初识Langchain之AI语言大模型
目录
1. 什么叫模型
今天我们来聊一聊什么叫做模型。
模型是⼀个从数据中学习规律的“数学函数”或“程序”。旨在处理和⽣成信息的算法，通常模仿⼈类的认知功能。通过从⼤型数据集中学习模式和洞察，这些模型可以进⾏预测、⽣成⽂本、图像或其他输出，从⽽增强各个⾏业的各种应⽤。
简单来说就是一个模型只会处理一件事，我们也可以把它理解为单个工作流，然后多个模型组合在一起就是语言大模型了。
它和工作流的区别在我看来就是它这个处理是需要提前训练。我们看下面这个图片，我们就像这样把下面这些狗狗的图片全部都喂给模型，并且我们需要给每一张图片都标注好这个是狗，这样再经过很多张这样图片让AI看，然后AI就学会分辨什么是狗了。
但是这个模型的话就只可以分辨什么是狗，如果我们问这个模型什么是猫的话，那么这个模式是无法做出回答的。
2. 什么是大语言模型
2.1 神经网络
神经网络我们可以理解为很多个无数个组合在一起的工作流，每一块工作流只处理一小部分的问题，通过各自之间的配合，从而达成有效处理用户信息的能力。
2.2 自监督学习
自监督学习是一种无监督学习的进阶范式，核心是让模型自己从原始数据中构造监督信号（标签），无需人工标注数据，就能完成特征学习和模型训练。
这个的话我的理解就相当于是自学，同时自己给自己修正方向。
2.3 半监督学习
半监督就是“少量指导+⼤量自学”的结合模式。
通过给部分的照片备注，接着再放一些不相关的照片来给模型进行识别，这种学习过程叫做半监督学习。
2.4 语言模型
语⾔模型的核⼼任务就是预测下⼀个词。⼀个强⼤的语⾔模型，能够根据⼀段话，预测出最合理、最通顺的下⼀个词是什么，这样⼀个个词接下去，就能⽣成⼀整段话、⼀篇⽂章。
比如我们平常打字时的自动补全，那就是一种语言模型。
3. 大语言模型的能力
大语言模型和语言模型并不完全是一种东西。简单来说，所有大语言模型都是语言模型，但并非所有语言模型都是大语言模型。
核心定义与关键特征
- 核心定位：以 “预测下一个词” 为基础任务，通过海量数据学习语言规律、知识与逻辑，涌现对话、推理、创作等通用能力，而非仅针对单一任务。
- 三大关键特征
- 架构：统一采用 Transformer（多为纯 Decoder），自注意力机制高效捕捉长距离语义依赖，并行计算能力远超 RNN/LSTM。
- 规模：参数量达数十亿至万亿级（如 GPT-3 1750 亿、GPT-4 万亿级），训练数据为 TB 级通用文本（书籍、网页、代码等）。
- 能力：支持零样本 / 少样本学习，可跨任务泛化，具备上下文理解、复杂推理与多模态（文本 + 图像 / 音频）处理能力。
主要挑战与局限
- 幻觉：生成看似合理但不符合事实的内容，需外部知识库或检索增强（RAG）修正。
- 算力与成本：训练与推理依赖大规模 GPU 集群，成本高、能耗大。
- 安全与伦理：存在偏见、隐私泄露、内容滥用风险，需强化对齐与合规管控。
- 上下文窗口限制：虽持续扩大（如 GPT-4 128k、Gemini 1.5 Pro 10M），但超长文本处理仍有瓶颈。
