面对当下火爆的AI大模型在这篇文章中我将用最通俗的语言拆解AI的核心秘密。一、AI的核心如今智能的AI离不开三个最核心的要素即现代人工智能大厦的三大基石1.数据(Data大模型的学习需要海量的数据现在的AI动辄需要学习人类历史上所产生的万亿级词汇数据没有丰富的高质量数据再聪明的算法也只是无米之炊。2.模型算法Algorithm这是模型处理数据的逻辑当前大模型最核心的架构是Transformer其本质上是一个模拟人类大脑神经网络的架构给予机器理解和生成复杂内容的能力。3.超级算力Computing Power深度神经网络的思考和计算量是一个天文数字需要极高的算力支撑。算力是基础设施数据是生产资料而模型算法就是讲数据转换为智能的加工厂。二、从人脑到人工神经元上文提到Transformer是模拟人类大脑那具体是如何模拟的呢人脑由上百亿个神经元组成一个神经元包括树突、细胞核、轴突和突触。各司其职用于输入处理和输出。科学家用数学公式复刻了这个过程由此发明了人工神经元:人工神经元包括输入x、权重w衡量不同输入的重要性、求和公式与激活函数最终的到输出y由此我们很容易看出来人工神经元本质就是个函数公式这就使得很容易用代码来实现神经元的工作运行。三、从单体到群体深度神经网络一个神经元能做的事情很有限但把成千千万万个神经元连接起来就组成了强大的深度神经网络一个典型的神经网络通常分为三个层级输入层Input Layer网络的入口类似于人类的眼睛和耳朵负责接收原始数据。隐藏层Hidden Layers网络的大脑皮层负责信息的深度处理、特征提取和学习。为什么叫深度学习就是因为这里的隐藏层可以有很多很多层输出层Output Layer网络的出口负责产生最终的预测或分类结果。四、机器是如何学习的神经网络建立后机器是如何利用其来学习并实现如今这么广泛的功能的呢神经网络学习的主要目的其实就是为了找到函数中最合适的权重w。1986年学者 David Rumelhart 等人找到了一种让复杂神经网络高效学习的方法叫做反向传播Backpropagation。我们可以把机器训练的过程想象成学生做题基本流程分为四步前向传播做题数据像流水一样从输入层一层层经过隐藏层加工最后在输出层产生一个结果。这就好比学生拿到试卷凭着现有的知识把题目做完写下答案。计算误差 / Loss对答案拿着 AI 算出的结果去和标准答案对比看看差距有多大。这个差距在术语中称为“误差”或 Loss。反向追责找错因这是最精妙的一步AI 会顺着网络倒退回去计算每一层的每一个连接对这个“误差”贡献了多少。就像学生发现最后一道大题做错了反推是因为哪一个公式记错了还是哪一步算错了。调整权重纠正错误根据每个连接的“误差贡献比例”微调它们的权重参数。贡献了很大误差的连接就被大幅度修改。这样做的目的是使下一次做同样的题时误差变得更小。这个“做题-对答案-找错因-纠正”的过程会被机器重复成千上万次。当误差小到一定程度我们就说这个模型训练完成了总结从宏观的“数据、算法、算力”到微观的“神经元公式”再到机器自我进化的“反向传播”AI 的本质其实并没有那么神秘它是数学、计算机科学与仿生学的绝妙结合。