學習大模型開發(fā)，需要具備人工智能或深度學習理論基礎(chǔ)嗎？ 原創(chuàng)
“ 學以致用，問題才是學習的真正驅(qū)動力 ”
最近發(fā)表了幾篇關(guān)于學習人工智能技術(shù)的文章，然后就有人問沒有深度學習的基礎(chǔ)可以學習人工智能嗎？
答案是肯定的，學習人工智能技術(shù)并不一定非要懂得深度學習，雖然深度學習是大模型的基礎(chǔ)。
怎么學習大模型？
很多人學習大模型技術(shù)，第一步就卡在了入門上，也就是說不知道應該怎么學習人工智能技術(shù)。
可能在很多人的認知中，學習人工智能就要學習機器學習和深度學習，面對著復雜的機器學習模型以及復雜的算法實現(xiàn)，直接導致很多人的人工智能學習之路自此中斷。
其實大家完全沒必要把人工智能或者說大模型想的那么復雜，作者在之前的文章中曾不只一次的說過，技術(shù)的本質(zhì)就是一個工具；而會不會制造和使用工具是人和動物的根本區(qū)別。
既然大模型技術(shù)是一種工具，我們即使不會制造大模型這個工具；但我們可以學會使用這個工具。所以，對不懂機器學習和深度學習的人來說，學習大模型技術(shù)最好也是最簡單的方式就是先學會使用大模型。
學習使用大模型也有兩種情況，一種是完全不懂技術(shù)的人，只需要學會使用基于大模型作為底座開發(fā)的產(chǎn)品，比如一些音視頻生成工具等。
第二，就是懂技術(shù)的人，他們有一定的編程基礎(chǔ)，這時他們可以學習在大模型之上構(gòu)建上層應用，也就是給不懂技術(shù)的人使用的工具。
第一種沒什么好說的，不論是人工智能還是微信，淘寶，拼多多對第一種人來說沒什么區(qū)別。
我們今天主要討論的是學習大模型技術(shù)的人，當然，第二種情況下也會有那種特別喜歡大模型技術(shù)本身的人，比如學習機器學習模型，算法，架構(gòu)等等；這種就不在我們今天討論的范圍。
為什么我說學習大模型可以不懂的機器學習和深度學習？
原因就是學習的方式有多種，在學生時代學校采用填鴨式的教學方式，上來就給我們講高大上的理論還一些不知所以的概念。
因此，也有人開玩笑說我只需要上街買個菜，需要知道什么是牛頓萊布尼茨公式嗎？
而我們很多人學習人工智能或者學習大模型技術(shù)的時候也是一樣，他們根本不知道什么是人工智能，也不知道什么是大模型；就知道這玩意現(xiàn)在比較火，說起來比較牛逼，然后就去學。
但你問他為什么要學，他們又說不出個一二三。
所以，很多人學習大模型的時候聽了一堆概念，看了一堆書，然后也不知道到底能干什么，為什么這么干。
因此，踏入社會之后我們就要學會另一種學習方式，那就是從問題出發(fā)，從應用出發(fā)，在問題中尋找答案。
先不要去學習哪些高大上的理論和一些亂七八糟的概念，我們首先要做的就是先學會大模型的使用，比如讓它幫我們生成一張圖片，回答一個問題。
這時問題就來了，大模型為什么可以生成圖片，為什么可以回答問題？
然后去思考它是怎么做到的，以及它為什么能做到。
這時，你帶著問題去尋找答案，你就會發(fā)現(xiàn)原來看不懂的概念現(xiàn)在好像有點懂了；之所以可以生成圖片和回答問題，是因為現(xiàn)在的模型叫生成式模型，使用特殊的架構(gòu)實現(xiàn)的一種能夠通過預訓練習得知識的能力。
然后你就又發(fā)現(xiàn)了一個問題，什么是預訓練？ 以及預訓練是怎么做的？
這時你就會去學習大模型的預訓練流程，選擇模型，數(shù)據(jù)清洗，數(shù)據(jù)訓練，正向傳播，反向傳播，損失計算等等。
這時的你可能對大模型技術(shù)就有了一個大致的認識，雖然你并不知道大模型到底是怎么實現(xiàn)的，但你知道通過預訓練流程就可以打造一款適合某個場景的模型。
這時你就開始思考怎么才能訓練一個能解決某個問題的模型？
怎么選擇合適的模型，從哪里找到這些模型，這些模型需要什么樣的以及什么格式的數(shù)據(jù)，預訓練需要多少算力，需不需要分布式并行計算等等。
這時你就會發(fā)現(xiàn)，原來訓練一個模型這么復雜，這么困難；那該怎么辦呢？
這時你又看到了微調(diào)，通過少量的數(shù)據(jù)就可以實現(xiàn)把類似功能的預訓練模型調(diào)整成適合你指定任務(wù)的模型。
這時你就會發(fā)現(xiàn)，原來訓練和微調(diào)在技術(shù)上沒有本質(zhì)的區(qū)別；唯一的區(qū)別就是預訓練模型的參數(shù)是經(jīng)過訓練的，而微調(diào)只需要對部分參數(shù)進行調(diào)整即可。如果是全量微調(diào)，那就和訓練沒什么本質(zhì)的區(qū)別了。
這時，你已經(jīng)明白了大模型的基本運作原理，以及訓練和微調(diào)的方法；這時你可能會想我也自己設(shè)計一個大模型出來給別人用？
這時你通過一通查資料發(fā)現(xiàn)想實現(xiàn)這個目標確實比較復雜，不但要深入了解各種機器學習的理論和算法，還是懂得足夠的數(shù)學基礎(chǔ)。
所以，這時你可能會轉(zhuǎn)變方向，先去基于大模型開發(fā)一款工具或應用；比如AIGC或知識庫等。
然后，你就會思考怎么用大模型開發(fā)應用呢？
是自己訓練或微調(diào)一個大模型，還是使用第三方的大模型？如果使用三方大模型只需要懂得接口調(diào)用，甚至不需要知道一點人工智能的東西就可以開發(fā)，技術(shù)要求低，成本也低。
而如果自己使用其它的開源模型，那么自己怎么部署，怎么動態(tài)擴容等等。
等你真正決定自己部署大模型的時候，你才發(fā)現(xiàn)原來自己獨立運維部署大模型是如此復雜的一個工程，不但要考慮模型的選擇，還要負責大模型的集群部署和擴容；而如此龐大的系統(tǒng)工程依靠人力是無法完成的，因此自動化運維就成了必不可少的東西。
最終，你經(jīng)過一通亂七八糟的操作，最終成功部署了大模型；這時，你又發(fā)現(xiàn)模型的生成效果好像并不是太好，使用了現(xiàn)有的訓練和微調(diào)方式都沒辦法解決這個問題。
這時，你就需要開始真正的研究大模型的底層實現(xiàn)，使用了什么算法，什么架構(gòu)，可能是什么問題導致大模型表現(xiàn)不好等等。
或者說，你在使用大模型的過程中，突然發(fā)現(xiàn)一些之前沒有注意到的好玩的地方，比如大模型的幻覺問題，一本正經(jīng)的胡說八道。
而產(chǎn)生這個問題的根本原因是什么？
這時，你就會發(fā)現(xiàn)你自己好像懂了什么是大模型；但又好像什么都不懂；感覺自己什么東西都知道一點，但又沒辦法說個所以然。
為什么會產(chǎn)生上面的情況，原因就是大模型是一個復雜的系統(tǒng)性工程，沒有人上來就能把它說個一二三；大家都是在不斷學習，不斷使用的過程中，發(fā)現(xiàn)問題，改正問題，在問題中成長。
所以說，你沒有機器學習和深度學習的基礎(chǔ)，你會有上面的各種疑問；而你有機器學習和深度學習的基礎(chǔ)，你同樣會有上面的疑問。
學習最重要的是學以致用，不論是你先從應用學起，還是從底層理論學期，你可以根據(jù)自己的喜好，選擇適合自己的學習方式；沒有人規(guī)定有了深度學習技術(shù)就一定能學會大模型技術(shù)；也沒有人規(guī)定，沒有深度學習技術(shù)的基礎(chǔ)就學不會大模型技術(shù)。
本文轉(zhuǎn)載自公眾號AI探索時代 作者：DFires
