目录

什么是模型？

什么是大模型？

什么是神经网络？

什么是模型？

大白话结论：

模型=架构（公式/结构） + 参数。

架构（公式/结构）定义了模型的计算逻辑和整体框架。这是一个复杂的、预先设计好的“计算流程图”或者“数学公式的骨架”。 它规定了计算的步骤和类型，但里面的具体“参数”还没有确定。

参数是模型架构中需要从数据中学习的具体数值。它们是模型“知识”和“能力”的载体。

举个例子

y=ax+b，这个公式就是一个架构，a和b就是两个参数。若经过训练后，a=2，b=3，则y=2x+3可以理解为就是一个模型。

实际案例

现在有一组数据样本，分别是鳄鱼和蛇的身长和体重，数据如下：

任务：做一个二分类任务，通过（身长、体重）作为输入，设计或者训练一个模型输出蛇和鳄鱼的概率。

我们将这些数据放到二维坐标上，如下图

其中橙色点为鳄鱼，蓝色点为蛇，从图表可以看出，数据中存在一定的线性规律。

假如设计一个架构和公式为：y=ax+b，其中a=24，b=-24，即y=24x-24代入到图表中，可得出一条分界线（决策边界）见下图

假定y=24x-24是最终所得的公式且可用，我们将公式变换为24x-24-y=0，再找来一批（x，y）数据，代入到公式中，我们可以得出以下规律及结论：

若24x-24-y=0，点将落在红线上，输出鳄鱼和蛇的概率都为50%；

若24x-24-y<0，点将落在红线上方，输出为鳄鱼概率较高，输出蛇的概率较低；

若24x-24-y>0，点将落在红线下方，输出为蛇概率较高，输出鳄鱼的概率较低；

那设计y=ax+b，求出a=24，b=-24，且通过输入（x，y）输出鳄鱼和蛇的概率的这个过程，就是模型设计及训练过程，y=24x-24就是我们所得出来的模型，可以用来解决未来的预测或规律等问题。

什么是大模型？

我们理解了什么是模型，那延展一下什么是大模型？

大模型全称是大语言模型（Large Language Model, LLM），那大模型跟上面所说的模型一样，架构+参数，且特指语言方面模型，大模型有几个“大”的特征：

1、大数据，海量的预料数据进行学习

2、大参数，参数量基本在上亿，上十上百亿

3、大算力，这么多的参数量，需要复杂的底层基础措施才能把这些参数跑起来，参数量计算及硬件评估会在以后文章进行介绍。

小模型？

偶尔看到一些文章说到的小模型又是什么？其实还是架构+参数，广义理解为参数量相对比较小的模型，狭义要结合文章语境，可能指的是小规模参数的大语言模型，比如3B（Billions）大小的大模型；可能指视觉方面（CV）的模型，比如YOLO、U-net家族，参数量在2到100M（Millions）；可能指通过结构化数据总结规律的模型，比如上面的y=ax+b，像金融行业里客户的资质评分模型。

什么是神经网络？

现实中简单的问题，我们可以由算法工程师设计框架和公式，比如y=ax+b的。那复杂的真实问题怎么解决呢？—我们有神经网络。

复杂真实问题难以通过人类设计公式解决，神经网络作为万金油公式应运而生。

神经网络是一个模型结构，由输入层、隐藏层、输出层组成。下面是个示意图

每个圆点是一个神经元，是每一层神经网络的输入或者输出。

每条连线是权重，可以理解为参数。

输入层：输入层的神经元数量必须与单个输入样本的特征数量严格相等。比如上面蛇和鳄鱼的例子，身长和体重就是样本特征，可以认为为两个输入。

输出层：根据我们要做任务来定义，比如上面蛇和鳄鱼的例子，我们要输出蛇和鳄鱼的概率，那就是有两个输出。如果是要输出20个概率，那就是有20个输出。

隐藏层：介于输入层和输出层中间的结构，如果这中间有很多层，比如超过10层，那可以把这个神经网络结构叫做深度神经网络。**隐藏层的每一层输出就是为了提取特征，**这个提取过程对于用户来说是一个“黑盒”，每一层提取了什么，缺乏可解释性。当然，科研人员还是有办法去定性及理解。

举个例子

这里说一个经典神经网络例子，MNIST（Mixed National Institue of Stands and Technology database）图片数据集，这个数据集包含了70000张手写的图像，每一张图像都是28*28像素的灰度图像，其中60000张用于训练，10000张用于测试，每张图像的内容只包含一个手写数字，从0到9的其中一个数字。见下图（图片来自网络）

那我们的任务：

给定一张28*28像素的灰度图像，经过一系列的计算，输出10个概率，分别为0到9的概率。

那就是做一个能做10分类任务的模型，我们还是围绕这个公式：模型=架构（公式/结构）+参数，我们先定义好这模型的输入、输出、结构。

输入

28*28个像素，即784像素输入。我们将这个784输入，设置为784维向量。

什么是向量？

向量就是一个有顺序的数字列表

• 一个购物清单：[苹果, 香蕉, 牛奶]。如果我们用数字表示数量，比如 [3, 5, 2]，这个列表就是一个向量。它表示“买3个苹果，5根香蕉，2瓶牛奶”，这是一个三维向量。

• 一个人的特征：我们可以用 [身高(cm), 体重(kg), 年龄(岁)] 来描述一个人，例如 [175, 70, 28]。这也是一个3维向量。

• 上面蛇和鳄鱼的例子：我们可以用[身长(m), 体重(kg)]来作为输入，例如[3.5,100]。这是一个2维向量。

784维向量：就是把所有像素按顺序平铺，784维向量看起来类似下面这个样子

[0, 0, 12, 150, 245, 0, 0, 78, … 0, 214, 87, 0, 0]，里面一共有784个数字，每一个数字代表每一个像素。

输出

10个，因为需要输出10个概率，分别0到9的概率

结构

使用神经网络，假定隐藏层只有一层，x向量为输入，y向量为输出，z向量为隐藏层，见下图。

那怎么得出z向量呢？

一个简单的公式：z=w*x+b，计算步骤如下：

1、z0=w0x0+w1x1+w2x2+w3x3+w4x4+…+w783x783+b0，这是一个线性计算，其中w0、w1、w2…w783、b0就是我们上述所说模型的参数，也是模型训练待确认的参数，这些参数的设定将由机器来决定。

2、这个z0再进行激活函数计算（非线性变换），这个激活函数通常都是人类来设定。激活函数是用来帮助获取到数据特征的，比如MNIST中，可以帮助获取数字的轮廓、边框等特征。

同理，z1=w0x0+w1x1+w2x2+w3x3+w4x4+…+w783x783+b1，其中这里z1的w0和z0的w0是完全不同的参数。

最后通过每一层的线性计算和非线性转换，最后得出y向量。

思考

为什么参数是由机器决定的呢?

总结

1、大白话结论：模型=架构+参数。

2、大模型是大语言模型，也是架构+参数。

3、神经网络是一种模型架构，含有公式和架构，能解决复杂的问题，其中激活函数等是人类设计的，参数则由机器进行学习决定。

最后

选择AI大模型就是选择未来！最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，人才需求急为紧迫！

由于文章篇幅有限，在这里我就不一一向大家展示了，学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。

【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！

获取方式：有需要的小伙伴，可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
包括：AI大模型学习路线、LLM面试宝典、0基础教学视频、大模型PDF书籍/笔记、大模型实战案例合集、AI产品经理合集等等

大模型学习之路，道阻且长，但只要你坚持下去，一定会有收获。本学习路线图为你提供了学习大模型的全面指南，从入门到进阶，涵盖理论到应用。
L1阶段：启航篇|大语言模型的基础认知与核心原理

L2阶段：攻坚篇|高频场景:RAG认知与项目实践

L3阶段：跃迀篇|Agent智能体架构设计

L4阶段：精进篇|模型微调与私有化部署

L5阶段：专题篇|特训集：A2A与MCP综合应用 追踪行业热点（全新升级板块）

AI大模型全套学习资料【获取方式】