saas建站源码下载,网络营销推广引流方法,年终总结汇报ppt模板,怎么弄网页本文原创作者：姚瑞南 AI-agent 大模型运营专家，先后任职于美团、猎聘等中大厂AI训练专家和智能运营专家岗；多年人工智能行业智能产品运营及大模型落地经验，拥有AI外呼方向国家专利与PMP项目管理证书。（转载需经授权） 目录
一、什么是语言模型？
那么什么是语言模… 本文原创作者：姚瑞南 AI-agent 大模型运营专家，先后任职于美团、猎聘等中大厂AI训练专家和智能运营专家岗；多年人工智能行业智能产品运营及大模型落地经验，拥有AI外呼方向国家专利与PMP项目管理证书。（转载需经授权） 目录
一、什么是语言模型？
那么什么是语言模型？
为何是通讯问题？为何转换成通讯问题后，就能实现语音识别？
那如何解决这个问题？
二、如何计算概率？
第一阶段是统计语言模型（Statistical Language Model，SLM）
第二阶段是神经网络语言模型（Neural Language Model，NLM）
第三阶段是预训练语言模型（Pre-trained Language Model，PLM）
第四阶段是大语言模型（Large Language Model）
三、开发大语言模型需要什么？
关键一：数据
关键二：算法
关键三：算力
四、大语言模型有什么缺点？
缺点一：结果高度依赖训练语料
缺点二：Hallucinations
缺点三：暂时只能解决数学问题 一、什么是语言模型？
大家或多或少都听过 ChatGPT 是一个 LLMs，那 LLMs 是什么
LLMs 全称是 Large Language Models，中文是大语言模型。 那么什么是语言模型？
语言模型简单说来，就是对人类的语言建立数学模型，注意，这里的关键是数学模型，语言模型是一个由数学公式构建的模型，并不是什么逻辑框架。这个认知非常重要。 最早提出语言模型的概念的是贾里尼克博士。
他是世界著名的语音识别和自然语言处理的专家，他在 IBM 实验室工作期间，提出了基于统计的语音识别的框架，这个框架结构对语音和语言处理有着深远的影响，它从根本上使得语音识别有实用的可能。在贾里尼克以前，科学家们把语音识别问题当作人工智能问题和模式匹配问题。而贾里尼克把它当成通信问题。
为何是通讯问题？为何转换成通讯问题后，就能实现语音识别？
根据香农确定的现代通讯原理，所谓的通讯，也被称为信道的编码和解码，信息源先产生原始信息，然后接收方还原一个和原始信息最接近的信息。 比如，你打电话的时候，问对方一句「你吃了晚饭了吗」，在传输前，通讯系统会对这句话进行编码，编成类似「100111101100000…」，但是传输过程中，一定会有信号损失，接收方收到的编码可能是「1001111011000…」，此时我们就没法解码回原来的句子了。 那如何解决这个问题？
我们可以把与接收到的编码「1001111011000…」类似的句子都罗列出来，可能的情况是： 吃了晚饭了吗你吃了饭了吗你吃了晚饭了吗你吃了晚饭了然后通讯系统会计算出哪一种的可能性最大，最后把它选出来。只要噪音不大，并且传输信息有冗余，那我们就能复原出原来的信息。
贾里尼克博士认为让计算机理解人类的语言，不是像教人那样教它语法，而是最好能够让计算机计算出哪一种可能的语句概率最大。 这种计算自然语言每个句子的概率的数学模型，就是语言模型。
二、如何计算概率？
既然是数学模型，那应该如何计算呢？ 最简单的方法，当然就是用统计学的方法去计算了，简单说来，就是靠输入的上下文进行统计，计算出后续词语的概率，比如「你吃了晚饭了吗」，「你吃了」后面按照概率，名词如「饭」或「晚饭」等概率更高，而不太可能是动词，如「睡」「睡觉」。
第一阶段是统计语言模型（Statistical Language Model，SLM）
这是语言模型的第一阶段，模型也被称为是统计语言模型（Statistical Language Model，SLM），其基本思想是基于马尔可夫假设建立词语测模型，根据最近的上下文预测下一个词。
后续语言模型的发展又迭代了三个版本。 统计语言模型是自然语言处理（NLP）中的一种核心技术，主要用于根据单词的历史序列来计算语句的概率。这种模型基于大量的文本数据来学习单词之间的统计规律，从而能够预测接下来可能出现的单词或者生成整个句子。 统计语言模型主要有以下几种类型： N-gram模型：这是最简单的统计语言模型，它通过计算前N−1N-1个词出现后某个词出现的概率来进行预测。例如，一个三元模型（trigram model）会考虑前两个词来预测第三个词。 隐马尔可夫模型（HMM）：这种模型用于序列数据处理，特别是在语音识别和某些类型的文本处理中，它假设每个单词由一个隐藏的状态生成，而这些状态之间的转移概率是可学习的。 条件随机场（CRF）：这是一种用于预测序列数据标签的统计建模方法，广泛用于命名实体识别和其他NLP任务。 随着技术的进步，基于深度学习的语言模型，如Transformer和BERT，开始取代传统的统计语言模型，提供了更高的准确率和灵活性。这些模型使用大规模的语料库进行预训练，能够捕捉更深层次的语义关系，并在各种NLP任务中表现出色。
