零基础也听得懂的 AI 模型全景地图

一篇讲透：大模型是什么、从哪来、分几类？

---

写在开篇：先问你一个扎心的问题

过去两年，你可能已经习惯了这样的日常：豆包、千问、Claude Codex、Codex，......

但如果我现在问你一句：

"大模型"到底是什么？它和"大语言模型"是一回事吗？为什么它突然就变聪明了？

大概率，你会卡住。

这不怪你。因为这个领域名词太多、更新太快、黑话太密：LLM、Transformer、Token、RAG、VLM、参数、涌现、多模态、世界模型、具身智能……每一个词单拎出来都像天书。

所以这个系列，我不打算堆名词。我想做的只有一件事：

把那些看起来高大上的概念，用最接地气的大白话，掰开揉碎讲给你听。

这是第一讲。我们先把"地基"打牢：大模型是什么、它是怎么来的、和以前的 AI 有什么本质区别、如今都有哪些"门派"。

读完这一篇，你对 AI 的认知，会从"会用"升级到"看懂"。

---

一、先把 AI 的家谱理清楚：人工智能、机器学习、深度学习与大模型

很多人刚接触 AI，容易把人工智能、机器学习、深度学习、大模型当成四个并列的东西。其实，它们之间有明显的包含与演进关系。可以先记住这张简化的"家谱"：

人工智能 AI
│
├── 符号主义、规则系统、搜索与规划等路线
│
└── 机器学习 ML
    │
    ├── 传统机器学习
    │   ├── 线性回归
    │   ├── 决策树 / 随机森林
    │   └── SVM 等
    │
    └── 深度学习 DL
        │
        ├── CNN：常用于图像等空间数据
        ├── RNN / LSTM：曾广泛用于序列数据
        └── Transformer：现代大模型的重要架构基础
            │
            ├── 大语言模型 LLM
            ├── 多模态模型
            └── 其他面向不同任务的大规模模型

这不是一张严格穷尽所有技术分支的学术分类图，而是帮助初学者理解主流技术脉络的入门地图。

1.1 人工智能（AI）：让机器完成原本需要智能参与的任务

人工智能（Artificial Intelligence，AI）是一个广义领域，目标是让机器表现出感知、学习、推理、规划、决策、语言理解等能力。

注意，AI 不等于大模型。

早期的规则系统、搜索算法、专家系统、机器学习模型，都属于人工智能的不同技术路线。即使没有今天的大语言模型，人工智能也已经发展了几十年。它们都属于 AI，但实现方式并不一样。

1.2 机器学习（ML）：不再把所有规则都写死，让机器从数据中学习

• 传统程序通常是：人编写规则 + 输入数据 → 得到结果。

• 机器学习则更像：人提供数据和学习目标 + 算法训练 → 模型从数据中学习规律。

例如，我们想预测一套房子的价格。

传统规则程序可能需要人为写出房屋面积、楼层、地段与价格之间的计算规则；机器学习则可以利用大量历史房屋交易数据，让算法学习这些变量与价格之间的关系。

它并不是让机器凭空获得智慧，而是让机器从样本中寻找可用于预测或决策的统计规律。

1.3 深度学习（DL）：让模型自动学习更复杂的特征

**深度学习（Deep Learning）**是机器学习的重要分支，核心是使用多层神经网络学习数据中的复杂表示。

可以把它理解成一条逐层加工信息的流水线：输入原始数据 → 逐层提取和组合特征 → 形成更抽象、更复杂的数据表示 → 输出预测或判断结果。

这只是帮助理解的简化示意，实际神经网络并不是每一层都对应一个清晰的人类概念。

深度学习推动了语音识别、计算机视觉、自然语言处理等领域的发展，也为今天的大模型奠定了重要基础。

1.4 大模型（Large Model）：把模型能力推向更大规模与更广泛任务

大模型不是某一种单独的神经网络结构，也没有一个适用于所有领域的统一参数量门槛。它通常指在模型规模、训练数据、计算资源和训练工程等方面达到较大规模，并能够支持较广泛任务的一类模型。

其中，基座模型（Foundation Model）是一个重要概念：模型通过大规模数据预训练获得通用表示或基础能力，再通过微调、提示、检索增强等方式适配不同任务。

一句话记忆：AI 是大领域，机器学习是其中一条重要路线，深度学习是机器学习的重要分支，而大模型是近年来在大规模训练与工程体系推动下发展起来的一类模型。

二、AI 模型大地图：如今都有哪些"门派"

我们用一个比喻开场：**假设你要造一个像人一样聪明的机器人。**那么：

2.1 「大模型」——机器人的"体格"

大白话：大模型不是一个具体的模型，而是一张"入场券"。

只要满足三个条件，你就能进这个俱乐部：只要满足三个条件，你就能进这个俱乐部：① 参数规模大：模型拥有更多可学习的参数。② 数据规模大：使用海量、多样化的数据进行训练。③ 计算资源充足：需要较大的算力支撑模型训练。

说白了，它就是**“大力出奇迹”**的工程标准——先不谈聪不聪明，块头得够大。

2.2 「大语言模型（LLM）」——机器人的"文科脑"

大白话：它是大模型里最出名的那一类。

它从小泡在图书馆，读遍了人类的书籍、网页、代码和聊天记录。所以它：

它是高智商的"文科生"，本质上是"文字的超级玩家"。

2.3 「世界模型（World Model）」——机器人的"理科脑 + 小脑"

大白话：它不需要会说话，它的看家本领是——懂物理、会预判。

看到一块石头从山上滚下来，它不需要你用文字告诉它，自己就能在"脑子里"算出下一秒石头会砸到哪。

它掌握的是重力、空间、时间、因果，是机器人的"空间感知与运动小脑"。

2.4 三者关系，一句话说清

大模型是一个大圈。 大语言模型是圈里专攻"文字"的优等生； 世界模型是另一个专攻"物理规律"的优等生。

而未来的终极 AI，就是把这两颗大脑合二为一。

好，基础打完了。现在我们来看全景图。

门派	大白话定位	核心能力	代表模型
大模型（基座模型）	体格门槛	大规模预训练、通用底座	——（一类统称）
大语言模型 LLM	文科脑	文字理解与生成	GPT、Claude、Qwen
多模态模型 VLM	全感官	图文音视频混合理解	GPT-4o、Gemini
推理模型	深度思考脑	思维链、复杂推理	o1 / o3、DeepSeek-R1
世界模型	理科脑 + 小脑	物理规律、因果预测	JEPA、Sora 类视频生成
具身智能 VLA	手脚控制器	指令 → 机械动作	RT-2 / RT-X

除了前面说的"大模型 / LLM / 世界模型"，还有几个你必须知道的主流门派。

2.5 多模态大模型（VLM / MLLM）——“全感官系统”

大白话：早期的 LLM 是个"瞎子"，只能读文字。多模态模型给它装上了眼睛、耳朵和嘴巴等感知能力，使它不仅能理解文字，还能看懂图片、听懂语音、理解视频，并结合多种信息进行推理和回答。

代表选手：GPT-4o、Gemini、Claude 系列。

核心能力： 多模态感知、跨模态理解、信息整合与推理。例如，看图识物、理解视频内容、语音对话、图表分析等。

进一步理解： 多模态模型不只是让 AI“看见”和“听见”，更重要的是让它能够把不同模态的信息关联起来，形成综合理解。

补充：图像与视频生成模型

如果说 VLM / MLLM 更侧重于“理解多种信息”，那么图像与视频生成模型则更侧重于“创造视觉内容”：根据文字、图片或视频参考，生成新的图像和视频。

其技术主干是**扩散模型 → DiT（Diffusion Transformer）。**简单来说，模型从噪声出发，通过逐步去噪生成图像或视频。DiT 则利用 Transformer 建模视觉信息，为模型规模扩展和复杂内容生成提供了新的技术路径。

需要注意：DiT 并没有完全取代 U-Net，也不是所有主流图像、视频生成模型都采用同一种架构。不同模型可能采用扩散、流匹配、自回归或混合技术路线。

**一句话理解： ****VLM / MLLM **主要解决“看懂、听懂和理解”的问题；生成式视觉模型主要解决“画出来、生成出来”的问题。两者可以独立工作，也可以组合成既能理解又能创作的多模态 AI 系统。

2.6 语音模型（Audio / Speech LLM）——从“翻译官”到“原生感官”

**大白话：**过去，语音只是一个外挂插件；现在，它是模型的原生器官。

• 旧范式（级联化）： 就像一场接力赛（ASR 听写文稿 → LLM 阅读并写回复 → TTS 照稿朗读）。这种方式会丢失所有的语气、情绪和环境音。

• 新趋势（端到端原生）： 走向去级联化的原生全模态（如 GPT-4o Realtime、Gemini Audio）。语音模型正逐渐失去“独立门户”的地位，被直接吸收进大模型的底层，让 AI 真正实现“听声辨绪、声情并茂”的拟人化交流。

2.7 推理大模型（Reasoning Model）——“深度思考脑”

大白话：普通大模型是"脱口而出"，推理模型是"三思而后行"。

遇到难题，它会在后台自己跟自己对话，列"草稿纸"，进行几十秒甚至几分钟的**思维链（Chain of Thought）**推理，确认无误后再给答案。

代表选手：OpenAI o1 / o3 系列、DeepSeek-R1。特别是纯 RL（强化学习）驱动的 R1，证明了 AI 可以在没有人类标准答案（SFT冷启动）的情况下，凭借自适应的隐式思维链（CoT）和自我纠错机制，像顿悟一样“涌现”出强大的数理推理能力。

这也是 2024–2025 年最重要的技术方向之一：用"推理时的计算"换"更高的智能"。

2.8 世界模型（World Model）——“物理世界模拟器”

大白话：它不靠文字，靠观察世界来学习。它在脑海里搭建了一个高度逼真的“物理沙盘”。

给它看大量视频，它能在"脑海"里模拟：物体怎么运动、空间怎么变化、因果怎么发生。

图灵奖得主 Yann LeCun 就是这条路线最著名的布道者。他认为：光靠“预测下一个词”（自回归文本预测）永远养不出真正的通用人工智能（AGI）。AI 必须像婴儿一样通过视觉和感官观察现实，构建无监督的物理环境模型。

代表工作：LeCun 的 JEPA 架构、Meta 的 I-JEPA、Sora / Veo 底层的物理时空预测生成机制。

辩证思考：大语言模型掌握了“人类的语法”，而世界模型要掌握“宇宙的物理定律”。

2.9 具身智能大模型（VLA）——“手脚肌肉控制器”

大白话：光有大脑还不够，机器人还得会"动手"。

你让它"倒杯水"，它得知道：用多大力气抓杯子？太用力会碎，太轻会掉。

VLA（视觉-语言-动作）模型，就是把你的指令（Language） + 它看到的画面（Vision），直接翻译成机械臂的关节角度、手指的力道。它解决了从“语义理解”跨越到“物理控制”的鸿沟。

代表工作：Google 的 RT-2 / RT-X 系列、OpenX-Embodiment 开源机器人大脑数据集及相关具身框架。

• 具身智能（Embodied AI）：是一个完整的技术生态与终极目标——指拥有物理实体（如人形机器人、四足狗、机械臂甚至自动驾驶汽车）、能够与物理世界实时交互的智能系统。

• VLA 模型（Vision-Language-Action）：是具身智能机器人的底层控制大脑。

致命局限： VLA 本质是“反应式”的——它只知道此刻该怎么动，却无法预判“动完之后世界会发生什么”。这就是为什么VLA 必须与世界模型结合。

**最新前沿：WAM（世界动作模型）**将二者融合，联合预测未来状态与动作 p(s′,a∣s,l)。让机器人从单纯的“条件反射”，进化为“三思而后行、可预测、可验证”的终极自主智能。

2.10 智能体（AI Agent）——机器人的“数字执行官”

• 大白话：前面的大模型都是“嘴炮高手”，你问它“如何订机票”，它给你列个一二三四；而 AI Agent 是“行动派”，你一句“帮我订一张明天飞上海最便宜的机票”，它直接掏出工具帮把你票买好。

• 核心机制：基于 LLM / MLLM 作为中央大脑，配备了记忆（Memory）+ 规划（Planning）+ 工具调用（Use Tools / API），形成了 感知 → 思考 → 行动 → 观察 的闭环，它就进化成了能替你干活的 Agent，可以自主规划任务步骤、查阅资料、调用外部 API 执行代码，甚至遇到报错时自我纠错，直到把复杂任务彻底完成。

• 代表范式：AutoGPT、Claude Computer Use（操作人类电脑界面）、各类自动化 Workflow 智能体流。

2.11 混合专家架构（MoE, Mixture of Experts）—— 大模型的“超级智囊团公司”

• 大白话：传统大模型（Dense 稠密模型）回答问题时，必须动用全身上千亿参数，耗电高且慢。MoE 架构则像开了一家“综合咨询公司”。

解决的矛盾： 模型想变聪明就得变大（加参数），但变大就会导致算力成本刺客。

• 核心机制：把一个庞大的模型拆分成几十个专注于不同领域的“小专家”（如数学专家、代码专家、文学专家），并在前面配一个“智能路由调度员（Router）”。

• 优势：当遇到代码问题时，调度员只唤醒代码与逻辑专家，其他专家“休眠”。总参数量极高（智商高），但每次激活参数很少（省算力、速度快、成本极低）。

• 代表选手：Mixtral 8x7B、DeepSeek-V3 / R1（极低成本训出顶级性能的核心功臣）。

三、大模型的"前世今生"：几个必须记住的时间节点

很多人以为大模型是"横空出世"的。其实它走了整整 70 年。

这条时间线，你只要记住 6 个节点就够了。

年份	事件	一句话意义
1956	达特茅斯会议	"人工智能"这个词正式诞生，AI 学科开张
2012	AlexNet 夺冠	深度学习一战成名，AI 从"规则"转向"学习"
2017	Transformer 架构提出	⭐ 最关键的转折点，今天所有大模型的"祖师爷"
2020	GPT-3 发布（1750 亿参数）	参数规模跨过临界点，"涌现"现象被看见
2022.11	ChatGPT 上线	大模型从实验室走进寻常百姓家
2024–2025	推理模型崛起（o1 / R1）	AI 从"脱口而出"进化到"先打草稿再回答"

重点说说 2017 年那篇论文

这一年，Google 团队发表了一篇论文，标题很霸气：

《Attention Is All You Need》（注意力就是你所需要的一切）

它提出了 Transformer 架构。

为什么它这么重要？

因为在它之前，AI 读一句话像"逐字念书"，读到后面就忘了前面（专业叫"长距离依赖"问题）。而 Transformer 的注意力机制，让模型可以同时看到整句话，并且知道"哪个词和哪个词关系最铁"。

更关键的是：它能并行计算——这意味着可以"堆显卡、堆参数、堆数据"，把模型越做越大。

一句话总结：没有 Transformer，就没有今天的大模型。

而今天你听到的 GPT、Claude、Gemini、DeepSeek、Qwen……底层几乎都是 Transformer 的徒子徒孙。

再说说 2020 年的"涌现"

GPT-3 发布时，研究者发现了一个反常识的现象：

当模型大到一定程度，它会突然"开窍"。

小模型只会做"词语接龙"，而大模型突然就会：

这种"量变引起质变"的现象，学术上叫 Emergent Abilities（涌现能力）。

这就是为什么大家拼命"卷参数"——因为谁也不知道，下一个临界点会在哪里出现。

---

四、传统小模型 VS 千亿大模型：到底差在哪？

这一节是重点。因为搞懂了这个区别，你就真正理解"大模型"三个字的分量了。

先给你一张对照表（建议收藏）：

对比维度	传统小模型	千亿级大模型
核心定位	垂直领域的"专用专家"	通晓百业的"全能通才"
参数规模	百万级 ~ 十亿级	千亿级 ~ 万亿级
典型代表	BERT、ResNet	GPT、Claude、Gemini、DeepSeek
泛化能力	只会在训练过的任务上干活	跨领域迁移，举一反三
上下文能力	短文本记忆，"健忘"且割裂	超长上下文，长篇逻辑连贯
训练范式	预训练 + 下游任务微调	海量自监督预训练 + 提示词/上下文学习
边际成本	高：每加一个任务，就要重新标注、重新训练	低：换个提示词，就能干完全不同的活
数据需求	依赖人工标注的高质量数据集	吞噬海量未标注的互联网文本
核心缺陷	泛化差、易过拟合、缺常识	会"一本正经胡说八道"（幻觉）、成本高

4.1 本质区别：从"专用工具"到"通用智能"

传统小模型，像一把把专用工具。

**传统专用模型通常围绕明确任务设计。例如：**这些模型在任务边界清晰、数据充足、评价指标明确的场景中，往往非常有效。

大模型，像一个"通才员工"。

大模型则通过大规模预训练获得更广泛的基础能力。这就是范式转变：从"一个任务一个模型"，到"一个模型千种任务"。

同一个语言模型可以回答问题、总结报告、翻译内容、生成代码，也可以在合适的上下文和工具支持下完成更复杂的任务。

这并不意味着它在每一个任务上都比专用模型准确。

4.2 三个词，记住它的"超能力"

能力	大白话解释
涌现能力	大到一定程度，突然就会了（量变引起质变）
上下文学习（ICL）	不用重新训练，你给它几个例子，它当场就学会
通用泛化	没见过的任务，也能摸着石头过河

4.3 从"为每项任务单独训练"到"一个基础模型适配多个任务"

传统机器学习经常需要：

任务 A → 准备数据 → 训练模型 A
任务 B → 准备数据 → 训练模型 B
任务 C → 准备数据 → 训练模型 C

大模型的典型应用路径则可以是：

大规模预训练模型
           ↓
         基础能力
           ↓
 ┌─────┼─────┐
 ↓        ↓         ↓
提示词     微调       RAG
 ↓        ↓         ↓
任务A     任务B      任务C

这是一种更灵活的任务适配方式，但不是说一个模型就能无成本地解决所有业务问题。

4.4 祛魅时刻：别神化大模型，它有天然的“基因缺陷”

这一点我必须说清楚，否则就是不负责任的盲目吹捧。

大模型的底层逻辑是**“基于概率的文字拼接”**，这就决定了它天然带有三大硬伤：

1. 会“幻觉”（一本正经地胡说八道）： 它是“概率复读机”而非“真理裁判所”，不懂装懂是它的本能。

2. 缺“真逻辑”（知其然而不知其所以然）： 它看似懂算术、懂推理，很多时候只是因为“背过相似的题”，而不是真正理解了底层公式。

3. 无“物理常识”： 它没有真正活过，不懂哪怕最简单的现实物理常识（这也是为什么现在需要“世界模型”去补救）。

所以，请记住这句箴言：大模型是极其强大的“副驾驶”，但你才是紧握方向盘的“机长”。它可以代替你“思考的体力”，但永远无法代替你“判断的责任”。

4.5 大模型会全面取代小模型吗？

答案是：不会。

举个企业应用的例子：

实际项目中，完全可以采用：

专用模型负责高确定性任务，大模型负责复杂交互、知识组织和任务编排，两者协同工作。

这才是更现实的技术路线。

五、给零基础同学的 3 个"避坑提醒"

5.1 基座模型（Foundation Model）是什么？

Foundation Model 通常译为基座模型或基础模型。

斯坦福大学研究团队在 2021 年发布的《On the Opportunities and Risks of Foundation Models》中，对这一概念进行了系统讨论。它强调的是：模型在广泛数据上进行大规模预训练，形成可迁移的基础能力，并能够被适配到多个下游任务。

例如：

一个经过大规模预训练的语言模型，可以进一步通过指令微调、领域微调、提示词、RAG 等方式，应用于客服、知识问答、文本分析、代码辅助等场景。

注意，基座模型并不等于某一种固定架构，也不必然意味着模型具备所有通用智能能力。

5.2 大模型不等于大语言模型

先记住一个关键关系：大语言模型是大模型中的一种，不是大模型的全部。

• 大模型（Large Model）是一个相对宽泛的行业称呼，通常强调模型规模、数据规模、训练计算量及任务能力等方面达到较大规模。

• 大语言模型（Large Language Model，LLM）则主要指以语言为核心建模对象、通过大规模文本或代码等序列数据训练的模型。它擅长：因此，LLM 可以看作大模型家族中的重要成员。

5.3 参数量是什么？是不是越大越聪明？

**参数（Parameters）：**可以理解为模型在训练过程中不断学习和调整的内部数值，主要包括权重（Weights）和偏置（Biases）。这些数值共同决定模型如何识别信息、提取特征、建立关联并生成结果。

**参数量：**就是模型内部可学习参数的总数量。 常见单位：

• K（千）：1K = 1,000

• M（百万）：1M = 100万

• B（十亿）：1B = 10亿

• T（万亿）：1T = 1万亿

例如，一个 70B 模型，通常表示它拥有约 700 亿个参数。

但有一个非常重要的误区：参数越多，不代表模型就越聪明，更不代表它在所有任务上都越好。

参数量主要反映模型的规模和潜在表示能力，实际表现还取决于训练数据的质量与覆盖范围、模型架构、训练方法、后训练策略以及具体任务。

因此，一个规模较小、经过高质量领域数据训练和针对性优化的模型，完全可能在特定业务任务上超过更大的通用模型。

还有一个特殊情况：MoE（混合专家模型）。

MoE 模型通常包含多个专家网络，但每次处理输入时，只会通过路由机制激活其中一部分专家。因此，需要区分：

• 总参数量：模型中所有专家及其他组件的参数总和。

• 激活参数量：单次推理实际参与计算的参数量。

这意味着，MoE 模型即使总参数量很大，单次推理所需的计算量也不一定与同规模的稠密模型相同。

记住：参数量代表模型的规模，不是智力评分。模型真正的能力，要看它学到了什么，以及能否在实际任务中表现出可靠的效果。

5.4 大模型是怎么学会回答问题的？

以典型的大语言模型（LLM）为例，可以把它的形成与应用过程分为三个阶段。

第一阶段：预训练（Pre-training）——大量阅读，学习语言与知识规律。

模型在海量文本数据上进行训练，逐步学习词语、句子、上下文之间的关系，以及数据中蕴含的知识和规律。

对于典型的自回归语言模型，可以简单理解为：根据前面的上下文，预测下一个 Token。

Token 是模型处理文本的基本单位，可以是一个字、一个词的一部分，也可以是其他文本片段，并不总是等于一个汉字或一个英文单词。

第二阶段：后训练（Post-training）——学习如何更好地完成任务。

在预训练基础上，通过监督微调（SFT）、偏好优化、强化学习等方法，进一步提升模型的指令遵循、任务完成和复杂问题处理能力，并优化回答质量与安全性。不同模型采用的后训练方法和具体流程并不完全相同。

第三阶段：推理（Inference）——根据问题生成答案。

用户输入问题后，模型利用训练阶段形成的参数，结合当前输入和上下文，逐步生成 Token，最终形成回答。需要注意：推理不等于训练。 模型在正常推理过程中，通常不会因为回答了一个问题，就自动更新参数或永久记住新知识。

不过，模型可以利用当前对话中的信息调整回答，这称为上下文学习（In-context Learning），但不等于模型本身完成了持续训练。

可以用一个简单的比喻：

• 预训练： 像一个学生大量阅读书籍，积累知识、学习语言规律。

• 后训练： 像老师针对性辅导，让学生学会理解题意、遵循要求、规范答题。

• 推理： 像学生参加考试，根据已经掌握的知识和当前题目，组织答案并完成作答。

记住：预训练打基础，后训练提能力，推理负责实际应用。

六、本篇小结：

一句话带走全文：一个家谱、一张门票、一条时间线、一次跃迁、一条底线。

① 家谱要理清 —— AI 是老祖宗

AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大模型，层层相套，不是四个并列的兄弟；而 Transformer 是所有大模型共同的"祖师爷"。

② 门票要拿稳 —— 大模型是个"俱乐部"

大模型不是某个具体模型，而是一张"体量入场券"。进门后各练一门绝活：LLM 是"文科脑"，多模态是"全感官"，推理模型是"深度思考脑"，世界模型是"理科脑 + 小脑"，VLA 是"手脚控制器"。

③ 时间要记牢 —— 四个年份定乾坤

2017 Transformer（分水岭）→ 2020 GPT-3（涌现）→ 2022 ChatGPT（出圈）→ 2024–2025 推理模型（先打草稿）。

④ 跃迁要看懂 —— 从"专用工具"到"通用通才"

小模型是"一个任务一个模型"，大模型是"一个模型千种任务"；超能力是涌现、上下文学习与通用泛化。

⑤ 底线要守住 —— 它是副驾驶，你是机长

大模型 ≠ 大语言模型；参数多 ≠ 更聪明；它会"一本正经地胡说八道"。思考的体力交给它，判断的责任留给你。

本文是「AI 大模型零基础教程」系列第 1 讲。 用大白话讲专业事，我们下篇继续。