AI-day1

 

 

大模型核心知识点梳理（通俗版+实例）

一、大模型发展史与核心基础

1. 发展历程（关键时间节点）

大模型的发展核心是“架构突破+模型迭代”，关键节点清晰：2017年Google提出Transformer架构（相当于给大模型搭好了“骨架”）→2022年OpenAI发布GPT-4（大模型能力迎来质变，能处理多类型任务）→2023年Meta开源Llama 2（降低大模型使用门槛，推动行业普及）→2024年OpenAI推出Sora（文本生成视频）和o1系列（强化逻辑推理），让大模型从“处理文本”走向“多维创作”和“深度思考”。

2. 核心技术：从基础模型到Transformer

大模型的技术基础是“机器学习→深度学习→特定神经网络”的递进，不同神经网络各有擅长，用实例一看就懂：

• CNN（卷积神经网络）：擅长处理“静态数据”（比如图片、固定格式的表格），核心是提取局部特征。例：手机拍照识别人脸，就是CNN先提取五官的局部特征（眼睛、鼻子的形状），再组合判断是哪个人；再比如识别手写数字“8”，CNN会先捕捉“两个圆圈”的局部特征，再整合识别。
• RNN（循环神经网络）：擅长处理“序列数据”（有先后顺序的内容），能记住前序信息。例：做中文翻译“我爱中国”→“I love China”，RNN会根据“我”先翻译出“I”，再结合“我”的语境翻译“爱”为“love”；再比如语音转文字，它能根据前面说的“今天”，判断后面接“天气”比接“电脑”更合理。但RNN有短板：处理长文本（比如一篇5000字文章）时，后面的内容会“忘记”前面的，而且计算慢。
• Transformer架构（核心中的核心）：2017年提出，解决了RNN和CNN的局限性，是现在所有主流大模型（如GPT、Llama）的基础。核心是“注意力机制”——能同时关注所有输入内容的相关性，比如处理句子“小明喜欢吃苹果，他每天都买”，Transformer能快速判断“他”指的是“小明”，而不是“苹果”。优势是能高效处理长文本、支持并行计算（速度快）。

3. 主流模型分支：BERT vs GPT（用途差异很明确）

• BERT（双向编码器）：能同时看“上下文”，适合“理解类任务”。例：给句子“这个苹果很甜”做情感分析（判断正面/负面），BERT会同时结合“这个”“很甜”等前后信息，快速得出“正面”结论；再比如提取文章关键词，它能从上下文判断“Transformer”是核心词，而不是“架构”。
• GPT（单向解码器）：只能根据“前面的内容”预测下一个内容，符合自然语言的说话/写作逻辑，适合“生成类任务”。例：你输入“写一段关于春天的话”，GPT会从“春天”开始，依次生成“来了，花儿开了，鸟儿唱了”；再比如聊天时，你说“今天好热”，它会根据这句话预测你可能需要“降温建议”，从而回复“可以吃点冰西瓜，或者吹吹空调”。

4. 大模型核心概念与训练流程

• 大模型（LM）：简单说就是“参数量特别大”（至少十亿级以上）的语言模型，能理解和生成人类语言。例：GPT-3参数量1750亿，Llama 2最大参数量700亿，这些都属于大模型。
• 训练三阶段（从“通用”到“专用”）：
  • 无监督学习（预训练）：让模型“读遍海量通用文本”，学习语言规律。例：用全网的新闻、小说、论文训练模型，让它知道“太阳从东方升起”“下雨要带伞”这些基础常识，以及语法、用词习惯。
  • 有监督学习（微调）：用“带标注的高质量数据”让模型专注某类任务。例：想让模型做医疗问诊，就用“症状-诊断建议”的标注数据微调，让它知道“发烧38.5℃+咳嗽”对应“可能是感冒，建议多喝水、吃退烧药”。
  • 强化学习（奖励模型）：给模型的回答“打分”，引导它生成更好的内容。例：模型回答“发烧要吃头孢”（错误），就打低分；回答“发烧先测体温，38.5℃以上再用退烧药，头孢需医生判断是否过敏”（正确），就打高分，慢慢让模型学会输出准确、安全的内容。

5. 关键术语解析（必懂！用实例帮你理解）

• Token（令牌）：模型处理文本的“最小单位”，可以是一个字、一个词或一个子词。例：“我爱大模型”这句话，不同模型分词可能是【我/爱/大/模型】（4个Token），也可能是【我爱/大模型】（2个Token）；英文“I love AI”通常分为【I/ love/ AI】（3个Token）。
• 上下文长度：模型一次能“记住”的最大Token数量，超过就会“忘记”前面的内容。例：某模型上下文长度是4096个Token（约3000字中文），如果你给它一篇4000字的文章，让它总结最后一段，它可能会忘记前面的内容，总结不准确；而上下文长度16384个Token的模型（约12000字中文），就能轻松处理。
• 模型参数：模型里的“核心权重”，决定模型的“聪明程度”和“处理能力”，参数越多，能力越强，但需要的计算资源也越多。例：GPT-4参数量比GPT-3多，所以它处理复杂逻辑推理（比如数学题、代码调试）的能力更强；而一些小参数模型（如参数量10亿级），只能处理简单任务（比如生成短句子、简单翻译）。

二、大模型的现状、挑战与未来趋势

1. 现状与核心挑战

现在大模型已经能帮我们做很多事，比如写代码、生成文档、做简单的数据分析，但实际用的时候还有不少问题：

• 需求理解不清：你说“帮我写一个简单的登录页面代码”，模型可能不清楚你要“网页版”还是“APP版”，生成的代码不符合预期。
• 研发思维局限：模型只能根据已学的知识生成内容，无法提出“创新的技术方案”，比如面对一个全新的软件架构问题，它可能只能给出常规答案。
• Token限制：处理大型项目的历史代码（比如几十万个Token的代码库）时，模型一次装不下，无法全面分析代码逻辑。
• 研发工作占比低：实际工作中，用大模型做“代码生成”的时间只占10%-20%，大部分时间还是在澄清需求、对接业务、测试验证。

2. 未来趋势（2-3年内）：新的人机协作范式

未来不会是“大模型取代人类”，而是“人类+大模型”协同工作：产品经理、研发、测试等角色会共建一个“大模型协作平台”，人类负责“提需求、定方向、做治理”，大模型负责“做执行”。

例：产品经理通过“Skills（技能指令）”告诉大模型“我需要一个电商APP的商品详情页，要包含价格、评价、加入购物车按钮”，大模型会先澄清需求（比如“评价要显示多少条？”），然后生成页面原型和初步代码；研发负责审核代码逻辑，测试负责验证功能；最后人类只需要专注于“这个功能是否符合用户需求”“是否有安全风险”等高阶问题。

三、测试人员的未来角色与能力要求

1. 核心角色转变：从“执行者”到“治理者”

以前测试人员主要是“执行测试用例、找bug”；未来在人机协作模式下，测试人员的核心工作是“管好大模型的输出质量”：评估大模型生成的代码、文档是否符合要求，设计针对性的测试用例验证大模型的输出，确保最终交付的产品安全、可靠。

例：大模型生成了电商APP的“支付功能”代码，测试人员不需要逐行写测试用例，而是设计“边界测试场景”（比如“支付金额为0元”“支付时网络中断”），让大模型先做初步测试，再由自己审核测试结果，重点关注“资金安全”“用户数据保护”等核心风险点。

2. 核心能力要求（3个必须）

• 重度AI工具使用者：熟练掌握Skills（给大模型下精准指令）、RAG（让大模型快速调用企业内部数据，比如历史测试用例）、MCP（模型协同平台）等技术。例：用Skills指令告诉大模型“按照电商行业的测试标准，生成支付功能的测试用例”，让模型精准匹配需求。
• 资深业务专家：深刻理解业务逻辑、软件架构和数据流，能指导大模型规避风险。例：知道电商APP的“支付流程”需要对接银行接口、验证用户身份，能提前告诉大模型“测试时要重点关注接口调用失败的场景”，避免模型遗漏关键测试点。
• 强大的思辨和跨领域整合能力：能应对复杂场景，比如大模型生成的测试用例有逻辑漏洞，能快速发现并修正；还能整合产品、研发、安全等领域的需求，设计全面的测试方案。例：面对“跨境电商的多语言支付功能”，能结合“语言翻译准确性”“不同国家的支付规则”“汇率计算”等多个维度，指导大模型完成测试。