:大模型到底是什么)
这个问题看起来简单.
但真要说清楚,其实不容易.
因为它很容易被讲得特别玄.
比如有人会说它在思考.
也有人会说它只是概率接龙.
这两个说法都有一点道理,但如果只记这两句话,还是很难落到项目里.
所以这篇我想换一个角度:
先不急着讲论文. |
先拿普通程序和大模型对比一下. |
看看它到底和我们平时写的代码有什么不一样.
0.背景:我一开始把它想简单了
刚开始用 ChatGPT 的时候,我其实很自然地把它当成一个更聪明的搜索框.
我问:
Docker 怎么部署 Go 后端? |
RAG 是什么? |
这个错误怎么解决? |
它回答得很顺.
所以很容易产生一种错觉:
大模型 = 一个知识很多的问答系统 |
但后面写 RAG 的时候,我发现这个理解不够.
因为如果大模型真的是一个知识库,那它应该能精确查资料.
但它不能.
如果大模型真的是一个数据库,那我问:
筛选出所有攻击力大于 50 的装备 |
它应该像 SQL 一样稳定.
但它也不适合直接干这个.
所以我开始意识到:
大模型不是数据库. |
大模型也不是搜索引擎. |
它更像一个基于上下文生成文本的模型. |
这句话听起来有点抽象.
我们慢慢拆.
1.普通程序是怎么工作的
先看我们熟悉的普通程序.
比如写一个简单的规则:
def check_attack(power: int) -> str: |
if power > 50: |
return "高攻击装备" |
return "普通装备" |
这个程序的特点很明确:
规则是人写死的. |
输入一样,输出基本一样. |
程序不会自己发挥. |
它不理解什么叫"强".
它只知道:
power > 50 |
满足条件就返回高攻击装备.
不满足就返回普通装备.
这种程序很可靠.
只要规则写对,它就会按规则执行.
但它的问题也很明显:
规则没写到的地方,它就不会. |
比如你问它:
这件装备适合刺客还是战士? |
如果代码里没有写职业判断逻辑,它就回答不了.
普通程序更像这样:
输入 |
-> 人写好的规则 |
-> 按步骤执行 |
-> 输出 |
2.大模型不是按 if else 在回答
大模型不一样.
你问它:
这件装备攻击力 60,暴击率 20%,适合什么角色? |
它不是在代码里找一个固定的 if else.
它更像是在看这段文本:
攻击力 60 |
暴击率 20% |
适合什么角色 |
然后根据训练中学到的语言规律,项目知识,上下文线索,去生成一个最可能接得上的回答.
流程大概是:
用户输入 |
-> 切成 token |
-> 进入模型计算 |
-> 预测下一个 token |
-> 再预测下一个 token |
-> 拼成完整回答 |
注意这里最关键的是:
它不是一次性吐出整篇答案. |
它是一点点生成的. |
比如回答:
这件装备更适合刺客. |
对模型来说,它不是一下子把这句话拿出来.
而是类似这样:
这 |
这件 |
这件装备 |
这件装备更 |
这件装备更适合 |
这件装备更适合刺客 |
当然真实过程不是按中文词这样切,而是按 token.
但先这样理解就够了.
3.那"大"到底大在哪里
LLM 里面的 L 是 Large.
这个"大",不是说它脾气大.
而是几个东西都很大:
参数量大 |
训练数据大 |
计算量大 |
上下文处理能力越来越大 |
参数可以先粗暴理解成:
模型内部学到的调节旋钮. |
普通程序里,规则是人写的.
大模型里,很多能力不是人一条条写进去的,而是通过大量文本训练出来的.
训练时,模型不断做一件事:
给它前面的文本, |
让它预测后面应该出现什么. |
预测错了,就调整参数.
调整很多很多次以后,它就慢慢学会了一些东西:
语法 |
常识 |
代码格式 |
问答方式 |
文章结构 |
不同概念之间的关系 |
所以它看起来像会回答问题.
但底层更接近:
根据上下文,生成最合理的后续文本. |
4.为什么它能回答很多没见过的问题
这个地方很容易误解.
有人会觉得:
模型回答出来了,说明它训练时见过原文. |
不一定.
大模型不是简单背书.
它确实可能记住一部分训练内容,但更重要的是,它学到了大量语言模式和知识关系.
比如它学过很多类似内容:
Docker 用来打包应用 |
Nginx 可以做反向代理 |
PostgreSQL 是关系型数据库 |
Go 可以写后端服务 |
当你问:
Go 后端怎么用 Docker 部署? |
它就能把这些模式组合起来,生成一个看起来合理的方案.
这也是它强的地方.
它不是只能回答固定问题.
它可以组合.
但这也是它危险的地方.
因为它组合出来的东西,不一定就是你项目里的真实情况.
比如它可能会编一个端口:
服务运行在 8080 端口. |
但你的项目实际可能是:
服务运行在 8888 端口. |
这时候它不是故意骗你.
它只是根据常见模式生成了一个看起来合理的答案.
这就是为什么后面需要 RAG.
因为项目事实不能只靠模型自己猜.
5.一句话理解大模型
如果先不追求严谨,我现在会这样理解 LLM:
LLM 是一个经过大量文本训练后, |
能够根据上下文不断预测下一个 token, |
最终生成自然语言、代码、结构化内容的模型. |
这句话里面有几个关键词.
第一个:
大量文本训练 |
说明它的能力来自训练数据和训练过程.
第二个:
上下文 |
说明你给它什么信息,会直接影响它怎么回答.
第三个:
预测下一个 token |
说明它的生成过程不是查表,而是一步步续写.
第四个:
生成 |
说明它擅长的是组织答案,解释内容,改写文本,写代码,总结材料.
但它不是天然适合做所有事.
6.它适合什么,不适合什么
大模型适合做什么?
我现在会先列这些:
解释概念 |
总结文档 |
改写表达 |
生成代码草稿 |
根据上下文组织答案 |
把零散信息整理成结构 |
这些任务都有一个共同点:
不是只要一个精确值. |
而是需要理解、组织、表达. |
那它不适合什么?
比如:
精确筛选数据库记录 |
严格计算金额 |
判断权限是否允许 |
直接当唯一事实来源 |
在没有资料时回答项目内部细节 |
这些事情不是不能和大模型结合.
而是不能只靠大模型.
比如:
