一、AI的分类

AI的核心目标是让机器能够执行通常需要人类智能的任务，例如语言理解、图像识别、复杂问题解决等。

 • 早期阶段：以规则为基础的专家系统，依赖预设的逻辑和规则。 ——规则库

• 机器学习时代：通过数据训练模型，使机器能够从数据中学习规律。 ——几十、几百个参数

• 深度学习时代：利用神经网络模拟人脑的复杂结构，处理更复杂的任务。 ——几百万个参数

• 大模型时代：以大规模数据和算力为基础，构建通用性强、性能卓越的AI模型。——671b个参数（6710亿）

AI分类如下：

生成式AI：包括大语言模型（GPT、deepseek、千问），场景客服咨询、内容创作；生图/生视频模型（Sora、DALL-E、Midjourney），如进行产品设计、影视预览。

分析式AI：视觉识别模型（YOLO、ResNet），场景如智能制造、医疗影像分析，能准确辨别影像中的物体、人脸、文字等；自动驾驶模型（复合模型），场景如无人配送、高级辅助驾驶。

二、LLM是如何训练的

LLM的训练过程通俗的表述可以参考下图。早些时候是通过监督学习，明确告诉模型“香蕉是什么”；后来模型生成多个答案，人类通过来对答案进行优劣排序的方式训练模型；再后来，模型知道了一些人类的偏好，通过强化学习生成答案，人类通过一些打分机制，使模型进一步自我迭代进化。

早在2018年时GPT的参数量约为1.17亿，预训练数据量约5GB；2019年，GPT-2参数量为15亿，预训练数据量为40GB；2020年，GPT-3的参数量为1750亿，预训练数据为45TB。如今，GPT-5参数量预估约为100万亿。ChatGPT可以实现对用户真实意图的理解，上下文衔接能和及对知识和逻辑的理解能力。

在互联网时代诞生的APP功能越来越复杂，有限的屏幕难以呈现复杂的功能，未来APP极有可能演进为极简页面的对话形式，比如人们在淘宝对话框输入想要的穿搭风格，淘宝自动搜索相应的服装套件，并将其放入购物车。

三、LLM中的Token

Token是大型语言模型处理文本的最小单位。由于模型本身无法直接理解文字，因此需要将文本切分成一个个 Token，再将 Token转换为数字（向量）进行运算。

不同的模型使用不同的“分词器”（Tokenizer）来定义Token（不同模型中同样的文字编码不同）。 例如，对于英文Hello World： GPT-4o 会切分为[“Hello“, ”World“] => 对应的 token id = [13225, 5922] 。对于中文“人工智能你好啊”： DeepSeek-R1会切分为[“人工智能”, “你好”,“啊”] => 对应的token id = [33574, 30594, 3266]。

可以在科学上网模式下，通过https://tiktokenizer.vercel.app/ 查看token映射，例如“人工智能”，在deepseek中占一个token，而在GPT-4o中，则是“人工”和“智能”两个token。除了文本所占的token外，还有分隔符、起如符、结束符也会占用token。

四、Temperature 与Top P的作用

大模型生成文字的过程本质上是概率预测。大模型中的Temperature, Top P则通过调整选择不同概率的Token倾向，来控制 LLM 生成文本的多样性，但两者原理不同。

• Temperature (温度):

原理：在模型计算出下一个Token所有可能的概率分布后，Temperature会调整这个分布的“平滑度”。 

高Temperature (如 1.0+)：会让低概率的Token更容易被选中，使生成结果更具创造性，但可能出现不连贯的词语。 

低Temperature (如 0.2)：会让高概率的Token权重更大，使生成结果更稳定、更符合训练数据，但会更保守。

• Top P (核采样):

原理：它设定一个概率阈值（P），然后从高到低累加所有Token的概率，直到总和超过P为止。模型只会在这个累加出来的“核心”词汇表中选择下一个Token。 

• 高Top P (如0.9)：候选词汇表较大，结果更多样。 

• 低Top P (如 0.1)：候选词汇表非常小，结果更具确定性。

举个例子：

假设模型要完成句子：“今天天气真...” 

模型预测的下一个词可能是：好(60%)、不错(30%)、糟(9%)、可乐(0.01%)。 

高Temperature：会提升所有词的概率，使得“可乐”这个不相关的词也有机会被选中。 

Top P (设为0.9)：会选择概率总和达到90%的词。这里好(60%) + 不错(30%) = 90%，所以模型只会从“好”和“不错”中 选择，直接排除了“可乐”这种离谱的选项。

Temperature及Top P可以通过API进行设置。

参考：进入阿里云的dashscope（https://dashscope.console.aliyun.com/），dashscope网页->模型广场->(任选一个模型) API详情，然后找Temperature及Top P参数。

五、AI Chat产品的超能力——联网搜索、读取文件记忆功能

1、联网搜索

通过获取外部信息，弥补LLM训练数据截止日期的限制。

1）当用户提问涉及最新资讯时，系统会识别出这一需求，自动调用搜索工具，并将问题转化为多个简洁的搜索关键词。 

2）程序调用搜索引擎API（如Google搜索）获取信息。 

3）这些实时信息会作为上下文提供给模型，由模型进行总结和提炼，生成精准且与时俱进的回答。

2、读取文件

大模型一次会话窗口可以容纳32k的文字（大概3万多字），基于“检索增强生成”（Retrieval-Augmented Generation, RAG）的技术，大模型可以一次性读取多个文件（如10万字），并将关键信息提取放入窗口中，这样大模型一次性就可以读取超过32k的内容。 

1）当你上传一个文件（如PDF、Word文档）时，系统首先会将其内容分割成小块（Chunks）。 

2）通过Embedding技术将这些文本块转化为数学向量，并存储在专门的“向量数据库”中。 

3）当你针对文件内容提问时，系统会将你的问题也转化为向量，并在数据库中快速找到最相关的文本块， 最后将这些文本块连同你的问题一起交给模型，生成答案。 

比如，上传一份公司财报后，提问“第二季度的利润是多少？” RAG系统能精确定位到财报中相关的片段，让LLM直接使用。

RAG是一个LLM application，LLM看到了文件，发现文件大于 32k，于是调用了RAG能力（即：过滤内容，检索出来相关内容的能力）。

3、记忆能力

LLM本身是无状态的（无记忆能力），每次对话都是一次全新的互动，不记得之前的交流。 

为了实现“记忆”，系统会在每次对话时，将最近的几轮问答作为背景信息拼接在一起发送给模型，称为“短期记忆”或“上下文窗口”。短期只能记住当前message + LLM response 不超过 32k 的内容。 

对于需要长期记住的关键信息，例如你的名字或偏好，系统会通过特定算法提取这些信息，将其存储在用户专属的数据库中，在后续的对话中，系统会先从数据库中读取，为模型提供更个性化的背景知识。 

比如，告诉AI“我喜欢简洁的回答风格”，系统会记录这一偏好。下次提问时，它就会倾向于给出更简练的答复。

六、全球AI发展现状

全球AI模型发展现状（中美对比）： 

• 美国：OpenAI、Anthropic、Google、Meta等公司主导前沿模型，如GPT-4o、Claude 4 Sonnet、Gemini 2.5 Flash。 

• 中国：DeepSeek（如R1、V3）、阿里巴巴（如Qwen3）、Moonshot等公司快速追赶，部分模型（如Kimi K2,  DeepSeek R1）已接近美国前沿水平。 

• 关键趋势：中国模型在2024年显著缩小与美国的差距，尤其在推理模型和开源模型领域表现突出。 

• 其他地区：法国（Mistral）、加拿大（Cohere）等也有前沿模型，但中美仍是主导力量。

七、出品限制与硬件影响

美国对华限制： 

• 时间线：2022年10月首次限制（H100、A100），2023年10月升级（H800、A800受限），2025年1月新增“AI扩 散规则”。 

• 当前状态：仅H20、L20等低性能芯片可出口中国，未来可能进一步收紧。 

• 影响：中国依赖国产芯片（如华为昇腾）或降级版NVIDIA芯片（如H20，算力仅为H100的15%）。 

硬件性能对比：

• NVIDIA H100：989 TFLOPs，3.35 TB/s带宽。 

• NVIDIA H20：148 TFLOPs，4 TB/s带宽（专为中国市场设计）。 

• AMD MI300X：1307 TFLOPs，5.3 TB/s带宽（未受限制）。

八、中国AI公司概览

大科技公司： 

• 阿里巴巴：通义千问（Qwen）系列，Qwen3 

• 百度：文心一言（Ernie 4.0 Turbo） 

• 腾讯：混元大模型（HunyuanLarge） 

• 字节跳动：豆包（Doubao1.6 Pro） 

• 华为：盘古5.0（Pangu 5.0 Large） 

初创公司： 

• DeepSeek：R1、V3，开源模型表现优异。 

• Moonshot：Kimi K2，专注长上下文窗口。 

• MiniMax：Text-01，多模态能力突出。 

• 其他：智谱AI（ChatGLM）、百川智能（Baichuan）等。

如何学习AGI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

**

一、2025最新大模型学习路线

一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1级别:AI大模型时代的华丽登场

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。

L2级别：AI大模型RAG应用开发工程

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3级别：大模型Agent应用架构进阶实践

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。

L4级别：大模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

二、大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

三、大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

四、大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

五、大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取