1、基礎(chǔ)的生成算法模型是驅(qū)動(dòng)AI的關(guān)鍵

2014年，伊恩·古德費(fèi)洛(lanGoodfellow)提出的生成對(duì)抗網(wǎng)絡(luò)(GenerativeAdversarialNetwork,GAN)成為早期最為著名的生成模型。GAN使用合作的零和博弈框架來(lái)學(xué)習(xí)，被廣泛用于生成圖像、視頻、語(yǔ)音和三維物體模型。隨后，Transformer、基于流的生成模型(Flow-basedmodels)、擴(kuò)散模型(DiffusionModel)等深度學(xué)習(xí)的生成算法相繼涌現(xiàn)。

Transformer模型是一種采用自注意力機(jī)制的深度學(xué)習(xí)模型，這一機(jī)制可按輸入數(shù)據(jù)各部分的重要性分配權(quán)重，可用于自然語(yǔ)言處理(NLP)、計(jì)算機(jī)視覺(CV)領(lǐng)域應(yīng)用，后來(lái)出現(xiàn)的BERT、GPT-3、laMDA等預(yù)訓(xùn)練模型都是基于Transformer模型建立的。

通過(guò)梳理全球主流大語(yǔ)言模型(LLM)的發(fā)展脈絡(luò)，2018年以來(lái)的GPT系列、LLaMA系列、BERT系列、Claude系列等多款大模型均發(fā)源于Transformer架構(gòu)。

2、預(yù)訓(xùn)練模型引發(fā)了AI技術(shù)能力的質(zhì)變

預(yù)訓(xùn)練模型是為了完成特定任務(wù)基于大型數(shù)據(jù)集訓(xùn)練的深度學(xué)習(xí)模型，讓AI模型的開發(fā)從手工作坊走向工廠模式，加速AI技術(shù)落地。

2017年，Google顛覆性地提出了基于自注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)——Transformer架構(gòu)，奠定了大模型預(yù)訓(xùn)練算法架構(gòu)的基礎(chǔ)。

2018年，OpenAI和Google分別發(fā)布了GPT-1與BERT大模型，意味著預(yù)訓(xùn)練大模型成為自然語(yǔ)言處理領(lǐng)域的主流。

3、預(yù)訓(xùn)練數(shù)據(jù)直接決定AI大模型性能

ScalingLaws：模型容量、數(shù)據(jù)量、訓(xùn)練成本共同構(gòu)成了大模型訓(xùn)練的不可能三角。大模型訓(xùn)練的目標(biāo)是最大化模型性能，模型訓(xùn)練成本（GPU的數(shù)量和訓(xùn)練時(shí)間等）是受限的，因此一般通過(guò)增加數(shù)據(jù)集大小和增加模型中的參數(shù)量?jī)煞N途徑來(lái)提升模型性能。

附件：生成式人工智能行業(yè)專題研究：海外大模型篇，生成式AI加速創(chuàng)新，行業(yè)迎歷史性機(jī)遇