企业官网建设流程全解析

简介：《厦门大学deepseek大模型概念、技术与应用实践》是一份面向高校师生、技术初学者及非技术读者的科普型PPT讲义，围绕“读懂大模型”这一目标，系统回答大模型从何而来、如何工作、能做什么以及如何落地等问题。包内为1个PDF文件，约14.41MB，共140页，以图文并茂的幻灯片形式组织内容，便于课堂讲授、自学浏览与专题分享。已有663人学习，说明其在入门科普与教学参考场景中具有一定关注度。内容从图灵测试、人工智能诞生与发展阶段切入，延伸至大模型的概念界定、发展历程、原理特点、分类与行业应用，并讨论大模型对工作生活的影响、本地部署和基于大模型的智能体，同时结合AIGC应用实践展开。读者可借此建立较完整的大模型知识框架，理解DeepSeek等模型所处的技术脉络，并获得可用于汇报、备课或技术选型参考的目录化知识线索。

1. 到底什么是大模型：一个“读完整个图书馆再开口”的家伙

你大概有过这种困惑：手机里那个能改简历、能写邮件、能陪你闲聊的对话框，和新闻里反复出现的“大模型”是不是同一个东西？是同一个东西的不同包装。用一句大白话说，大模型是一种基于深度学习的人工智能模型，它的“大”体现在三件事上——参数数量庞大、训练数据量大、计算资源需求高。它不靠人一条条写规则，而是靠“读”过足够多的语料，自己把语言里的规律摸出来，然后顺着你的话往下接。

这份资料把大模型的概念、技术与应用实践串成了一条完整的线：从人工智能的发展简史讲到人工智能思维，再落到大模型本身和 AIGC 的实践。概念、技术、应用三段连起来看，才不至于把“会聊天”误当成全部。下面几章，我把它拆开，一层层讲清楚。

2. 大模型的“大”到底大在哪：参数量、数据量、算力三笔账

多数人第一次听到“千亿参数”，脑子里是没有画面的，只知道“应该很厉害”。可“大”这件事一旦说不清楚，后面所有的判断都会飘：为什么它懂那么多？为什么它有时候一本正经地胡说？为什么自己训一个这么贵？这一章就把这三笔账拆开算给你看。

2.1 参数量：模型的“脑容量”是怎么量出来的

把模型想象成一张巨大的调音台，上面密密麻麻排着旋钮。每个旋钮控制一点点“语言偏好”，比如“这个词后面接哪个词更顺”。这些旋钮的读数，就是参数。训练做的事情非常朴素：拿一堆文本进来，让模型猜下一个词，猜错了就把旋钮拧一点点，反复几十亿次。所谓“千亿参数”，就是这张台子上有一千亿个旋钮，每个旋钮的读数是一个小数。

这个类比能解释很多反直觉的现像。第一，参数不是“知识条目”，你没法指着某个旋钮说“这里存着唐朝哪年建国”。知识是散布在整张台子上的，这也是为什么大模型像个黑匣子——你问它为什么这么答，它给不出真正的理由。第二，旋钮多不等于调得好，一张一万个旋钮的台子如果只拧过三遍，效果可能不如一千个旋钮拧过三百遍。参数量决定了“上限有多高”，数据质量和训练方法决定了“能爬到多高”。

数量级上体会一下：2020 年前后出现的某个语言模型，参数规模是 1750 亿；两年后的新一代，直接翻了一个数量级，到万亿级；同期也有厂商喊出十万亿参数的模型。十年间涨了三个数量级，而人脑的突触数量大约是百万亿量级——所以“参数超过人脑”这种说法，听听就好，两者的计数对象根本不是一回事。

2.2 数据与算力：为什么训一次要烧掉一座机房

参数是台子上的旋钮，数据就是用来拧旋钮的手。大模型的训练语料动辄以万亿“词元”计。词元是模型处理文本的最小单位，你可以粗略理解成“一个词或半个词”。一段一千字的中文，大概对应一千多个词元。万亿词元是什么概念？相当于把一座大型图书馆的所有藏书反复读上很多遍。

算力则是拧旋钮的速度。训练要在成千上万张加速卡上跑几个月，卡与卡之间还要高速互联，否则“拧”的节奏对不上，效率会断崖式下跌。这也是为什么从头训练一个大模型是少数玩家才玩得起的游戏，而绝大多数团队做的是另一件事：拿一个已经训好的底座，往下接。

推理阶段的开销同样值得算一算，因为它直接决定你能不能在自己机器上跑起来：

# 粗略估算：把模型权重装进显存需要多少空间 params_billion = 7 # 模型参数量，单位：十亿（7B） bytes_per_param = 2 # 半精度浮点，每个参数占 2 字节 weight_gb = params_billion * 1e9 * bytes_per_param / (1024 ** 3) kv_cache_gb = 0.8 # 上下文缓存，随对话长度增长，先按经验值估 overhead_gb = 1.5 # 框架运行时自身的固定开销 total = weight_gb + kv_cache_gb + overhead_gb print(f"权重约 {weight_gb:.1f} GB，总占用约 {total:.1f} GB")

这段代码没有任何玄学，就是把三个数加起来。第一个参数params_billion是模型规模，7B 就是 70 亿参数；第二个bytes_per_param是精度，半精度是 2 字节，如果换成 4 字节的单精度，结果直接翻倍；后两个是上下文缓存和框架开销，对话越长、缓存越大。跑出来的结果大概在 16 GB 出头，这正好解释了为什么消费级显卡跑 7B 模型会那么勉强——权重塞得下，缓存和开销就把余量吃掉了。

算这笔账的意义不在于让你去部署，而在于建立一个成本直觉：模型每大一倍，显存、速度、费用基本同比例上涨。以后再看到“我们升级到了更大的模型”，你就知道它在背后付出了什么。

2.3 和大模型之外的“小模型”“传统程序”比，差别在哪

把三者摆在一起，差别一目了然：

最容易被忽略的是倒数第二行。传统程序出错会报错，你立刻知道哪里坏了；大模型出错不报错，它会用非常通顺的句子给你一个错误答案。这种“错误伪装成正确答案”的特性，是后面所有使用边界讨论的根源。

3. 从“机器能思考吗”到自注意力：大模型不是横空出世

大模型看起来是最近几年突然冒出来的东西，其实底下压着七十年的积累。搞清这条线，你就能明白为什么偏偏是某一种网络结构成了今天的底座，也能明白为什么有些能力是“顺带长出来的”，有些是“专门调出来的”。

3.1 三个阶段：萌芽、沉淀、爆发

1950 年，有人提出过一个著名的判据：让测试者隔着屏幕同时和两方对话，一方是人、一方是机器，如果测试者分辨不出来，就认为机器具备了智能。这个判据的意义不在于它多严谨，而在于它把“机器能不能思考”这个哲学问题，变成了一个可以动手做的实验。六年后的夏天，一场学术研讨会把“人工智能”这个词正式提了出来，那一年也被称为人工智能元年。

从那时起到 2005 年前后，属于萌芽期。主线是卷积神经网络这一类结构，模型还很浅，能处理的任务很窄，靠的是小规模专家知识加上早期机器学习。1998 年出现的经典卷积网络结构，把“浅层学习”推进到了“深度学习”，为后来的图像与语言研究打了地基。

2006 年到 2019 年是沉淀期，关键词换成了 Transformer。2013 年，词向量模型出现，第一次把词变成一串数字向量，让计算机有了“算语义距离”的办法。2014 年，对抗式生成网络诞生，深度学习正式踏入“生成”这个方向。2017 年，一种基于自注意力机制的神经网络结构被提出，它不再按顺序一个词一个词地读，而是让句子里每个词同时去看其他所有词——这就是今天几乎所有大模型的架构基础。

2020 年之后进入爆发期。预训练大模型成为主流路线，参数规模一路抬升，人类反馈强化学习、代码预训练、指令微调这些方法陆续加进来，把“会续写”变成了“会听话”。2022 年底，一个对话式产品让这件事彻底出圈，普通人第一次发现，机器可以像人一样接话，还能写邮件、写脚本、翻译、改代码。

3.2 自注意力为什么是分水岭

打个比方。以前的模型读句子像一个人用手指着一个字一个字念，念到第十个字时，前面九个字的印象已经模糊了。自注意力机制不一样，它让每个词同时“看”一眼全句，然后自己决定该重点关注谁。读到“苹果”时，它可能同时注意到前面三句外的“公司”和紧邻的“很甜”，靠上下文判断这到底是水果还是品牌。

这个改变带来两个直接后果。一是并行，全句同时算，训练效率大幅提升，模型才可能做得那么大；二是长距离依赖，隔得再远的词也能建立联系，理解复杂语义才成为可能。可以说，没有这个结构，参数堆到千亿也堆不出今天的效果。

3.3 预训练、微调、对齐：一条流水线怎么跑通

大模型的诞生不是一步，而是三步。第一步预训练，用海量通用语料让模型学会“语言长什么样”，这一步最贵，产出的是一个“什么都读过、但不太会听话”的底座。第二步微调，用特定领域的样本继续训练，把它调成某个行业的专家。第三步对齐，通过人类反馈告诉它“什么样的回答是人愿意接受的”，让它学会拒绝、学会收敛、学会不胡说。

对使用者来说，这三步的意义在于：你拿到手的模型，能力上限由第一步决定，专业程度由第二步决定，说话方式由第三步决定。所以“同一个底座，不同产品表现差很多”是正常的，差在后两步。也所以，想让模型懂你的行业黑话，微调比反复改提示词有效得多——前提是你真的有高质量样本。

4. 能力清单：语言生成、上下文理解、迁移，分别对应什么

参数和架构讲完，该讲它能干什么了。这一章把大模型的能力拆成四项，每一项都落到具体场景，再顺带说清 AIGC、多模态、智能体这几个常被混着说的词。

4.1 四项核心能力，各自解决什么问题

第一项是语言生成。它能写出通顺、连贯、风格可控的文本，减少了过去机器翻译腔、模板腔那种一眼假的痕迹。写通知、写摘要、写商品描述，这是最直接能省时间的地方。

第二项是上下文理解。它能在多轮对话里记住你前面说过什么，理解代词指代、省略、语气转折。这项能力决定了它能不能当“助手”而不是“问答机”——你补一句“再短点”，它知道你在说上一条。

第三项是学习能力。它从海量数据里提取出的不只是词汇，还有模式：什么样的论证结构有说服力，什么样的代码写法容易出错。这让它在面对没见过的具体问题时，也能给出看起来靠谱的推理路径。

第四项是可迁移性。一次训练，能用在多种任务上，换个问法就是换个任务，不用重新训练。这是它和传统专用模型最大的区别：专用模型是“一把钥匙开一把锁”，大模型是“一把瑞士军刀”，什么都能凑合，但每一样都不是最锋利的。

这四项能力叠在一起，才构成了“通用”这个词的实际含义。单独拎出任何一项，都不是新东西；难的是同一个模型同时具备，而且切换成本几乎为零。

4.2 AIGC 与多模态：从“会写字”到“会看图”

AIGC 指的是由人工智能生成内容，包括文字、图片、音频、视频。它描述的是一种产出形态，不是某一种具体技术。大模型是当前 AIGC 最主要的底座，但两者不能画等号——早期的生成模型也能产出内容，只是质量和通用性差得远。

多模态模型则是在文字之外，把图片、声音也纳入输入输出。文本模型看图，靠的是把图片切成小块，转成一串向量，再和文字向量放在同一个空间里比对。这带来的实际变化是：你可以发一张表格截图让它整理成结构化数据，发一张报错截图让它解释原因。它的能力边界也在这里——它“看”到的是被压缩过的特征，不是原始像素，所以图里的小字、精确数字、细微差别，仍然是翻车高发区。

4.3 智能体：给模型装上手脚

模型本身只会输出文字，不会订机票、不会改文件、不会查数据库。智能体的思路是：让模型来判断“下一步该做什么”，然后去调用外部工具，把结果拿回来再判断，循环往复直到任务完成。

打个比方，模型是大脑，工具是手脚，智能体是把两者接起来的神经系统。它让大模型从“回答问题的”变成“执行任务的”。但这也意味着风险从“说错话”升级成了“做错事”：模型判断失误，调用工具就可能删错文件、发错邮件。所以真正能用的智能体，几乎都在关键动作前加了人工确认，这一点在选型时值得留意。

5. 常见误区与易混概念：这几个词别再混着用

这一章专治“听着都懂，一问就乱”。下面五组概念，是初学者最容易糊在一起的地方，每一组都按“哪里容易混、为什么会混、怎么区分”来说。

5.1 三组上下位关系：谁包含谁

第一组，大模型和人工智能。易混点是把两者当同义词。混淆的原因是媒体标题常用“AI”指代一切，而大模型恰好是当下最出圈的 AI。区分方法很简单：人工智能是学科和目标的统称，机器学习是实现路径，深度学习是机器学习的一支，大模型是深度学习里“参数特别大、靠预训练”的那一类。四层是包含关系，不是并列关系。

第二组，大模型和 AIGC。易混点是把“能生成内容”当成大模型的专属。混淆的原因是这两年的生成式产品几乎都基于大模型。区分方法看落点：AIGC 说的是“产出什么”，大模型说的是“用什么算”。同一个 AIGC 应用背后可能不是大模型，同一个大模型也可以不做生成任务，只做分类或抽取。

第三组，大模型和知识库。易混点是以为模型里“存着”全部知识，问什么都能查到。混淆的原因是它答得太流畅，让人误以为在检索。区分方法看行为：模型给的是概率上最像答案的文本，不是从某份文档里精确取出的原文。要它答得准，得把资料一起给它，或者接一个检索系统。

5.2 两组训练与效果：贵的不一定对，大不代表好

第四组，预训练和微调。易混点是以为“微调就是再训一遍”。混淆的原因是两者都叫训练。区分方法看量级：预训练要吃万亿级词元、烧掉整座机房、产出通用底座；微调通常几千到几万条样本就够，几小时能跑完，产出领域专精。搞错这一点，最典型的翻车就是想靠微调给模型“灌知识”，结果发现它只是学会了说话风格。

第五组，参数大和效果好。易混点是认为排行榜上参数最大的那个最强。混淆的原因是“大”这个字太有冲击力。区分方法看三个变量：参数量只决定上限，数据质量决定它学到什么，对齐方法决定它听不听话。一个参数量中等但数据干净、对齐到位的模型，在具体任务上完全可能打赢一个参数翻倍但训练粗糙的模型。

提示：判断一个模型适不适合，别看参数，看它在你的任务上跑十次错几次。这一步没法跳过。

6. 什么时候该用，什么时候别用

把前面几章收一下，落到判断上。大模型不是万能钥匙，它在“开放、模糊、需要表达”的任务上优势极大，在“精确、可验证、有唯一答案”的任务上反而容易添乱。

适合上手的场景有这么几类。文本类加工，比如把会议记录整理成纪要、把长文压成摘要、把口语改写成分寸得体的邮件，这类任务本来就要人反复改，模型出个初稿能省掉大半力气。跨语言和跨格式的搬运，比如翻译、把表格转成描述、把自然语言转成查询语句，它做得又快又稳。发散性工作，比如起标题、想方案、列提纲，它一次给你十个方向，你挑一个继续挖，比对着空白页发呆强得多。

不适合硬上的场景同样清晰。需要唯一正确答案的，比如算准一个数、核对一条法规原文，它给的结果必须逐条验证，验证的成本可能超过你自己做。涉及高后果决策的，比如医疗判断、合同条款、财务口径，它可以当草稿机，但不能当决策者。需要严格保密的数据，如果走的是公开服务，把敏感内容贴进去就等于放弃了控制权，这一点在想省事的时候最容易被忽略。

一个折中的判断办法是问自己三个问题：这个任务的错误代价有多大？答案能不能被快速验证？我有没有足够的样本让它对齐？三个都是正面回答，就放心用；只要有一个卡住，就该退回“人来做、模型辅助”的模式。

我在这件事上踩过坑。早几年图省事，直接把一段统计口径丢给模型让它“顺便算一下占比”，它给出的数字格式漂亮、单位齐全、逻辑自洽，我扫了一眼就贴进了材料里。后来核对原始表才发现，它把一个分母看错了。那次之后我给自己定了一条死规矩：凡是模型产出的数字、引用、结论，一律回到原始来源走一遍复核，不管它看起来多可信。

这个习惯听起来笨，但它换回来的是心安。工具越顺手，越要给自己的判断留一道闸。

希望帮到你。

本文还有配套的精品资源，点击获取