本文同步發(fā)至：
要如何直觀的證明LLM 與 AI 模型的區(qū)別？- Mobile01
其特性就是，模型本身必須要有辦法理解現(xiàn)實(shí)問(wèn)題中的運(yùn)作規(guī)則，而不是單純的依賴用戶的專業(yè)知識(shí)，透過(guò)輸入文字提示詞來(lái)進(jìn)行回答或模擬思考。
大語(yǔ)言模型（LLM）與AI模型的根本差異：
大語(yǔ)言模型（LLM）：
顧名思義，LLM的核心能力在於處理和生成語(yǔ)言。它們透過(guò)海量的文本數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)單詞、句子之間的關(guān)係，以及語(yǔ)言的結(jié)構(gòu)和規(guī)律。因此，LLM擅長(zhǎng)於文本生成、翻譯、問(wèn)答、摘要等任務(wù)。然而，LLM的知識(shí)來(lái)源主要基於其訓(xùn)練數(shù)據(jù)，對(duì)於訓(xùn)練數(shù)據(jù)中未包含或未充分涵蓋的領(lǐng)域，其表現(xiàn)就會(huì)大打折扣。前面提到的「非常依賴用戶的領(lǐng)域知識(shí)來(lái)輸入相關(guān)提示詞」，正點(diǎn)出了LLM的這一弱點(diǎn)。它們是基於既有知識(shí)的「模仿者」和「組織者」，而非真正理解和創(chuàng)造新知識(shí)的「思考者」。
延伸閱讀：
棋類遊戲與上下文推理的關(guān)係
AI模型（更廣義）：
AI是一個(gè)更廣泛的概念，包含各種不同的技術(shù)和方法，例如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、專家系統(tǒng)等。AI模型的目標(biāo)是讓機(jī)器具備類似人類的智能，包括學(xué)習(xí)、推理、解決問(wèn)題、感知環(huán)境等能力。AI模型不一定基於語(yǔ)言，它們可以處理各種形式的數(shù)據(jù)，例如圖像、聲音、數(shù)值等。而且，某些AI模型具備一定的自主學(xué)習(xí)和推理能力，可以處理未曾見過(guò)的情況。
職場(chǎng)跳槽的例子： 當(dāng)一個(gè)人跳槽到一個(gè)完全陌生的部門時(shí)，他/她需要學(xué)習(xí)新的領(lǐng)域知識(shí)、工作流程、人際關(guān)係等。一個(gè)真正具備「智能」的系統(tǒng)，應(yīng)該能夠透過(guò)觀察、學(xué)習(xí)、與人互動(dòng)等方式，快速適應(yīng)新環(huán)境。然而，一個(gè)單純的LLM，由於缺乏相關(guān)領(lǐng)域的訓(xùn)練數(shù)據(jù)，很難在這個(gè)新環(huán)境中有效地工作。它可能會(huì)產(chǎn)生一些看似合理，但實(shí)際上毫無(wú)價(jià)值的回答或建議，就像「翻車現(xiàn)場(chǎng)」。例如，一個(gè)在行銷部門訓(xùn)練的語(yǔ)言模型，若直接應(yīng)用於財(cái)務(wù)分析，很可能因?yàn)槿狈ω?cái)務(wù)知識(shí)而產(chǎn)生嚴(yán)重錯(cuò)誤。
提高 AI 推薦商品的命中率！OpenAI 揭點(diǎn)擊大增 23% 合作細(xì)節(jié)
Zalando與GPT-4的合作案例：
這個(gè)案例恰恰說(shuō)明了，LLM在特定領(lǐng)域的應(yīng)用，往往需要該領(lǐng)域的專家進(jìn)行大量的引導(dǎo)和調(diào)整。OpenAI提供的只是基礎(chǔ)模型，而Zalando的數(shù)據(jù)和領(lǐng)域?qū)＜也攀翘嵘扑]準(zhǔn)確度的關(guān)鍵。這並不能證明ChatGPT是「通用模型」，而是證明了LLM在特定領(lǐng)域應(yīng)用時(shí)，需要與其他AI技術(shù)和領(lǐng)域知識(shí)相結(jié)合。
其他例子：
自動(dòng)駕駛：自動(dòng)駕駛系統(tǒng)需要處理複雜的環(huán)境感知、路徑規(guī)劃、決策控制等任務(wù)，這不僅僅是語(yǔ)言處理的問(wèn)題。它需要結(jié)合電腦視覺、感測(cè)器融合、機(jī)器人控制等多種AI技術(shù)。一個(gè)單純的LLM無(wú)法實(shí)現(xiàn)自動(dòng)駕駛。
醫(yī)療診斷：
醫(yī)療診斷需要醫(yī)生具備豐富的醫(yī)學(xué)知識(shí)、臨床經(jīng)驗(yàn)和推理能力。雖然LLM可以輔助醫(yī)生進(jìn)行文獻(xiàn)檢索、病例分析等工作，但它無(wú)法完全取代醫(yī)生進(jìn)行診斷和治療。
1. 任務(wù)目標(biāo)的根本差異：
生成式 AI（Generative AI）： 其核心目標(biāo)是「創(chuàng)造」。它透過(guò)學(xué)習(xí)大量資料中的模式，生成新的、類似但不同的內(nèi)容。例如：寫作、翻譯、產(chǎn)生圖像、創(chuàng)作音樂(lè)等。它著重於模仿資料的形式和風(fēng)格，而非深入理解資料的本質(zhì)和意義。
其他 AI 模型（例如：分類、預(yù)測(cè)模型）： 其核心目標(biāo)是「分析」和「決策」。它們透過(guò)學(xué)習(xí)資料中的特徵，將資料分類、預(yù)測(cè)結(jié)果、或做出判斷。例如：垃圾郵件過(guò)濾、疾病診斷、股價(jià)預(yù)測(cè)等。它們著重於理解資料的特徵和關(guān)聯(lián)，以達(dá)到準(zhǔn)確的判斷。
2. 領(lǐng)域知識(shí)的依賴程度：
生成式 AI： 在生成內(nèi)容時(shí)，雖然可以展現(xiàn)出看似流暢和有邏輯的結(jié)果，但往往缺乏對(duì)特定領(lǐng)域的深入理解。這導(dǎo)致在需要高度專業(yè)知識(shí)的領(lǐng)域，生成式 AI 容易產(chǎn)生錯(cuò)誤或不合理的內(nèi)容。就像您提到的職場(chǎng)跳槽例子，一個(gè)在行銷部門訓(xùn)練的語(yǔ)言模型，如果直接應(yīng)用於財(cái)務(wù)分析，很可能因?yàn)槿狈ω?cái)務(wù)知識(shí)而產(chǎn)生錯(cuò)誤的報(bào)告。因此，生成式 AI 往往需要領(lǐng)域?qū)＜业闹笇?dǎo)和調(diào)整，才能在特定領(lǐng)域發(fā)揮作用。 前面提供的 Zalando 案例正是一個(gè)很好的例子，它說(shuō)明了領(lǐng)域?qū)＜以谔岣?AI 推薦商品命中率方面的重要性。
其他 AI 模型： 雖然也需要資料進(jìn)行訓(xùn)練，但它們更著重於從資料中學(xué)習(xí)明確的規(guī)則和模式。例如：一個(gè)用於疾病診斷的模型，會(huì)學(xué)習(xí)各種癥狀和疾病之間的關(guān)聯(lián)，從而做出診斷。這些模型在訓(xùn)練完成後，通常可以獨(dú)立運(yùn)作，不需要過(guò)多的領(lǐng)域?qū)＜医槿搿?br>
總結(jié)：
大語(yǔ)言模型是AI領(lǐng)域的一個(gè)重要分支，在語(yǔ)言處理方面表現(xiàn)出色。然而，它們並非「萬(wàn)能」，在處理需要領(lǐng)域知識(shí)、推理能力和適應(yīng)性的任務(wù)時(shí)，存在一定的局限性。要實(shí)現(xiàn)更廣泛的AI應(yīng)用，需要結(jié)合其他AI技術(shù)和領(lǐng)域知識(shí)，才能真正讓機(jī)器具備更強(qiáng)的「智能」。
延伸閱讀：
AI是否真的會(huì)搶走人類的工作？(這篇有實(shí)際使用中的職場(chǎng)案例可以解惑)
要如何直觀的證明LLM 與 AI 模型的區(qū)別？- Mobile01
其特性就是，模型本身必須要有辦法理解現(xiàn)實(shí)問(wèn)題中的運(yùn)作規(guī)則，而不是單純的依賴用戶的專業(yè)知識(shí)，透過(guò)輸入文字提示詞來(lái)進(jìn)行回答或模擬思考。
大語(yǔ)言模型（LLM）與AI模型的根本差異：
大語(yǔ)言模型（LLM）：
顧名思義，LLM的核心能力在於處理和生成語(yǔ)言。它們透過(guò)海量的文本數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)單詞、句子之間的關(guān)係，以及語(yǔ)言的結(jié)構(gòu)和規(guī)律。因此，LLM擅長(zhǎng)於文本生成、翻譯、問(wèn)答、摘要等任務(wù)。然而，LLM的知識(shí)來(lái)源主要基於其訓(xùn)練數(shù)據(jù)，對(duì)於訓(xùn)練數(shù)據(jù)中未包含或未充分涵蓋的領(lǐng)域，其表現(xiàn)就會(huì)大打折扣。前面提到的「非常依賴用戶的領(lǐng)域知識(shí)來(lái)輸入相關(guān)提示詞」，正點(diǎn)出了LLM的這一弱點(diǎn)。它們是基於既有知識(shí)的「模仿者」和「組織者」，而非真正理解和創(chuàng)造新知識(shí)的「思考者」。
延伸閱讀：
棋類遊戲與上下文推理的關(guān)係
AI模型（更廣義）：
AI是一個(gè)更廣泛的概念，包含各種不同的技術(shù)和方法，例如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、專家系統(tǒng)等。AI模型的目標(biāo)是讓機(jī)器具備類似人類的智能，包括學(xué)習(xí)、推理、解決問(wèn)題、感知環(huán)境等能力。AI模型不一定基於語(yǔ)言，它們可以處理各種形式的數(shù)據(jù)，例如圖像、聲音、數(shù)值等。而且，某些AI模型具備一定的自主學(xué)習(xí)和推理能力，可以處理未曾見過(guò)的情況。
職場(chǎng)跳槽的例子： 當(dāng)一個(gè)人跳槽到一個(gè)完全陌生的部門時(shí)，他/她需要學(xué)習(xí)新的領(lǐng)域知識(shí)、工作流程、人際關(guān)係等。一個(gè)真正具備「智能」的系統(tǒng)，應(yīng)該能夠透過(guò)觀察、學(xué)習(xí)、與人互動(dòng)等方式，快速適應(yīng)新環(huán)境。然而，一個(gè)單純的LLM，由於缺乏相關(guān)領(lǐng)域的訓(xùn)練數(shù)據(jù)，很難在這個(gè)新環(huán)境中有效地工作。它可能會(huì)產(chǎn)生一些看似合理，但實(shí)際上毫無(wú)價(jià)值的回答或建議，就像「翻車現(xiàn)場(chǎng)」。例如，一個(gè)在行銷部門訓(xùn)練的語(yǔ)言模型，若直接應(yīng)用於財(cái)務(wù)分析，很可能因?yàn)槿狈ω?cái)務(wù)知識(shí)而產(chǎn)生嚴(yán)重錯(cuò)誤。
提高 AI 推薦商品的命中率！OpenAI 揭點(diǎn)擊大增 23% 合作細(xì)節(jié)
Zalando與GPT-4的合作案例：
這個(gè)案例恰恰說(shuō)明了，LLM在特定領(lǐng)域的應(yīng)用，往往需要該領(lǐng)域的專家進(jìn)行大量的引導(dǎo)和調(diào)整。OpenAI提供的只是基礎(chǔ)模型，而Zalando的數(shù)據(jù)和領(lǐng)域?qū)＜也攀翘嵘扑]準(zhǔn)確度的關(guān)鍵。這並不能證明ChatGPT是「通用模型」，而是證明了LLM在特定領(lǐng)域應(yīng)用時(shí)，需要與其他AI技術(shù)和領(lǐng)域知識(shí)相結(jié)合。
其他例子：
自動(dòng)駕駛：自動(dòng)駕駛系統(tǒng)需要處理複雜的環(huán)境感知、路徑規(guī)劃、決策控制等任務(wù)，這不僅僅是語(yǔ)言處理的問(wèn)題。它需要結(jié)合電腦視覺、感測(cè)器融合、機(jī)器人控制等多種AI技術(shù)。一個(gè)單純的LLM無(wú)法實(shí)現(xiàn)自動(dòng)駕駛。
醫(yī)療診斷：
醫(yī)療診斷需要醫(yī)生具備豐富的醫(yī)學(xué)知識(shí)、臨床經(jīng)驗(yàn)和推理能力。雖然LLM可以輔助醫(yī)生進(jìn)行文獻(xiàn)檢索、病例分析等工作，但它無(wú)法完全取代醫(yī)生進(jìn)行診斷和治療。
1. 任務(wù)目標(biāo)的根本差異：
生成式 AI（Generative AI）： 其核心目標(biāo)是「創(chuàng)造」。它透過(guò)學(xué)習(xí)大量資料中的模式，生成新的、類似但不同的內(nèi)容。例如：寫作、翻譯、產(chǎn)生圖像、創(chuàng)作音樂(lè)等。它著重於模仿資料的形式和風(fēng)格，而非深入理解資料的本質(zhì)和意義。
其他 AI 模型（例如：分類、預(yù)測(cè)模型）： 其核心目標(biāo)是「分析」和「決策」。它們透過(guò)學(xué)習(xí)資料中的特徵，將資料分類、預(yù)測(cè)結(jié)果、或做出判斷。例如：垃圾郵件過(guò)濾、疾病診斷、股價(jià)預(yù)測(cè)等。它們著重於理解資料的特徵和關(guān)聯(lián)，以達(dá)到準(zhǔn)確的判斷。
2. 領(lǐng)域知識(shí)的依賴程度：
生成式 AI： 在生成內(nèi)容時(shí)，雖然可以展現(xiàn)出看似流暢和有邏輯的結(jié)果，但往往缺乏對(duì)特定領(lǐng)域的深入理解。這導(dǎo)致在需要高度專業(yè)知識(shí)的領(lǐng)域，生成式 AI 容易產(chǎn)生錯(cuò)誤或不合理的內(nèi)容。就像您提到的職場(chǎng)跳槽例子，一個(gè)在行銷部門訓(xùn)練的語(yǔ)言模型，如果直接應(yīng)用於財(cái)務(wù)分析，很可能因?yàn)槿狈ω?cái)務(wù)知識(shí)而產(chǎn)生錯(cuò)誤的報(bào)告。因此，生成式 AI 往往需要領(lǐng)域?qū)＜业闹笇?dǎo)和調(diào)整，才能在特定領(lǐng)域發(fā)揮作用。 前面提供的 Zalando 案例正是一個(gè)很好的例子，它說(shuō)明了領(lǐng)域?qū)＜以谔岣?AI 推薦商品命中率方面的重要性。
其他 AI 模型： 雖然也需要資料進(jìn)行訓(xùn)練，但它們更著重於從資料中學(xué)習(xí)明確的規(guī)則和模式。例如：一個(gè)用於疾病診斷的模型，會(huì)學(xué)習(xí)各種癥狀和疾病之間的關(guān)聯(lián)，從而做出診斷。這些模型在訓(xùn)練完成後，通常可以獨(dú)立運(yùn)作，不需要過(guò)多的領(lǐng)域?qū)＜医槿搿?br>
總結(jié)：
大語(yǔ)言模型是AI領(lǐng)域的一個(gè)重要分支，在語(yǔ)言處理方面表現(xiàn)出色。然而，它們並非「萬(wàn)能」，在處理需要領(lǐng)域知識(shí)、推理能力和適應(yīng)性的任務(wù)時(shí)，存在一定的局限性。要實(shí)現(xiàn)更廣泛的AI應(yīng)用，需要結(jié)合其他AI技術(shù)和領(lǐng)域知識(shí)，才能真正讓機(jī)器具備更強(qiáng)的「智能」。
延伸閱讀：
AI是否真的會(huì)搶走人類的工作？(這篇有實(shí)際使用中的職場(chǎng)案例可以解惑)
達(dá)人
