从原理切入，看大模型的未来，非常详细收藏我这一篇就够了

相信大家都接触过大模型，比如 DeepSeek、豆包、ChatGPT 等生成式 AI 应用，当用户输入相关信息后，大模型就会快速输出相应的结果：文字、图片，甚至是视频。这是大家对大模型最常见的认识——效率工具。可当笔者看到25年底的《罗永浩年度科技创新分享大会》时，那段罗永浩和豆包的辩论彻底吸引住了笔者的眼球。

在吃瓜的同时，笔者关注了两个重点：“吵架能吵出心流”、“你还训练过情绪是吗”。通过罗永浩对豆包的感知，他道出了C端产品的本质：面向个体化用户重视情感的设计，通俗一点即抓住人的心/记忆点。正因这场辩论，笔者对大模型未来的发展也有了新的思考，本文就从大模型的原理切入与大家一块探索。

关于原理，大家耳熟能详的是大模型将用户的输入信息，基于公域或私域数据的计算，生成输出的过程（如下图所示）。

常见的 AI 应用，也是围绕输出的两个维度展开的（如下图所示）。

一开始，笔者也只是了解这些体感可察的内容，脑子中最常想的还是那些偏工程性的应用方案。当笔者试图反向顺着“输入 → 数据计算（模型） → 输出”的流程对“数据计算（模型）”深入了解时，发现在“输出”之前还有“自训练”、“引导优化”两个环节（如下图所示）。

首先，先梳理自训练这个环节。它主要包括两个阶段，一个是通过干预数据（“喂”打标数据），并配置其内部的参数（神经网络权重，笔者在网络上整理了如下图所示的一些主流参数），定性了最初的基础模型。这一阶段就相当于编译了大模型的 DNA，定义了大模型的属性。另一个阶段是通过自生成内容（比如用户和大模型一次次对话反馈），再训练或优化自己，有点像一个学生在课堂之外通过接触其他信息源培养的能力或习惯。

接着，再梳理引导优化这个环节。在梳理前先说个生活中的故事，去年笔者在训练自家娃表达是与不是时，笔者会把他面前玩具一一拿起，然后对他说：“这个是不是你想要的玩具？是的话点头，不是的话摇手（说着笔者还做了相应的动作）。”在经过4次对话后，笔者终于找到了自己娃喜欢的玩具，他也学会表达是与不是，这个过程就很像 prompt 工程——像对待孩子一样，引导其解决问题。

看完这里，你会不会突然发现大模型的打磨和一个孩子的成长很像？没错，你看孩子的成长其实分为三块：基因决定 + 环境影响 + 专业教育，而大模型的打磨也可以分成三块：基因决定（数据干预与参数配置） + 环境影响（自我训练或优化） + 专业教育（prompt 工程）。

也许大家也想过 AI 会替代自己而导致失业的焦虑，当我们都在关注“输出”侧的效率提升时，就会陷入“手工纺织者与纺织机拼效率”的陷阱。通过对大模型原理的深入，仍会发现针对“模型计算”相关的领域也充满着大量机会。我们还可以在大模型打磨公式的三个因子上寻找机会：你可以成为技术极客去对大模型的底层基因进行改造，让它有更多可能性；你也可以成为 AI 训练师引导大模型的人文发展，让它变得有“活人感”；你还可以参与 AI 的秩序共建，去规范安全边界让他成为一个“好人”。人类和 AI 一定是彼此共生的关系，也必须相互成全，彼此才有存在的意义。就像马歇尔·麦克卢汉说的那句话：我们塑造了我们的工具，然后我们的工具又塑造了我们。