型计算结果中非常低，也有出现的可能。

案例：下图这个例子中，后训练数据集曾经出现过”who is“这样的问题案例。在模型完成训练后回答类似问题时，即使向模型提问一个完全不存在的人orson kovacs，模型也会模仿后训练中这类问题的回答方式，基于预训练的知识模拟出一个答案，即使这个答案在模型计算结果中概率是非常低的，模型也会选择进行输出，因此就会出现胡编乱造的回答。

缓解方法

1、让模型学会说不知道：丰富后训练数据集，添加会回答”不知道“的案例

2、让模型学会借助工具：对于模型不懂的内容，让模型使用包括联网搜索、计算工具等能力，让搜索结果、计算结果成为模型的信息源，也就是成为输入进模型的“上文”的一部分，再输出答案

要缓解幻觉问题，可以引入以下几类训练数据：

第三步、后训练之“强化学习”

【背景】

在监督微调的过程中，后训练数据集的提供者，教会了模型按他们的方式去回答问题，模型是他们的模仿者。

但对于一个问题，是有多种解法的。而我们作为人类其实并不了解模型，我们并不知道哪个解法是更能帮助模型获得正确答案的。就像小时候做数学题，每道题都有几种解法，而我们每个人的脑回路是不一样的，并不是书本给的经典解法就最适合自己，最终需要我们自己摸索出最适合自己的，最舒适的解法，可以帮助我们自己获得最高的准确率，这个摸索过程中，甚至能迸发出比经典解法更优的全新解法。

而这就是我们这一步需要做的事情。我们只给到题目与答案，然后让模型自己摸索出最适合自己的解法。

【核心流程】

1、我们提供问题，然后让模型自己去生成一系列的解法

2、这些解法中，只有一部分是正确的

3、我们再从这些解法中找到最优秀的解法（既准确，又精简高效的）

4、把这个优秀解法作为训练数据集，去用于模型训练

5、如此往复，重复很多很多次…

【得到的成果】

通过强化学习，我们得到了两个喜人的效果：

1、模型产生了思维链（chains of thought）。
这就是我们使用 DeepSeek 等最前沿的大模型的时候，看到的思考过程。因此，我们把他们称之为推理模型（reasoning model）。

思维链的一个很重要的特点，在于让模型有了思考的过程，而不是一上来就回答问题。而这个思考的过程，都会成为“上文”的一部分，还记得大模型的预测原理，是基于全部的上文推测出下一个 token，因此上文的内容越长，越完整，预测出来的“下文”质量自然也会越高。

2、模型能产生超越人类已有知识的全新解法。

强化学习第一次出圈，就是击败人类最强围棋手的 alpha go。它正是通过强化学习，人类只告诉了它围棋的规则跟目标，然后它通过自己不断的训练，最终训练出了人类围棋历史上从来未有过的落子方法，最终超越了人类。如果它只是限制在模仿学习人类围棋手的历史案例，那它是不可能超越人类的。
当然，大语言模型的训练，要比 alpha go难得多。 因为围棋只是一个闭合领域问题（规则有限），而大语言模型要面对的是一个开放领域问题（要解决各种各样的问题）。因此，需要找多足够多的练习题给到模型进行训练。

总结

最后，再回顾一下模型训练的三个环节：

1、预训练：获取基本知识

2、监督微调：查看大量实例，模仿专家回答问题的方式

3、强化学习：提供习题，让模型自己不断训练、试验、纠错，直到找到正确的解法

在上述训练方法的基础上，模型不断进化，并发展到现在支持多模态、多流程任务的模型。

反思：预测，就等于逻辑吗？

了解完大语言模型的训练原理后，最让我惊讶的是，我们现在使用的，可以解决这么多复杂问题，甚至连高深数学题目都能解答的AI，本质上只是一个统计学的“预测模型”吗？我们人类独有的所谓“逻辑”能力，就这么简单被一个“预测”模型所战胜了？

但转念一想，会不会是，我把“逻辑”想的太高深了。会不会是，我们所拥有的“逻辑”，本质上也是一种我们基于过去经验而对当前事情的一种“预测”？当我们面对一个问题时，所想到的解题路径，也是我们基于自己过往经历类似事情时的成功或失败的反馈，而得到的属于自己的一个解法。

恰逢最近听了孟岩《无尽的探索》那期播客，里面提到了美国计算机科学家、神经科学家杰夫·霍金斯的一本书《千脑智能》，里面对大脑机制的阐述正是类似的：

或许，我们人类自诩独有的“逻辑”与“智慧”，就真的只是一种“预测模型”而已……

学习大模型 AI 如何助力提升市场竞争优势？

随着新技术的不断涌现，特别是在人工智能领域，大模型的应用正逐渐成为提高社会生产效率的关键因素。这些先进的技术工具不仅优化了工作流程，还极大地提升了工作效率。然而，对于个人而言，掌握这些新技术的时间差异将直接影响到他们的竞争优势。正如在计算机、互联网和移动互联网的早期阶段所展现的那样，那些最先掌握新技术的人往往能够在职场中占据先机。

掌握 AI 大模型技能，不仅能够提高个人工作效率，还能增强在求职市场上的竞争力。在当今快速发展的技术时代，大模型 AI 已成为推动市场竞争力的重要力量。个人和企业必须迅速适应这一变化，以便在市场中保持领先地位。

如何学习大模型 AI ？

在我超过十年的互联网企业工作经验中，我有幸指导了许多同行和后辈，并帮助他们实现个人成长和学习进步。我深刻认识到，分享经验和知识对于推动整个行业的发展至关重要。因此，尽管工作繁忙，我仍然致力于整理和分享各种有价值的AI大模型资料，包括AI大模型入门学习思维导图、精选学习书籍手册、视频教程以及实战学习等内容。通过这些免费的资源，我希望能够帮助更多的互联网行业朋友获取正确的学习资料，进而提升大家的技能和竞争力。

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】

一、初阶应用：建立AI基础认知

在第一阶段（10天），重点是对大模型 AI 的基本概念和功能进行深入了解。这将帮助您在相关讨论中发表高级、独特的见解，而不仅仅是跟随他人。您将学习如何调教 AI，以及如何将大模型与业务相结合。

主要学习内容：

• 大模型AI的功能与应用场景：探索AI在各个领域的实际应用
• AI智能的起源与进化：深入了解AI如何获得并提升其智能水平
• AI的核心原理与心法：掌握AI技术的核心概念和关键原理
• 大模型应用的业务与技术架构：学习如何将大模型AI应用于业务场景和技术架构中
• 代码实践：向GPT-3.5注入新知识的示例代码
• 提示工程的重要性与核心思想：理解提示工程在AI应用中的关键作用
• Prompt的构建与指令调优方法：学习如何构建有效的Prompt和进行指令调优
• 思维链与思维树的应用：掌握思维链和思维树在AI推理和决策中的作用
• Prompt攻击与防范策略：了解Prompt攻击的类型和如何进行有效的防范
  
  
  、、、

二、中阶应用：深入AI实战开发

在第二阶段（30天），您将进入大模型 AI 的进阶实战学习。这将帮助您构建私有知识库，扩展 AI 的能力，并快速开发基于 agent 的对话机器人。适合 Python 和 JavaScript 程序员。

主要学习内容：

• RAG的重要性：理解RAG在AI应用中的关键作用
• 构建基础ChatPDF：动手搭建一个简单的ChatPDF应用
• 检索基础：掌握信息检索的基本概念和原理
• 理解向量表示：深入探讨Embeddings的原理和应用
• 向量数据库与检索技术：学习如何使用向量数据库进行高效检索
• 基于 vector 的 RAG 实现：掌握基于向量的RAG构建方法
• RAG系统的高级扩展：探索RAG系统的进阶知识和技巧
• 混合检索与RAG-Fusion：了解混合检索和RAG-Fusion的概念和应用
• 向量模型的本地部署策略：学习如何在本地环境中部署向量模型
  

三、高阶应用：模型训练

在这个阶段，你将掌握模型训练的核心技术，能够独立训练和优化大模型AI。你将了解模型训练的基本概念、技术和方法，并能够进行实际操作。

• 模型训练的意义：理解为什么需要进行模型训练。
• 模型训练的基本概念：学习模型训练的基本术语和概念。
• 求解器与损失函数：了解求解器和损失函数在模型训练中的作用。
• 神经网络训练实践：通过实验学习如何手写一个简单的神经网络并进行训练。
• 训练与微调：掌握训练、预训练、微调和轻量化微调的概念和应用。
• Transformer结构：了解Transformer的结构和原理。
• 轻量化微调：学习如何进行轻量化微调以优化模型性能。
• 实验数据集构建：掌握如何构建和准备实验数据集。
  
  

四、专家应用：AI商业应用与创业

在这个阶段，你将了解全球大模型的性能、吞吐量和成本等方面的知识，能够在云端和本地等多种环境下部署大模型。你将找到适合自己的项目或创业方向，成为一名被AI武装的产品经理。

• 硬件选型：学习如何选择合适的硬件来部署和运行大模型AI。
• 全球大模型概览：了解全球大模型的发展趋势和主要玩家。
• 国产大模型服务：探索国产大模型服务的优势和特点。
• OpenAI代理搭建：学习如何搭建OpenAI代理以扩展AI的功能和应用范围。
• 热身练习：在阿里云 PAI 上部署 Stable Diffusion
• 本地化部署：在个人计算机上运行大型模型
• 私有化部署策略：大型模型的内部部署方法
• 利用 vLLM 进行模型部署：高效部署大型模型的技术
• 案例分析：如何在阿里云上优雅地私有部署开源大型模型
• 开源 LLM 项目的全面部署：从零开始部署开源大型语言模型
• 内容安全与合规：确保AI应用的内容安全和合规性
• 算法备案流程：互联网信息服务算法的备案指南
  

通过这些学习内容，您不仅能够掌握大模型 AI 的基本技能，还能够深入理解其高级应用，从而在市场竞争中占据优势。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，那你无疑是AI领域的佼佼者。然而，即使你只能完成60-70%的内容，你也已经展现出了成为一名大模型AI大师的潜力。

最后，本文提供的完整版大模型 AI 学习资料已上传至 CSDN，您可以通过微信扫描下方的 CSDN 官方认证二维码免费领取【保证100%免费】。