深入理解 AI 大模型：核心能力与应用场景全解析
深入理解 AI 大模型：核心能力与应用场景全解析
AI大模型作为当前科技领域的热门话题，其核心能力和应用场景备受关注。本文将从AI大模型的定义、分类、核心能力、局限性以及应用场景等多个维度进行深入解析，帮助读者全面了解这一前沿技术。
AI大模型是什么
通过概念考察的方式，拆开来了解AI大模型。
图片来源：Jie Tang, Jing Zhang, Limin Yao, Juanzi Li, Li Zhang, and Zhong Su. ArnetMiner: Extraction and Mining of Academic Social Networks.
AI：包含很多术语，如：模式识别、自然语言处理、神经网络、机器学习、深度学习、强化学习、人类反馈强化学习等。
类比：AI是电力--吴恩达。就像电力技术，是一种通用技术，对很多设备起作用，同样的AI可以赋能各种场景。
大模型：把LM比作人的大脑。
大参数大规模。参数就是脑细胞，脑细胞越多通常这个人越聪明，参数越多的LM通常越智能。
分类
语言大模型：ChatGPT、Gemini、文心一言、通义千问
代码大模型：阿里-通义灵码，Copilot
视觉大模型：
文生图：Midjourney，Stable Diffusion
文生视频：Sora
多模态大模型：GPT4
核心能力
自然语言理解
- 总结和提取：提取需要的内容，包含观点和主题
- 情感分析：识别和理解文本中的情感和情绪
- 文本转换：文本翻译，格式转换，拼写语法检查
推理能力：生成式AI的关键
- 逻辑推理：根据已知事实和规则，通过推理来推导出新的结论或解决问题。
- 扩写：根据已有文本内容生成新的文本，可以是对已有内容的延伸、补充或创造性扩展。
局限
- 数据集是静态的：大模型的知识参数是静态的，在模型训练完成后就固定下来的，更新知识需要重新训练，成本较高，一般由模型厂商完成。
- 缺乏特定领域的知识：基础大模型接受的是通用任务的训练。
- 幻觉“黑匣子”：很难理解大模型基于哪些数据来源得出的结论。大模型有时会生成不准确或毫无根据的信息。需要接受高质量的信息输入才能减少这种情况。
能干啥
这里只讨论应用场景更广的语言大模型
大语言模型是通用的模型，在广泛的任务中表现出色。可以执行多种特定任务（例如情感分析、命名实体识别或数学推理）。
一种全新的交互方式
在信息获取方面，与搜索引擎对比
- 搜索引擎是针对关键词的检索，AI是基于语义的检索。
- 前者只能返回信息，后者可以解读信息。
- 前者每次搜索是独立的，后者则可以关联上下文，进行多轮对话。
LLM + 客服台 = 智能客服
LLM + 文档 = 对话式文档阅读器
专家系统
专家系统：使用人类专家设计的计算机模型来处理现实世界中需要专家作出解释的复杂问题，可以得出与专家相同的结论。
知识问答
基于专有知识的智能问答，随叫随到的个人专家
- 工作流程：文档预处理+文本召回
- 前置条件：需要提供相关文档语料，较高质量的文档才有较高问答准确率
- 程度：问答准确率80%~90%（去年测试数据）
- 局限：无法识别图片，复杂表格识别不佳
数据分析
一句话生成统计图表，对数据进行快速洞察
- 前置条件：需要具备结构化数据
- 其他场景：月度、年度报告展示，展现形式可以是饼状图、柱状图、折线图
智能代理
编排AI自动化工作流，让AI成为高级助手代替操作
- 前置条件：成熟业务、基础数据，api组件
- 其他场景：适用于营销、运营、管理场景
- 查询航班、差旅报销。。。
其他
- 个人助理：每日工作总结，PPT助手
- 个人助手：餐饮助手、差旅助手
- 数字化员工：销售助手，商机跟进