四、误区和拓展

1. 大模型学的是规律，不是知识本身，大模型并不理解知识本身
   • 模型通过概率分布判断“哪些词组合更可能合理”（如“天空是_”更可能接“蓝色”而非“酸甜”）。
   • 案例：ChatGPT写诗时并不“懂”诗意，而是模仿训练数据中的诗歌结构。

如果有一天AI真的有了感情、浪漫细胞，它是会先帮单身狗写情书呢？还是先酷酷给自己写封辞职信呢~~

2. 缩放定律（Scaling Laws）

   • 模型性能提升依赖数据量、参数规模、算力同步增长，而非单纯堆数据。
   • 案例：PaLM模型在足够大的规模下，突然涌现出小模型不具备的数学推理能力。

3. 很多人会把大模型和人工智能混为一谈，人工智能（AI）有通用人工智能和专用人工智能，大模型有通用模型和垂类模型。真正的“通用人工智能”（AGI，Artificial General Intelligence）尚未实现。现有的AI系统（包括大语言模型、图像生成模型等）均属于“专用人工智能”（Narrow AI），它们仅在特定任务或领域内表现出类人甚至超人的能力，但远未达到人类水平的通用智能。市面上如ChatGPT等多属于通用大模型，因为各领域知识学而不专，但是通过微调（利用特定领域或学科的数据集基于通用模型的能力基础再训练，使得变成某个领域的专业老师的过程）可以变成垂类大模型。

4. 当前的几个主要概念包含关系如下：

PPT源文档：

初级PPT（视频中的）：

大模型原理新版.pptx

进阶PPT（教程中的）：

大模型原理简介.pptx