AI 大语言模型入门
第一章：AI 大模型技术综述
1.1 AI发展的四波浪潮
从20世纪末的弱人工智能开始，我们着重于构建能够执行特定逻辑任务的系统。紧接着，机器学习的出现破冰而出，将数据作为知识的基石，让计算机自行学习规律和模式。深度学习的大潮涌入，随着神经网络的复杂性和深度增加，越来越难以解决的问题开始迎刃而解。现在，我们站在了大模型的门槛上，尤其是大语言模型，它们的能力超越了之前所有AI技术的联合体，为我们带来了前所未有的应用潜力。
- 弱人工智能 - 专注模拟特定任务能力的系统
- 机器学习 - 数据驱动的学习模型
- 深度学习 - 利用深层神经网络模拟复杂任务处理
- 大语言模型 - 深度模型处理大数据得到复杂的文本输出
1.2 AI大模型的四个技术层面
This chapter requires login to view full content. You are viewing a preview.
Login to View Full ContentCourse Curriculum
1
LLM
我们将对比确定性编程与概率编程的根本差异，理解从“编写逻辑”到“设计引导”的范式转移。同时，将API设计、参数调试等传统研发直觉，快速映射到提示词工程与生成参数驯化上，让您在AI时代继续发挥工程优势。
2
Transformer
我们将建立从软件模块到模型组件的认知桥梁，把Transformer理解为一个新的“运行时环境”。目标是让您能像分析JVM GC或线程调度一样，洞察注意力机制、Token生成等核心过程的资源消耗与性能瓶颈。
3
Prompt Engineering
我们将建立从软件模块到模型组件的认知桥梁，把Transformer理解为一个新的“运行时环境”。目标是让您能像分析JVM GC或线程调度一样，洞察注意力机制、Token生成等核心过程的资源消耗与性能瓶颈。
4
Fine-tuning
我们将建立清晰的决策框架，像在“使用开源库”和“自研核心组件”之间做权衡一样，在提示工程与模型微调之间做出成本最优解。深入LoRA等关键技术，理解其如同软件工程中的“依赖注入”般高效参数更新原理。
5
RAG
我们将对比传统数据库查询与向量检索的核心差异，构建混合检索的新心智模型。深入文本分块、Embedding选型等生产细节，让RAG系统从“能跑”到“好用”，解决准确性、幻觉治理等实际工程挑战。
6
Agent
我们将智能体架构理解为“一个高度自治的微服务集群”，其工具调用如同服务间API调用，记忆体系如同分布式缓存与数据库。在此基础上，设计能够规划、执行并从容应对失败的鲁棒性AI系统。
Speaker
Songran Zhang
@Aliyun | Qwen Chat
Songran Zhang is senior systems architect at Aliyun, a speaker, and an author. Over the past 15 years, he's mastered architectures from cloud-native systems to AI-powered LLM platforms, building deep technical expertise across large-scale, high-availability systems.
