目录

前言

AGI通用人工智能

总结

---

前言

AI零基础直播公开课，了解一下。

---

AGI通用人工智能

query

chatmind.tech

找一下这篇论文，了解一下

E为编码器，D为解码器

所谓大模型也就是编码器-解码器。

模型里会有一些公式和参数，厉害的模型是参数比较靠谱。

所谓的机器学习训练模型就是去调整参数（这里之前我好像弄过一个预测模型，确实如此）。

GPT3.5有1750亿个参数。

Google这篇论文很好：

        1.它的编码器和解码器的结构让事情变简单了，参数变少。里面有个K矩阵，二维数组，类似于空间字典的作用。

        2.它的注意力机制，也就是权重问题，V矩阵，数值记录权重。这里的多投自注意力机制，也就是机器自己学习找到语义。

很多人工智能工程师更多是处理某些特定场景，距离agi也就是通用性的AI。

CV已死？算法工程师很多时候是给机器做助理工作的，比如视觉工程师，先预处理，边缘提取等等，就是给机器找权重，自注意力机制（transformer的基础）能跨语言到视觉等的多模态，提取比较重要的东西，所以视觉工程师可能会更早的失业。

技术分层：

1、指令工程，总结和大模型对话的讨论方法；AI编程，AI自动化测试

2、向量数据库，向量检索，autoGPT，github copolit等，场景比较广泛

3、fine-tune，自有数据对模型进行精调，比较难。

下面是fine-tune的原理图（来源于ChatGPT3.5论文）

第一步，雇了很多标注师，一问一答，进行模型精调（参数精调），教授知识。

第二步和第三步反复循环，调教“大脑”。RLHF，强化学习，人类反馈（human feelback这个很重要）。

midjourney可以试试。

之后试试二次开发哈哈哈哈。三万三千条rlhf就能做一轮fine-tune。

在openai上能直接做fine-tune。但是由于有墙，国内不会用这个。（还有数据泄露的风险）

可以选择一些开源的模型，智谱华章的ChatGLM还有Facebook的LLaMA 7B。

这个人的羊驼，他只用了70亿的参数。

可以用阿里云做二次开发。低成本且高效。

公司比较缺大模型产品方案，比较重要：

1、畅想的场景什么比较靠谱

2、靠谱的场景需要什么技术（上面说到的技术）

3、能实践的效果

4.成本

5.数据整理，什么好数据等数据过滤

6.需要什么框架进行fine-tune

7.需要几轮，多长时间

8.性能效果，最后效果

9.商业化，投产比。

---

总结

主要是想了解一下大模型。后续去GitHub上看看chatALL.ai吧，感兴趣就多去了解下大模型。还有一个重要收获是我现在正在搞CV啊，太难受了，太难受了，或许激光雷达或者GPSins方向是可以深耕的，加油吧，早日毕业。