简介《人工智能与大模型通论》是清华大学孙茂松教授主讲的系统性讲义面向希望快速建立人工智能与大模型认知框架的技术人员、高校学生及AI爱好者。它从“迈向通用智能的大模型技术”切入完整梳理了从图灵测试、2012年图像识别突破到2016年AlphaGo的发展脉络并划分深度学习从“白手起家”到“预训练大模型一巨托众小”的三个层次帮助读者理解大模型的技术演进逻辑。讲义重点剖析了GPT-3等语言生成模型“强大理解与生成能力”及“幻觉问题”的成因涵盖“下一个词预测”机制与世界知识存储同时结合AIGC的创造性、多样性与个性化特点展示了AI生成对联等实际案例兼具理论深度与实践启发。资源共1个文件为PDF格式压缩包约10.36MB排版清晰、便于阅读和打印适合讲座学习、课程备课或自学参考。目前已有299人学习浏览是一份高含金量的入门至进阶学习资料。1. 先说结论这份PPT解决的是“大模型从哪来、到哪去”的认知问题做AI相关工作的人这两年多少都有一种“知识焦虑”模型越来越大、名词越来越多但真要你讲清楚大模型为什么突然能用了很多人反而卡壳。这份“人工智能与大模型通论”PPT是某高校人工智能研究院副院长在2023年11月做的一次讲座课件核心主题是“迈向通用智能的大模型技术”。它用一条时间线把图灵测试、深度学习三重境界、GPT-3、AIGC串起来解决的是“大模型整套演进逻辑长什么样”这个认知问题。适合技术产品经理、算法入门者、给业务方做科普的培训讲师不适合想直接抄代码训练大模型的人——它几乎不讲工程实现。2. 从图灵测试到“一巨托众小”大模型演进的三条主线2.1 图灵测试定目标深度学习给答案这份PPT把图灵测试放在第一页不是为了考古而是在给整场讲座定基调AI从诞生那天起就在回答“机器能不能像人一样思考”。图灵测试之所以重要是因为它把“思考”这个不可测量的问题转化成了“对话能不能骗过人”这个可执行的实验。后来深度学习干的事本质上就是把这个实验往前推了一大截2010年前后语音识别被深度神经网络重写2012年图像识别准确率大幅跃升2015年机器翻译开始全面转向神经机器翻译2016年围棋AI在复杂策略博弈里击败人类顶尖棋手。这组时间点放在一起你能看到一个很明显的信号深度学习不是只在某一个领域好使而是同时在“感知”和“认知”两条线上突破。语音、图像属于典型的感知任务机器翻译和围棋博弈则更偏认知。PPT里反复强调“感知认知”就是在提醒你大模型的底子不是凭空长出来的它是深度学习在多个任务上被反复验证之后才走到了“统一模型”这一步。2.2 三重境界从“各家自扫门前雪”到“一巨托众小”我拆这份PPT的时候印象最深的是它对深度学习发展阶段的划分。它不是按年份硬切而是按“模型怎么训练、怎么复用”来分这个视角很实用。第一重境界叫“白手起家 各家自扫门前雪”。做语音的团队用一套专用流程做图像的团队用另一套专用流程每个任务都得从数据处理、模型设计到训练调参全部重来。你和同事在同一个公司做两个不同任务模型互相之间完全没法复用每个项目都是新摊子。第二重境界是“预训练模型 大小联调”。先用大规模数据训练一个通用模型然后在具体任务上做微调。语音识别、图像识别、机器翻译这几个方向都吃到了这波红利。好处是底层的通用表征不用每次重学坏处是模型规模还不够大通用性也只是“能用”谈不上“好用”。第三重境界就是现在常说的“预训练大模型 一巨托众小”。一个大模型在超大规模语料上完成预训练之后可以同时支撑大量下游任务很多任务甚至不需要再单独微调直接给提示词就能出结果。PPT里用“一巨托众小”这个词比“大模型”本身更能说明问题——重点不是模型大而是“大”能换“多”。我做了个对比表方便你把这三种范式拉开看境界训练范式任务间关系典型问题代表方向第一重每任务独立训练各自为战互不复用成本高、周期长、无法迁移传统语音识别、早期图像模型第二重预训练 微调底座共享任务各自调模型规模不足通用性有限BERT式预训练模型第三重大规模预训练 多任务通用一个底座支撑多个任务算力门槛高、存在幻觉GPT-3 这代生成式大模型从第一重到第三重变化的不是“更多数据”或“更大参数量”这种数字层面的增长而是范式变了模型从“被训练来做一个任务”变成了“学会语言本身然后什么都能沾一点”。一句话总结就是——第一重是造工具第二重是造平台第三重是造底座。3. 大道至简GPT-3为什么靠“下一个词预测”就能扛起通用智能3.1 下一步词预测语言生成模型的最小闭环PPT里有一页专门讲GPT-3用词很有冲击力大道至简。不是夸张GPT-3的训练目标几乎简单到让人怀疑给定前文预测下一个词。整个语言生成模型的逻辑就是这么一条闭环你给它一段话它根据前面所有内容计算下一个词最可能是哪个。这个“最可能”是怎么算出来的训练阶段模型会从海量文本里随机截取段落把后半部分当成“答案”前半部分当成“问题”反复让模型学着猜。GPT-3之所以能存储世界知识就是因为它读过的文本多到一定程度后很多事实类信息已经嵌在参数里了。比如问“某国首都建在哪一年”模型不是去查数据库而是在做概率填空——它在训练时见过太多类似表达知道这类问题的答案模式是什么。PPT里给了一些填空题式的例子有地理知识、签证场景、临时叫车这种日常生活推理。看到这些例子你会明白GPT-3不是用“规则”在回答问题而是用“统计关联”在生成最高概率的表述。这也是为什么它能做逻辑推理——前提是这个推理模式在训练语料里出现过足够多次。3.2 理解、生成与幻觉GPT的强大和它的“翻车”边界但“按概率生成”是一把双刃剑。PPT原文里有一句很到位的话翻译过来就是模型具有强大的理解和生成能力同时也有与生俱来的“幻觉”问题像按概率随机游走。幻觉的典型表现是模型会用非常流利、非常肯定的语气说出一个错误结论。PPT里举的例子包括中文歧义句比如“某省份最高的山”和“某省份最高的是哪座山”这两种问法模型可能给出不同结果再比如“某大学很赞”和“某大学很赞”这种切分方式不同语义重心就变了模型判断也会跟着飘。这不是它故意的而是它每一步都在挑概率最高的词而概率最高不等于事实正确。我一般会这么跟别人解释GPT-3在做题时不是“想”出来的是“猜”出来的。猜的次数多了总会碰到它没见过或者语料本身就含糊的情况。所以你在用它做事实类问答时一定要有心理防线——它可以帮你写初稿、理思路但不能当百科词典用。真做知识型产品后面必须挂校验逻辑或者把生成结果交给人工复审。4. AIGC的创造性、多样性与个性化top-p参数到底在调什么4.1 天马行空不只是模型“灵感”生成策略在起作用AIGC人工智能生成内容在PPT里被描述为“天马行空式创造性”随之而来的是多样性、个性化这两个卖点。很多人以为AI的创造性是模型“自己发挥”的结果生成什么全看运气。这么理解其实会误导你——真实工程里AI的“天马行空”是可以被参数调节的。语言模型生成文本时每一步都会得到一组候选词和它们的概率。如果每次都用概率最高的那一个输出会特别稳定但也特别无聊而且容易陷入重复如果每次都从整个词表里随机抽输出会特别跳跃甚至乱套。实际做法是在“确定性”和“随机性”之间取一个平衡。PPT里出现了一个关键词top-p search。这是目前最常用的采样策略之一也叫核采样。它的逻辑是把所有候选词按概率从高到低排序从概率最高的开始累加一直加到累计概率超过阈值p然后只在这些词里做随机采样。p越接近1候选池越大输出越花p越小比如0.7、0.8候选池越收窄输出越保守。这套机制解释了很多现象为什么你让AI写两个版本的诗风格会差很多为什么调低某个参数之后它又会变得一板一眼。4.2 用参数控制“天马行空”temperature、top-p、惩罚项实际控制生成风格的参数不止top-p还有temperature以及频率惩罚和重复惩罚。给你一个我在内容生成场景里惯用的参数参照表参数作用低值表现高值表现常用区间temperature调节概率分布平滑度输出稳定、保守输出多样、跳跃0.71.0top_p控制候选词集大小候选少内容收敛候选多内容发散0.80.95频率惩罚抑制重复出现的词重复内容多用词更丰富00.5重复惩罚惩罚连续重复片段容易循环不会车轱辘话0.20.8PPT里有一组“兴到狂吟雪满枝”这类风格的生成内容配合top-p search说明。虽然没给出具体参数组合但按我做内容生成的实践经验那种“有点文气、又不至于乱飘”的风格一般就是temperature设到0.8上下、top_p设到0.9上下再开一点重复惩罚。如果AI输出太“放飞”优先调低top_p这是最直接的手段。4.3 多样性与个性化同一个上联能生成多少种下联PPT里用对联举了个例子上联是“夜阑卧听风吹雨”让AI生成下联。这个例子选得特别好——对联是对仗、平仄、意境三层约束叠加的任务很能展示AIGC的边界正经对仗时它显得很聪明放宽约束让它自由发挥时它能给你好几个风格完全不同的方案。多样性不是说模型“精神分裂”而是它在候选集内部随机采样每次选词路径不同最终文本自然不同。个性化则是把“用户偏好”翻译成“采样参数”。比如偏好工整的就把top_p调低偏好新奇的就调高temperature。同一个上联调整两组参数后出来的下联一个是稳健流派一个是大开大合流派这就实现了AIGC的“千人千面”。我通常会在项目里把这套逻辑做成一个配置面板普通用户只调一个“创意程度”滑块背后的映射就是temperature和top_p的组合预设。这样既避免普通用户看到参数名词发怵又能让懂行的开发直接改底层数值。5. 用这份PPT翻过车的五个地方避坑与排查记录5.1 坑一用“图灵测试”开头被听众质疑“这标准早被超过了”现象我第一次拿这份PPT做内部分享时刚讲到图灵测试底下就有人反问ChatGPT不是早就通过图灵测试了吗为什么还要提这个老古董场面一度很“真实”。原因图灵测试是一个思想实验它定义的不是“及格线”而是“判断机器智能的思考方向”。现在的聊天AI确实在对话上很像人但图灵测试本身并没有严格的实验规程几千人测和几万人测通过标准完全不同。听众的质疑来自把它当成了过去的“考试题”。解决讲的时候不要用“这是检验AI是否智能的标准”这种说法改成“这是人类第一次把‘机器能不能思考’变成了一场可执行的实验”。把图灵测试定位成“目标函数”而不是“成绩单”后面的内容就顺了。5.2 坑二把“三重境界”讲成必由之路听众以为训练大模型必须从零开始现象讲完三重境界之后一位做产品的同事问我那我们要做大模型是不是也得先从第一重开始然后第二重再第三重我当时一愣发现是我没讲清楚。原因三重境界是历史演进路径不是“每个人都要走一遍的路”。早期之所以必须第一重是因为那时还没有预训练范式现在一个团队完全可以跳过白手起家直接基于开源预训练模型做微调或者直接调大模型API。解决在讲完第三重之后补一句明确的话“对今天的从业者来说第一重和第二重是历史包袱第三重是当前入口。你不要从第一重开始学造轮子你要站在第三重的底座上做应用。”这是很多入门者最容易误解的地方。5.3 坑三现场演示事实问答模型一本正经讲错话现象分享时我想秀一下GPT-3的“世界知识”问了一个事实类问题结果模型很流畅地给了一个错误答案。现场有人直接皱眉整个演示环节的可信度掉了一半。原因幻觉问题在开放域问答里几乎无法避免。特别是中文的歧义句、分词差异、事实性冷门问题模型本质上是在“猜概率”不是“查答案”。演示前如果没筛过问题翻车率很高。解决事前挑3到5个模型大概率能答对的常识推理问题别问冷门事实或者把问题设计成“推理题”而不是“知识题”。真要在演示里展示知识回答就把AI的答案和资料校验结果摆在一起主动说明“它可能胡说所以要校验”——这反而显得你懂边界。5.4 坑四老板看到AIGC创造力后以为AI可以独立产出内容现象PPT里那些对联、诗句、天马行空的生成内容让管理者很兴奋会后问我这东西能不能自动生成营销文案全部用它来写行不行我说行但需要一个筛选环节老板表示不理解。原因AIGC的创造性来自采样随机性而随机性本身就是不可控的。你能让它产出十个版本但不能保证十个版本个个达标。它适合当“创意供给器”不适合当“终审编辑器”。解决在实际落地时把生成流程拆成“批量生成 → 打分筛选 → 人工微调”三截。用高top_p生成大量候选用低top_p或规则过滤保留稳定版本最后让人做最终确认。把“AI独立干活”的念头换成“AI负责量大人负责质优”。5.5 坑五拿2023年11月的案例当“最新现状”被更懂行的听众纠正现象我在讲GPT-3的时候说这是“当前语言生成模型的代表”话音刚落一位经常刷论文的同事就补了一句现在早就有新一代模型了。原因这份PPT的时间点是2023年11月里面提到的GPT-3是那个阶段的主流代表。但大模型迭代实在太快把PPT中的“当下最强”直接搬进对话里很容易被时间打脸。解决讲之前把PPT里的“代表模型”全部降级成“历史节点”变成“GPT-3是当时把这条路跑通的关键代表它之后又出现了很多新版本”。解释原理时以GPT-3为锚没问题但不要用“最强”“最新”这类限时词。PPT讲的是脉络不是新闻联播。6. 把PPT变成你自己的东西一张一页纸大模型认知框架如果你只是把这份PPT从头到尾放一遍听众大概率只记住几页金句。我的习惯是把它拆成一张“一页纸认知框架”分四块时间线、三重境界、GPT-3原理、AIGC参数。第一步把PPT里提到的年份和事件拉成长条图灵测试、语音识别突破、图像识别突破、机器翻译转向、围棋AI逐个标上“感知还是认知”的标签。第二步在每一个节点旁边注明它属于第几重境界比如2016年围棋AI属于第一重向第二重过渡GPT-3属于第三重。第三步把GPT-3的“下一个词预测”写成一句话放在框架中央周围挂上“世界知识、逻辑常识、幻觉”三个分支这样原理和边界一眼能看全。第四步把temperature、top_p、惩罚项这张参数表贴在末尾作为“可调旋钮”清单。之后给非技术同事讲就只讲这一页技术讨论再展开到具体层数、数据集规模、采样细节。遇到新模型发布直接在框架里替换对应节点不用重做整套。我早期的分享习惯是逐页讲PPT结果台下一位朋友问我“你到底想表达什么”那一瞬间我意识到课件是素材不是答案。从那以后我每次拿到技术分享PPT都强制自己先做一页纸框架再开口效果完全不一样。这份PPT最值钱的地方也不是某个结论而是它把散落的大模型知识点连成了一条线。希望帮到你。本文还有配套的精品资源点击获取