「你爷爷一开源，我爷爷就自主」，这句话用来讽刺个别国内创业公司的商业吹嘘。
然而事实上，通用大语言模型的开源，大大降低了AI领域的创造力门槛，是本世纪最具意义的轮子之一。
如今大模型企业百花齐放，如果你想转型成AI产品经理或相关工作，那就有必要对这些事物有个极简的了解
两步拥有大模型
如果你现在就建立一间公司，推出一个大模型只需要两步：
- 下载开源大模型
- 微调
「微调」，一切基于开源模型的企业的所有技术工作都围绕这两个字展开。
数据变模型的基本方法
理解微调，就必须理解「机器」（可以理解为函数体）是如何学习人类拥有的知识成为一个智能体的。
让机器来反复大量的学习数据，并找寻其中的规则，这个训练过成被称之为机器学习，任何大模型，都是通过机器学习的方式诞生的。
大体上，机器学习的方式可以分为「监督学习」、「无监督学习」。（先不需理解其它如强化学习等概念）
有监督学习
在有监督学习中，训练数据有明确的标签，有固定的对应关系，通过这个关系来寻找数据整体的规律。
例如我们拥有世界上很多人的婚姻数据，我们知道每个丈夫的个人信息以及她妻子的个人信息。
通过这些数据，我们训练出一个模型，输入一个男士的个人信息，就能预测出他可能会找到什么样的老婆。
这个训练过程，就是有监督学习。
无监督学习
如果对应关系没有了，我们只知道世界上很多人的个人信息，知道他们的婚姻状态，但不知道他们之间的关系。
这就需要无监督学习，让机器自己去寻找数据之间的关系，最终训练的模型虽然不能预测一个人未来的老婆是什么样，但能预测出他娶到媳妇的概率大不大，有没有可能离婚。
大语言模型用到的机器学习方法
那大语言模型用到的是什么机器学习方法呢？
大预言模型通过对人类语言数据的学习，获得了语言的统计规律和模式，在模型中输入一个词，模型就依据训练得出的统计规律输出下一个词，如此循环，就能说各种人话了。
在这个训练过程中，人类的语言数据只是输入，并没有显式的标签和对应关系，所以理论上，这属于无监督学习。
但是，既然用人类已有的语言数据作为输入，那在预测下一个词时，实际上「正确答案」已经存在了，从这一点看，就有了有监督学习的成分。
好，两个概念重叠，就可以创造一个新的概念：自监督学习。
如果面试官问你ChatGPT是用什么学习方法训练的，你可以回答无监督学习，然后展开上面的内容。或者直接回答自监督学习。但不要回答有监督学习。
微调
通用大预言模型在训练好之后，本身就是需要使用有监督学习的方法进行微调，具体的做法可以简单理解为通过问题与答案的对应关系来继续训练，调整参数，使模型的任务表现更符合产品的预期。
作为一个开源模型，完成了以上步骤，撰写一个开源许可证，就可以荣耀发布了。
还是微调
这个开源大模型被一个企业获得后，一切的技术工作仍然要围绕微调展开，就像国内大多数AI公司正在做的那样。
这是因为，开源模型仍然是预训练的通用模型，它被设计用来在人类的各种任务中获得均衡的表现。
而使用开源模型的企业，就需要对模型进行二次微调，让模型更适合自己的业务。
调什么
当你问一个AI初创公司你们要做什么时，这个问题与「你们要调什么」基本上是等价的。
继续以上面预测婚姻的模型为例，创业者张三要设计一款名为村村乐的模型，用来预测农村光棍的婚恋情况。
那上面的婚姻预测模型就不合适了，因为那个模型是基于全球数据训练的，对中国农村光棍这个细分群体的预测能力并不够。
于是张三使用了中国农村婚恋数据对模型进行微调训练，通过很多次的训练和评估，模型的性能和表现符合预期，于是村村乐模型就诞生了。
回到开源通用大模型，就可以对开源模型的微调理由进行归纳：
- 人类每一秒都在产生新知识，模型在发布的下一秒，其中的很多知识就已经过时了
- 大模型的智力均衡性，通用大模型无法在某一特定领域分配更多的智力。
- 大模型的人格模糊性，不同领域需要大模型表现的人格特征不同。
- 数据的主观性，模型学习的是人类所有的主观数据，在某些领域，需要使用更客观和严谨的数据。