LLM-大模型学习中常见词汇

以下均为网络搜索，个人理解

AI

AI(Artificial Intelligence)，人工智能。模拟人类思维的计算机系统。

AGI

AI(Artificial General Intelligence)，通用人工智能。所谓通用就是指可以处理所有类型的智力任务。这是当前人工智能的终极目标。现在我们使用的人工智能都是偏科的，都只擅长处理某类问题，比如视觉处理，比如擅长和人类对话，比如擅长语音处理，比如擅长下国际象棋（AlphaGo）。

NLP

NLP(Neutal Language Processing)，自然语言处理。是人工智能领域的一个分支，目的是让计算机能够理解，思考和生成人类语言。实现和人类对话的能力。

什么是自然语言？我们知道，人类是这个星球上唯一解锁了语言能力的生物。像汉语，英语，法语，印地语，甚至聋哑人用的手语，这都称为自然语言，用于人类之间的沟通。那不自然的语言是啥？比如计算机领域里面各自编程语言：C/C++，java，python等。处理编程语言需要专用的编程领域的大模型。

特点对比：

特性	自然语言	编程语言（如Python）
形成方式	自然演化（无“设计者”）	人工设计（有严格语法）
规则灵活性	充满例外（如英语复数：child→children）	绝对规则（缩进错=报错）
歧义容忍度	高（“我喜欢苹果”指水果or公司？）	零（print(x)必须明确x是什么）
使用场景	日常交流、情感表达	机器指令、逻辑执行

🤖 为什么计算机“听不懂”自然语言？

1. 模糊性：人类靠上下文、常识化解歧义，而计算机需要明确指令。
   • 例：“把灯关了” → 人类知道指哪盏灯，AI需额外传感器确认。
2. 隐含知识：自然语言依赖大量背景常识。
   • 句：“他考了59分，哭了一整晚。” → 人类懂“及格线60分”，AI需额外标注。

💡 NLP如何“翻译”自然语言？

1. 词法分析：拆解句子结构（如中文分词：“下雨天留客天” → “下雨天/留客/天”）。
2. 语义理解：关联现实知识（“苹果市值高” → 指公司，非水果）。
3. 上下文建模：通过Transformer等模型捕捉前后文关系（如“他们”指代谁？）。

🚀 进阶思考：自然语言的“漏洞”

• 语言陷阱：
  • 悖论句：“这句话是假的。” → 自指矛盾让AI宕机。
• 文化依赖性：
  • 中文“狗咬人”vs“人咬狗”强调主语差异，英语靠语序，日语靠助词。

LLM

LLM（Large Language Model），大语言模型。是一种基于深度学习的自然语言处理（NLP）模型，能够理解，生成，处理人类语言。它通过海量数据训练，学习单词、句子和篇章之间的统计规律，从而具备文本生成、问答、翻译、等多种能力。其核心技术架构是Transformer神经网络，由具备自注意力机制的编码器和解码器构成，能够高效捕捉长距离语义依赖。这类模型的典型特征包括：

1. 规模化：参数量通常达到数十亿甚至万亿级别，通过大规模无监督训练获取通用语言能力。
2. 多任务适应性：可完成跨领域任务，如文本生成、内容摘要等。
3. 预测式生成：基于概率预测词元（字词/子词）序列，支持段落级连贯输出。

根据上面的描述可知，LLM是NLP领域的一种技术分支。

ML

ML（Machine Learning），机器学习。是人工智能（AI）的一个核心分支，其核心目标是让计算机系统能够通过数据自主学习和改进，而无需显式编程。