因為產(chǎn)品經(jīng)理可以不懂技術(shù)，這就導(dǎo)致在了解新技術(shù)特別困難，下面我會用極簡的方式介紹什么是AI大模型。
不懂代碼、不懂?dāng)?shù)學(xué)、不懂?dāng)?shù)據(jù)庫，也能了解大模型。
一、名詞解釋
無論是配置模型還是使用，都會遇到一些大模型相關(guān)的特有名詞，所以需要先了解這些名詞是什么意思才能更好的運(yùn)用它。
1.1 參數(shù)
參數(shù)是指模型的大小，一般來說參數(shù)越大，模型的能力越強(qiáng)。大模型的參數(shù)單位一般用“B”來表示，1B代表10億參數(shù)。
以下面的兩張圖為例，第一張圖是阿里百煉平臺的模型廣場，另一張圖是歐拉瑪?shù)哪Ｐ蛷V場，這里面的模型基本都會按照“名稱”+“版本”+“參數(shù)”的形式分類。
參數(shù)的單位基本都是“B”，但是因為有些模型不是通用大模型，而只是適用于某些領(lǐng)域的小模型，所以參數(shù)量會比較小，單位為“K”或“M”。
單位包括：K（千）、M（百萬）、B（十億）、T（萬億）。
阿里云百煉
歐拉瑪（Ollama）
參數(shù)越大那么模型就可能會占用越多的存儲空間，但因為不同模型對于權(quán)重、精度、壓縮技術(shù)的處理方式不同，所以參數(shù)與存儲空間并不是線性關(guān)系。
你如果問7B參數(shù)大小的模型占用多少內(nèi)存空間，我只能說不知道，這要看具體的模型.每家模型訓(xùn)練的不一樣，那么相同參數(shù)的情況下所占用的存儲空間也是不一樣的。就好像同樣是6年紀(jì)的小學(xué)生，有的身高一米五、有的身高一米七一樣。
1.2 token
token是大模型處理數(shù)據(jù)的最小單位，比如一個字、一個詞、一個像素、一段音軌等。
我們試著將下面的句子拆分成最小單位：
“你好！”，這一段話，可以將其拆分為：“你”、“好”、“！”，這三個最小單位。
“我想吃蝦丸�！保@一段話，可以將其拆分為：“我”、“想”、“吃”、“蝦丸”、“�！保@五個最小單位。
這兩句話在拆分時有一點(diǎn)不一樣，第二句話的“蝦丸 ”并沒有拆分成兩個字，而是以詞的形式做了拆分，原因是“蝦丸”作為名詞，已經(jīng)無法在進(jìn)行拆分了，如果拆分為“蝦”、“丸”兩個字，那就導(dǎo)致句子失去了原有的含義。
代碼是怎么進(jìn)行拆分的呢？基本邏輯就是將一句話中的詞挑出來，剩下的就可以作為字來處理。
中文分詞工具包括：THULAC (Tsinghua University Language Analysis and Computing、HanLP (Han Language Processing)、LTP (Language Technology Platform)等。
另外對于大模型的提供方已經(jīng)內(nèi)置分詞功能了，或者說大模型本身就有分詞能力，不需要我們在做額外工作。
1.3 上下文
一段話的周圍信息就是上下文，例如連續(xù)問大模型兩個問題，這兩個問題及回答互為上下文。
日常在溝通過程中，相同的問題我們會因為場景不同得出不同的結(jié)論。
開需求評審會時，我們會問技術(shù)同學(xué)、測試同學(xué)對需求有什么問題？技術(shù)同學(xué)會從技術(shù)的角度回答需求有什么問題、測試同學(xué)會從測試的角度回答測試的問題。假如此時我們沖著門外的設(shè)計同學(xué)詢問他們有什么問題，設(shè)計同學(xué)會一臉懵，因為他們不知道你是因為什么原因問的這個問題。
回到圖片示例的大模型問答上，當(dāng)我問“包含哪些部分”時，大模型會基于第一句話理解我的意圖，再做出對應(yīng)的回答。
1.4 多模態(tài)
是指可以處理多種類型的數(shù)據(jù)，比如純文字、圖片、文檔等，而單一模態(tài)的模型是指只能處理文字或圖片或聲音的模型。
下面的通義模型，可以上傳圖片、文字、文檔數(shù)據(jù)，就是多模態(tài)大模型。
下圖的openai提供的一系列模型皆為多模態(tài)模型，可以上傳圖片、文字。GPT3只能輸入輸出文字，所以是單一模態(tài)的模型，但是目前openAI已經(jīng)不提供GPT-3及以前的模型了。
1.5 溫度
是一個調(diào)整模型回復(fù)的隨機(jī)性的值，值越大隨機(jī)性越高，回復(fù)越有創(chuàng)造性；值越小隨機(jī)性越小，回復(fù)越重復(fù)老套。
這個名詞來源于英語單詞temperature，可以將其翻譯為溫度、熱度等。在使用模型時，默認(rèn)系統(tǒng)溫度值即可；如果在回復(fù)中感覺到模型的回復(fù)會重復(fù)，這時就可以提高溫度值，如果感覺到模型回復(fù)漫無邊際，就可以降低溫度值，下圖為智譜清言對于溫度的介紹。
溫度值設(shè)置為最低時的回復(fù)（ChatGPT）：
溫度值設(shè)置為最高時的回復(fù)（ChatGPT）：
1.6 向量值（詞向量）
向量是用來描述token在高維世界的特征，數(shù)學(xué)領(lǐng)域中的向量是一個的數(shù)字列表，在一維空間中，位置可以用（x）表示；在二維空間中，則用（x, y,）表示。以此類推，三維空間（x, y, z），四維空間（x1,x2,x3,x4）……
如果道單選題，題目給出了海豚、馬、兔子、駱駝這四種動物，讓我們挑選出不一樣的一種動物，應(yīng)該怎么選？
我希望你的答案是海豚，因為海豚生活在海里，其他動物生活在陸地上。當(dāng)然你要非說是駱駝，因為體型大；非說是兔子，因為兔子鉆洞；非說是馬，因為速度快，那我也沒辦法。畢竟人就是通過各種各樣的特征去了解事物的，總能找到那個不一樣的特征。
那怎么讓計算機(jī)知道這些特征從而理解世界呢？我們可以將這些特征提取出來，如果提取1個特征，比如是不是陸地生物；如果提取兩個特征，比如體型的大小。
只有“陸地生物”這一個特征的時候，越是符合這個特征則越靠近右側(cè)，為了方便知道其位置，可以給一個坐標(biāo)。如果增加“體型”這個特征的時候，那么每一個動物也就擁有了二維坐標(biāo)。如果繼續(xù)增加特征呢，那每個動物就會擁有三維坐標(biāo)、四維坐標(biāo)、五維坐標(biāo)……
用圖像肯定不方便表示，計算機(jī)中也不可能放一張無限維度的坐標(biāo)圖，但是計算機(jī)中可以存儲每個動物的坐標(biāo)位置，每一個數(shù)字就是對應(yīng)了一個特征的值，通過動物之間數(shù)字的對比就可以知道每個動物之間的差異及內(nèi)涵。
那計算機(jī)是怎么知道這些特征和數(shù)值大小的呢？可以靠計算機(jī)學(xué)習(xí)，讓神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)大量資料后，讓計算機(jī)去區(qū)分每一個token的特征和特征的值。
二、大語言模型（LLM）2.1 為什么叫大語言模型？
能聽懂人話并且和人溝通的模型，叫做大語言模型。
大語言模型主要是處理語言的，處理什么數(shù)據(jù)就叫什么模型，除了語言模型還有處理視覺、音頻、生成數(shù)據(jù)等其他作用的模型。
如果有人開發(fā)出了畫原型圖的模型，也可以叫它“原型圖模型”。
多模態(tài)模型也就是綜合了語言模型、視覺模型等多種模型能力的大模型。因為每一種模型的作用是不相同的，為了讓大模型的能力更強(qiáng)更方便使用，所以產(chǎn)生了多模態(tài)大模型，也就是即可以聽懂人話，也可以看懂圖片是什么意思。
2.2 為什么大模型能夠聽懂人話？
我們并不確定計算機(jī)理解人類的語言還是概率運(yùn)算的結(jié)果。
我們可以教會鸚鵡說“你好”，那我們可以說鸚鵡聽懂了人類的語言嗎？不可以，因為我們明確的科學(xué)的可以知道鸚鵡只是重復(fù)音節(jié)。
大模型則是通過了大量的文本訓(xùn)練，學(xué)會了語言中的各種溝通方式、文字與文字之間的排列規(guī)則、語法的結(jié)構(gòu)。通過這一系列的規(guī)則運(yùn)算，給人一種可以聽懂人話的感覺。
要了解大模型是怎么變得這么厲害的，那就需要從頭開始說了。
最早有關(guān)人工智能的概念來源于圖靈，他在《計算機(jī)器與智能》的論文里提出了“圖靈測試”，什么是圖靈測試呢？就是讓一臺機(jī)器和人對話，如果這個人沒法辨別和他對話的是機(jī)器還是真人，那么就可以說這臺機(jī)器具備了智能。
為了使機(jī)器能夠通過圖靈測試，研究人員開始研究人類語言。因為人是地球上擁有最高智慧的物種，而語言是人類溝通過程中最重要工具，更是智能的表現(xiàn)形式。
具體怎么研究語言呢？最直接的方式就是從語言的規(guī)則下手。比如n-gram模型，就是根據(jù)人類的語言習(xí)慣，通過前面的字來預(yù)測后面字的方式讓計算機(jī)實(shí)現(xiàn)語言功能的，而且現(xiàn)在的大模型也是站在n-gram模型的肩膀上發(fā)展出來的，了解n-gram模型就能夠很清楚的知道現(xiàn)在的大模型的實(shí)現(xiàn)邏輯。
① 入門級模型：n-gram模型
n-gram模型前面的N是指用幾個詞來預(yù)測下一個詞；如果我們用前面的兩個詞來預(yù)測下一個詞，這就叫做2-gram；如果用前面的三個詞來預(yù)測下一個詞，這就叫做3-gram。
為了能夠理解n-gram模型，我們可以舉個例子。
有一個數(shù)據(jù)集，里面只有兩句話。
我喜歡吃蘋果。
我喜歡吃香蕉。
我們需要先將這兩句話拆分token，也就是“我”“喜歡”“吃”“蘋果”“香蕉”。
根據(jù)概率推算，“我”后面必然會跟著“喜歡”兩個字，概率是100%；那么當(dāng)我們輸入“我”這個漢字的時候，系統(tǒng)就會根據(jù)概率，輸出“喜歡”這個詞，可見下圖。
如果規(guī)定模型持續(xù)運(yùn)行直到生成一句話，那么模型就會根據(jù)概率生成“我喜歡吃蘋果”或者“我喜歡吃香蕉”，因為“蘋果”和“香蕉”兩個詞的概率都是50%，那么系統(tǒng)會隨機(jī)生成。
但是n-gram模型也有很多缺陷，因為n-gram模型是先假設(shè)每一個詞都是互相獨(dú)立存在，彼此沒有關(guān)系的。但詞語和文字卻是有實(shí)際意義的，所以就導(dǎo)致模型沒法理解上下文，沒辦法解決句子中的邏輯關(guān)系。如果出現(xiàn)了新詞語，也沒法理解其用法，純粹是概率計算。
直到后來，出現(xiàn)了神經(jīng)網(wǎng)絡(luò)技術(shù)。
② 大模型核心角色-神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)是通過模仿大腦處理信息的方式而產(chǎn)生的計算模型，是為了解決圖像識別和邏輯運(yùn)算的。
神經(jīng)網(wǎng)絡(luò)的設(shè)計靈感來源于人腦的結(jié)構(gòu)，每個神經(jīng)元代表一個基本的計算單元，單個神經(jīng)元實(shí)際上是一串代碼，用來處理簡單的數(shù)學(xué)運(yùn)算。盡管單個神經(jīng)元的功能相對簡單，但當(dāng)大量這樣的神經(jīng)元連接起來形成網(wǎng)絡(luò)后，整個網(wǎng)絡(luò)就能夠去處理復(fù)雜的任務(wù)。
經(jīng)典的神經(jīng)網(wǎng)絡(luò)可以分為三層結(jié)構(gòu)，輸入層、隱藏層、輸出層，每一層都是由一堆神經(jīng)元組成。
輸入層：接收原始數(shù)據(jù)，將原始數(shù)據(jù)經(jīng)過預(yù)處理后傳遞給隱藏層。
隱藏層：通過線性加權(quán)求和、激活函數(shù)、權(quán)重等一系列運(yùn)算，將結(jié)果傳遞給輸出層。
輸出層：處理接收到的數(shù)據(jù)并輸出結(jié)果，將結(jié)果反饋給用戶。
總結(jié)一下就是，每個神經(jīng)元作為一個計算單元，通過對輸入數(shù)據(jù)進(jìn)行加權(quán)求和并應(yīng)用激活函數(shù)來提取有用的特征，然后將處理后的信息傳遞到網(wǎng)絡(luò)的下一層。在網(wǎng)絡(luò)的輸出層，對于分類任務(wù)，神經(jīng)元可以輸出表示不同類別的概率值。
具體到圖像識別任務(wù)，圖像是由像素構(gòu)成的，每個像素都有其特定的色值。以數(shù)字“6”為例，我們可以給計算機(jī)大量數(shù)字6的圖片，計算機(jī)會將圖像分解為像素，然后將顏色轉(zhuǎn)換成色值，并分析這些色值的分布規(guī)律。
最終，當(dāng)模型遇到新的、未見過的數(shù)字6圖片時，它能夠基于已學(xué)到的規(guī)則將其識別出來。如果給神經(jīng)網(wǎng)絡(luò)提供大量高質(zhì)量且標(biāo)注準(zhǔn)確的數(shù)據(jù)，那么神經(jīng)網(wǎng)絡(luò)就可以擁有解釋圖像信息的能力。
雖然神經(jīng)網(wǎng)絡(luò)這么厲害，但因為早期的硬件限制，導(dǎo)致發(fā)展并不順利。前面我們可以得知，神經(jīng)網(wǎng)絡(luò)是通過大量神經(jīng)元構(gòu)成的，而每個神經(jīng)元只負(fù)責(zé)簡單的運(yùn)算，這種方式要求硬件能提供強(qiáng)大的并行處理能力，以同時執(zhí)行這些大量的簡單運(yùn)算任務(wù)。但當(dāng)時訓(xùn)練神經(jīng)網(wǎng)絡(luò)只能依靠CPU且性能還有限。
隨著計算機(jī)硬件技術(shù)的發(fā)展，特別是GPU的引入，這才讓神經(jīng)網(wǎng)絡(luò)的硬件環(huán)境得到改善。硬件技術(shù)的發(fā)展讓研究人員能夠去設(shè)計和訓(xùn)練更復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，比如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制、預(yù)訓(xùn)練等。而現(xiàn)在的大模型都是基于神經(jīng)網(wǎng)絡(luò)架構(gòu)的，可以說沒有硬件的發(fā)展、沒有神經(jīng)網(wǎng)絡(luò)的發(fā)展，就沒有目前的大模型。
而Transformer架構(gòu)是神經(jīng)網(wǎng)絡(luò)中最主流的，當(dāng)前的大語言模型幾乎都是基于Transformer架構(gòu)搭建的。
③ 主流架構(gòu)-Transformer架構(gòu)
Transformer架構(gòu)是特別適用于自然語言處理的神經(jīng)網(wǎng)絡(luò)模型。
Transformer架構(gòu)能夠如此厲害，在于Transformer架構(gòu)能夠通過向量數(shù)據(jù)、自注意力機(jī)制、神經(jīng)網(wǎng)絡(luò)等能力，高效地處理和理解自然語言。
向量數(shù)據(jù)：每個token被轉(zhuǎn)換為了高維向量，通過token的向量值，可以知道詞匯本身的語義信息、特征，還能分析出token與token之間的復(fù)雜關(guān)系。
自注意力機(jī)制：輸入到神經(jīng)網(wǎng)絡(luò)的每一個token都可以與其他token發(fā)生聯(lián)系，并且通過“權(quán)重”來區(qū)分鏈接過程中的重要程度，這樣可以讓大模型解決上下文關(guān)聯(lián)問題，避免提問第二個問題的時候忘記第一個問題。
神經(jīng)網(wǎng)絡(luò)的能力：通過全新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，不僅能捕捉局部特征，還能理解全局信息，從而支持更深層次的語言理解和生成任務(wù)。
國外的openai、谷歌、微軟，到國內(nèi)的阿里、騰訊、清華的團(tuán)隊等，都是基于或借鑒Transformer架構(gòu)開發(fā)的大模型。
https://bbycroft.net/llm ，這是一個LLM可視化網(wǎng)站，可以清楚的看到大模型每一步的工作細(xì)節(jié)。
三、大模型實(shí)踐方法3.1 提示詞工程
提示詞功能的作用在于通過設(shè)定提示，讓大模型的回答更加精準(zhǔn)。
大模型訓(xùn)練時并不會針對特定領(lǐng)域，是為廣泛問題進(jìn)行設(shè)計的。而提示詞工程（Prompt Engineering）也叫上下文提示，目的是希望大模型在回答問題時，可以得知前因后果，聚焦用戶的特定需求。
也就是無論形式如何，只要能夠讓大模型得知你的需求就是提示詞，只要讓大模型給你想要的答案就是好的提示詞，哪怕你問的是“1+1等于幾？”。
比如你讓大模型扮演某個角色，你可以告訴大模型：“你要扮演魯迅，回答的風(fēng)格要與魯迅的作品類似”。那么大模型就會扮演魯迅且通過魯迅的說話風(fēng)格回答你的問題。
而在創(chuàng)建智能體時，也會讓用戶填寫智能體的設(shè)定，這個設(shè)定就起到了提示詞的功能。
針對復(fù)雜問題，為了從大型語言模型中獲得高質(zhì)量的回答，我們需要提供更加詳盡的問題描述。在2023年11月，新加坡舉辦了首屆提示詞功能大賽，冠軍Sheila Tao撰寫了一篇文章，探討了她對提示詞的理解，并介紹了CO-STAR框架的應(yīng)用方法。
工作原理如下：
（C）背景：提供任務(wù)的背景信息
這有助于 LLM 了解正在討論的具體場景，確保其回應(yīng)是相關(guān)的。
（O）目標(biāo)：明確你希望 LLM 執(zhí)行的任務(wù)是什么
明確你的目標(biāo)有助于 LLM 集中精力實(shí)現(xiàn)該特定目標(biāo)。
（S）風(fēng)格：指定您希望 LLM 使用的寫作風(fēng)格
這可能是某個名人的寫作風(fēng)格，也可能是某個行業(yè)的某個專家，比如商業(yè)分析師或 CEO。這將指導(dǎo) LLM 以符合您需求的方式和措辭進(jìn)行回復(fù)。
（T）語氣：設(shè)定回應(yīng)的態(tài)度
這確保 LLM 的回應(yīng)與預(yù)期的情緒或情感背景產(chǎn)生共鳴。例如正式、幽默、富有同理心等。
（A）受眾：確定回復(fù)針對的對象
根據(jù)受眾（例如某個領(lǐng)域的專家、初學(xué)者、兒童等）定制 LLM 的回應(yīng)，確保它在您需要的背景下是適當(dāng)且易于理解的。
（R）回復(fù)：提供回復(fù)格式
這可確保 LLM 輸出的格式與您執(zhí)行下游任務(wù)所需的格式完全一致。示例包括列表、JSON、專業(yè)報告等。對于大多數(shù)以編程方式處理 LLM 響應(yīng)以進(jìn)行下游操作的 LLM 應(yīng)用程序而言，JSON 輸出格式是理想的選擇。
如果我們希望大模型可以幫產(chǎn)品經(jīng)歷寫一份年終總結(jié)，就可以按照CO-STAR框架編寫提示詞。
背景：我是“XXXXX”公司的產(chǎn)品經(jīng)理，負(fù)責(zé)XXXXXX應(yīng)用。在過去的一年中，我們實(shí)現(xiàn)了多項功能升級，并且用戶基數(shù)有了顯著增長。
目標(biāo)：編寫一份全面的年終總結(jié)報告，概述本年度的關(guān)鍵成就、遇到的主要挑戰(zhàn)及解決策略，并簡要介紹下一年的戰(zhàn)略規(guī)劃。
風(fēng)格：采用清晰、專業(yè)的商務(wù)寫作風(fēng)格，類似于業(yè)界公認(rèn)的產(chǎn)品經(jīng)理或公司領(lǐng)導(dǎo)人的表達(dá)方式。
語氣：正式而積極，體現(xiàn)對團(tuán)隊努力的認(rèn)可以及對未來發(fā)展的樂觀態(tài)度。
受眾：這份報告將提交給公司的高級管理層以及我的直接上司，并會在內(nèi)部分享給整個產(chǎn)品團(tuán)隊。
回復(fù)：請按照標(biāo)準(zhǔn)的年終總結(jié)格式提供文檔，包括封面頁、目錄、引言、年度回顧、主要成就、面臨的挑戰(zhàn)與解決方案、未來展望等部分。文檔需保持專業(yè)性，重點(diǎn)突出。
如果不會寫提示詞怎么辦？沒關(guān)系，可以復(fù)制文中的工作原理，把寫提示詞的工作交給大模型。
雖然可以通過CO-STAR框架中說明了提示詞該怎么寫，但我們的重點(diǎn)并不在于如何編寫提示詞，而在于讓大模型給出我們滿意的答案。
3.2 知識庫
知識庫就是資料庫，目的就是為大模型處理問題提供必要背景知識。
雖然大模型擅長處理廣泛領(lǐng)域的常見問題，但在面對特定領(lǐng)域內(nèi)深入且專業(yè)的問題時存在局限性，而知識庫提供了特定領(lǐng)域的信息，幫助其解決特定問題。
如果希望大模型幫助企業(yè)優(yōu)化供應(yīng)鏈管理，那么大模型就需要知道供應(yīng)商信息、庫存水平、物流數(shù)據(jù)、采購數(shù)據(jù)等信息。如果希望大模型能夠幫助系統(tǒng)應(yīng)用，那么大模型就需要知道項目管理流程、技術(shù)文檔、操作說明書等信息。而這些信息就需要存放到知識庫，作為大模型的知識儲備。
chatgpt的存儲功能
阿里百煉的數(shù)據(jù)管理功能
這里需要注意，大模型和知識庫是兩種不同的技術(shù)，只是針對于特殊問題需要知識庫提供特定信息。
所有的數(shù)據(jù)都需要存儲在服務(wù)器上，常見的數(shù)據(jù)庫類型包括關(guān)系型數(shù)據(jù)庫、非關(guān)系型數(shù)據(jù)庫，這些數(shù)據(jù)庫可以有效地存儲和管理結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)。然而對于大模型來說，這些傳統(tǒng)的存儲方式并無本質(zhì)區(qū)別，它們更像是文件夾，用于存儲和檢索信息。
并不是知識庫的數(shù)據(jù)就需要向量存儲，只是需要處理相似性任務(wù)的時候，需要用到向量數(shù)據(jù)庫。
前面提到大模型時也有提到，大模型的本質(zhì)是概率計算，通過token與token之間向量值的對比來生成數(shù)據(jù)，這種基于向量的計算方式使得大模型能夠理解和處理復(fù)雜的模式和關(guān)系。只要任務(wù)需要用到數(shù)據(jù)與數(shù)據(jù)的相似性對比，那么就需要用到向量數(shù)據(jù)庫，可見第一部分的向量詞。
對于產(chǎn)品經(jīng)理來說，我們必須知道如何運(yùn)用知識庫，如果想要進(jìn)一步的了解向量數(shù)據(jù)庫，可以詢問大模型、B站搜索向量數(shù)據(jù)、阿里云或騰訊云的開發(fā)文檔及介紹。
3.3 微調(diào)
微調(diào)就是讓通用的大模型，更加適用于某個特定項目。
如果大模型是一個大學(xué)生，知識庫相當(dāng)于公司資料，而微調(diào)工作就相當(dāng)于入職培訓(xùn)，培訓(xùn)其如何與客戶繼續(xù)溝通。
聽起來微調(diào)似乎很高深，但其實(shí)大模型廠商都會提供對應(yīng)的微調(diào)功能，我們可以通過平臺提供的微調(diào)模板，了解微調(diào)是什么。
微調(diào)的目的是通過使用實(shí)際案例來優(yōu)化大模型的表現(xiàn)能力，使其更符合特定應(yīng)用場景的需求。無論是像ChatGPT還是通義這樣的大模型，都是采用一問一答的形式進(jìn)行。
通過提供企業(yè)自身的實(shí)際案例，微調(diào)過程可以讓大模型學(xué)習(xí)到更加精準(zhǔn)和符合企業(yè)需求的回復(fù)方式，從而使通用的大模型能夠高度適配企業(yè)的具體業(yè)務(wù)場景。這樣不僅提升了模型的實(shí)用性，還增強(qiáng)了其在特定領(lǐng)域中的表現(xiàn)力和準(zhǔn)確性。
四、最后
對于AI產(chǎn)品經(jīng)理來說，我們的核心工作是應(yīng)用大模型，而不是作為大模型的研究者。無論各研究團(tuán)隊推出了什么新的架構(gòu)，對于產(chǎn)品來說都不重要，重要的是如何將其集成到現(xiàn)有的系統(tǒng)中。至于如何集成到系統(tǒng)，不同公司有不同的解決方案，這些就需要在工作中探索了。
本文由 @入幽 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。
題圖來自 Unsplash，基于CC0協(xié)議。
