一、大模型定义
狭义定义
特指ChatGPT等大语言模型（LLM），通过千亿级参数训练，具备文本生成、逻辑推理等通用能力。
广义定义
涵盖CV/语音等领域的通用模型范式，演进路径：专用小模型 → 预训练+微调 → 大模型+人类对齐
核心价值
传统AI需为每个任务单独训练模型（如翻译模型、摘要模型），而大模型如同「瑞士军刀」，单模型应对多任务。
二、AI技术分层架构
关键差异对比：
| 技术层级 | 数据需求 | 特征提取 | 典型应用 |
|---|---|---|---|
| 机器学习 | 标注数据 | 人工设计 | 垃圾邮件分类 |
| 深度学习 | 部分标注 | 半自动提取 | 人脸识别 |
| 大模型 | 无标注海量文本 | 完全自主提取 | 多轮对话系统 |
三、语言模型的五次进化
- 统计语言模型（1950s）
基于词频预测，如同查字典写作文
- 神经语言模型（2013）
RNN/LSTM网络，实现上下文记忆
- 预训练模型（2018）
BERT/GPT-1开启「预训练+微调」范式
- 大模型萌芽（2020）
GPT-3展现零样本学习能力
- 人类对齐时代（2022）
ChatGPT通过RLHF技术理解人类意图
技术拐点：2017年Transformer架构问世，突破长文本处理瓶颈。
四、核心概念
生成式AI vs 决策式AI
AIGC三大特征：
- 内容原创性（非简单拼接）
- 多模态输出（图文/音视频）
- 可控生成（通过提示词引导）
五、技术生态
中国大模型「三梯队」格局：
通用底座
- 百度文心一言
- 阿里通义千问
- 深度求索DeepSeek
- 智谱AI（ChatGLM系列）
垂直领域
- 医疗：腾讯觅影、医渡云
- 法律：幂律智能、华宇元典
- 金融：度小满轩辕、恒生LightGPT
大模型不是替代人类的「对手」，而是放大能力的「杠杆」
推荐阅读
软件测试/测试开发丨Pytest测试用例生命周期管理-Fixture
软件测试/测试开发丨Python学习笔记之基本数据类型与操作
