大模型技術(shù)發(fā)展到今天，其功能可以說是日新月異；并且很多企業(yè)已經(jīng)在探索大模型的應(yīng)用場景和技術(shù)實現(xiàn)；但是很多人到現(xiàn)在對大模型的了解僅僅只限于能聊個天，問個問題。

但實際上，大模型能夠做的事要遠(yuǎn)比我們想象中的要多的多；因此，今天我們就從用戶和技術(shù)兩個角度來介紹一下大模型的應(yīng)用。

關(guān)于大模型的分類和應(yīng)用問題

如果想弄清楚大模型是怎么使用的，首先要知道大模型的分類；不同類型的模型適合不同的應(yīng)用場景，其功能和實現(xiàn)也各不相同。

而關(guān)于大模型的分類問題其實是一個復(fù)雜的問題，大模型的分類有多個維度，比如從任務(wù)類型有分類模型，翻譯模型，摘要模型和文本生成等。

但從與具體的技術(shù)場景結(jié)合來看，又有NLP任務(wù)，CV任務(wù)等；而從功能來看又有生成式模型和推理模型；從垂直角度看，有處理圖片的模型，有寫代碼的模型；如果從純粹的技術(shù)角度來看，又有Transformer模型，Gan網(wǎng)絡(luò)等。

而在實際的模型設(shè)計和開發(fā)過程中，很多模型采用的又是混合架構(gòu)；比如說一個模型既有生成能力，又有推理能力，而能夠生成多種模態(tài)數(shù)據(jù)的模型被稱為多模態(tài)。

再加上大模型技術(shù)日新月異的迭代速度，因此很多人很難分清哪個模型是干啥的，有哪些功能；因此在選擇模型時，最好就是根據(jù)自己的任務(wù)需求去搜索相關(guān)的模型，最后再根據(jù)模型的官方介紹，然后再應(yīng)用到具體的業(yè)務(wù)場景中。

大模型分類困難的四大根源

(1) 技術(shù)融合

現(xiàn)代大模型（如GPT-4、Claude 3）已發(fā)展為「通用計算平臺」，同時具備：

• 生成能力（文本/圖像/代碼）
• 推理能力（數(shù)學(xué)/邏輯）
• 判別能力（分類/檢測）
• 多模態(tài)理解（文本+圖像+音頻）

(2) 命名混亂

• 商業(yè)命名（如"文心一言"）不反映技術(shù)架構(gòu)
• 同一架構(gòu)不同規(guī)模（LLaMA-2-7B/13B/70B）能力差異巨大

(3) 動態(tài)進(jìn)化

插件系統(tǒng)的引入（如ChatGPT的Browsing/Code Interpreter）使單模型能力邊界模糊

(4) 評估標(biāo)準(zhǔn)缺失

缺乏統(tǒng)一的「能力維度評估體系」，不同廠商宣傳指標(biāo)不可比

理解大模型分類的本質(zhì)是：放棄絕對分類，建立多維評估體系。建議從實際任務(wù)出發(fā)進(jìn)行驗證，而非過度依賴?yán)碚摲诸悺?/p>

前面簡單了解了一下大模型的分類問題，但僅僅知道大模型有哪些類型并沒什么用，最重要的是用大模型解決我們的問題；以此來提高我們的工作和生活效率。

所以，學(xué)習(xí)大模型沒有最好的辦法，或者說辦法只有一個；那就是多用，多嘗試，多研究。

大模型應(yīng)用

大模型其實從應(yīng)用的角度來說，主要有三個方面：

• 第一就是利用大模型本身的能力，比如AIGC去做一些文本，視頻，圖片的生成能力；比如做自媒體，寫文章，修圖，剪輯視頻等。
• 其次，就是RAG給大模型做知識增強(qiáng)，因為大模型本身限制的原因；導(dǎo)致其在某些方面知識缺陷，因此就可以使用外部知識庫的方式讓大模型做知識增強(qiáng)。
• 最后，可以說是最有發(fā)展前景的方向就是——智能體；智能體就是給大模型裝上手和腳，通過思維鏈，工作流，function call/MCP等技術(shù)；使得大模型具備獨立思考和使用外部工具的能力。

當(dāng)然，這三種方式大都是從技術(shù)角度來說的；但從用戶角度來說，我們可以使用一些生成模型做一些簡單的工作，如處理圖片，寫文檔等。

而一些企業(yè)基于工作流平臺開發(fā)智能體，比如coze平臺；我們就可以根據(jù)自己的需要構(gòu)建一個能夠執(zhí)行特定任務(wù)的智能體；以此來提高我們的工作效率。

總之，人工智能技術(shù)處于一個快速發(fā)展快速迭代的過程；很多新技術(shù)和名詞每天都在涌現(xiàn)；因此，我們需要做的就是不斷跟進(jìn)市場的腳步，多去嘗試和試驗；最終我們就會知道大模型能做什么，以及我們需要大模型給我們做什么。