【每天学点AI】五个阶段带你了解人工智能大模型

20世纪50年代

NLP的早期研究主要基于规则的方法，依赖于语言学专家手工编写的规则和词典。这些规则通常是关于语法、语义和句法结构的人工规则。

例如一个简单的陈述句通常遵循“主语 + 谓语 + 宾语”的结构，每一个陈述句都以这种规则做标记。

那时候的NLP就像个刚学步的小孩，靠的是一堆人工的规则，就像小时候学说话，需要一个字一个字地学，学完单词学语法。

20世纪70年代

随着时间的推移，20世纪70年代随着计算能力的提升和数据的积累，NLP开始转向基于统计学的方法。这些方法依赖于大量的文本数据，通过统计模型来捕捉语言模式，而非手工制定规则。统计方法开始重视词语的共现关系，并通过概率推断来实现语言处理任务。

NLP开始用大数据来学习语言的规律，就像你长大了，通过听周围人说话来学习新词汇和表达，但是对于你来说每个单词都是独立的，相互没有关系。

2013年

2013年，基于嵌入embedding的NLP方法被发明，通过将词语、短语、句子等语言元素映射到高维的连续向量空间中，这些向量捕捉了词语之间的语义关系，使得模型能够更好地理解和处理语言。

就像用表情符号来表达情感一样，表情是人类语言的抽象，这些向量能捕捉词语的意思和关系。

同年Encoder-decoder的模型结构被发明，为后续的序列到序列（Seq2Seq）模型奠定了基础，至此命运的齿轮开始转动。

2017年

2017年，"Attention is all you need"论文的发表标志着Transformer模型的诞生，它在上一个阶段词嵌入的基础上，基于自注意力机制的模型，它彻底改变了NLP领域的模型设计和训练方式。

Transformer模型通过多头注意力机制和位置编码，有效地处理了序列数据，提高了模型的并行处理能力和性能。它用自注意力机制让模型能同时关注句子中的所有词，就像你在聊天时，能同时关注群里每个人的发言。

随后，基于Transformer架构的BERT和GPT等模型相继出现，它们通过预训练和微调的方式，在多种NLP任务上取得了突破性的性能。

2022年

之后的故事大家都很熟悉了，2022年chatgpt横空出世，大模型的涌现一发不可收拾。你知道他们为什么叫大模型吗？是因为这些模型的参数量已经达到了百亿甚至千亿级别！

AI体系化学习路线

学习资料免费领

【后台私信】AI全体系学习路线超详版+100余讲AI视频课程 +AI实验平台体验权限

全体系课程详情介绍