简介：厦门大学大数据教学团队林子雨副教授的《大模型概念、技术与应用实践》科普PPT，面向高校师生、技术初学者以及希望系统理解大模型与AIGC应用的从业者，帮助建立从人工智能发展脉络到大模型原理、部署与智能体的整体认知。资源为单份PDF，共1个文件，约14.41MB，140页幻灯片式内容便于通读、课堂分享与知识梳理。目前已有663人学习。内容从人工智能发展简史、图灵测试与达特茅斯会议切入，讲解人工智能思维、大模型概念与发展历程、原理特点、分类、行业应用、对工作生活的影响、本地部署及基于大模型的智能体，并延伸到AIGC应用实践。读者可借此搭建大模型知识框架，理解DeepSeek等产品的技术背景，获得可复用的课程提纲与科普讲解素材。

1. 一张地图先铺开：大模型这门方向到底在讲什么

大模型、DeepSeek、AIGC 这几个词现在几乎绑在一起出现，可摊开看，它们是同一条线上的三个刻度：大模型是底座，DeepSeek 代表底座上被反复讨论的一类开放路线，AIGC 是它长出来的应用层。很多人名词背了一堆，被问一句「Transformer 和 GPT 到底什么关系」就卡住，问题不在记性，在于脑子里没有一张能把东西挂上去的地图。这份材料的目录恰好按「人工智能简史 → 人工智能思维 → 大模型概念与技术 → AIGC 应用实践」排了一遍，顺着走正好补上这张图。它适合两类人：正在系统学大模型、需要一份能对着复习的骨架的；以及学过一阵、想快速查漏补缺的。

2. 简史与思维：图灵测试、阶段划分和「了解—区分—协作」

历史部分看着像科普，实际是整份材料的坐标系。后面讲大模型为什么是「前沿」，讲的是它站在哪一段历史的肩膀上；讲人工智能思维，讲的是普通人该用什么姿势面对它。这两块如果只当故事听，复习时就会出现「年份记得住、意义说不清」的尴尬。梳理下来会发现，这一章真正要你记住的只有三件事：一个判据、一条脉络、三种姿态。

2.1 图灵测试：三要素与它的边界

1950 年那篇《计算机器与智能》开篇抛出的问题是「机器能思考吗」，随后给出的不是定义，而是一个可操作的替代方案：既然「思考」没法直接观测，那就改测外部行为。做法是测试者与被测试者隔开，被测试者一边是人、一边是机器，测试者通过键盘之类的装置随意提问，多轮之后看结果。

判据的原文表述是：如果机器让平均每个测试者做出超过 30% 的误判，就认为它通过了测试、具有人类智能。这里最容易记错的是主客体方向——30% 说的是「被机器骗过去」的比例，不是「机器答对题」的比例，也不是「机器被判成人」的绝对次数。复习时把它压缩成三要素最稳：隔离提问、多轮交互、30% 误判率。

它的价值在于把哲学问题工程化，局限也在这里：测的是「像不像人」，不是「懂不懂」。一个只会迎合提问者、说话滴水不漏的系统，完全可能在行为层面骗过测试者，却在事实层面一塌糊涂。今天大模型的语言能力早就远超当年的想象，但「流畅」与「可靠」之间的那道缝，依然是这门课里最需要保持警觉的地方。

提示：这一节考的是「判据方向」，不是年份。把 30% 记成「答对率」是最常见的失分点。

2.2 六个阶段与未来的五个阶段怎么记

从 1956 年被称作「人工智能元年」算起，发展历程大致被切成六个阶段。原讲义里这部分是一张时间轴图，光看年份很难记住，建议换一根线：每一阶段解决了上一阶段的什么瓶颈。早期是符号推理和专家系统，靠人把知识一条条写进去，规则一多就维护不动；随后转向机器学习，让模型自己从数据里找规律，但浅层模型表达能力有限；深度学习把层数堆上去，特征不用手工设计了，代价是算力和数据；再往后就是预训练大模型，把「一个任务训一个模型」变成「一个大模型适配多种任务」。

1956 年夏天那场研讨会值得单独记一笔：一群学者凑在一起讨论机器智能的可能性，会上「人工智能」这个说法第一次被正式提出，这一年也因此被视为学科的起点。至于未来的五个阶段，材料给的是趋势判断而非定论——更强的自主性、从「会生成」走向「会做事」、与智能体结合等等。复习时把它当作方向感来用就够了，不必当成必须逐条背诵的清单。

这张表建议手抄一遍。它把第二章的历史和第三章的技术连成了一根线，考试或者面试被问到「大模型是怎么来的」，从这张表往外讲，逻辑不会散。

2.3 人工智能思维：了解、区分、协作三层

材料把普通人该有的姿态拆成三层，这个拆法比很多长篇论述都干净：了解——知道它的基本运行模式，知道它是按概率生成下一个词，而不是去数据库里检索一条标准答案；区分——分得清哪些事该交给人拍板，哪些事交给机器更划算；协作——懂得怎么把任务拆给它、怎么校验它给的结果。

三层里最容易被跳过的是「了解」。跳过它的人往往会走向两个极端：要么觉得它无所不能，把关键判断也交出去；要么觉得它就是个高级玩具，一次答错就再也不用。真正实用的心态在中间——把它当成一个知识面很广、表达很顺、但不保证事实正确的实习生。你会让它写初稿、列提纲、做格式转换，但涉及数字、结论、对外表述，你会自己再过一遍。

落到复习上，这一节的价值是给后面的技术章节定调。等你读到「幻觉」「上下文窗口」「温度参数」这些词时，会发现它们全都在解释同一件事：为什么这个实习生会一本正经地胡说，以及你能用什么旋钮去降低这种概率。

3. 概念与参数：大模型的「大」、四个能力和分类维度

这一章是整份材料的地基。地基不牢，后面讲发展历程、讲本地部署、讲智能体，全都只能靠背。梳理下来会发现，概念部分真正需要记牢的就三块：一个定义、一组数字、四个能力特点。定义决定你怎么向别人解释，数字决定你对规模的直觉，四个特点决定你能不能判断一个场景适不适合用它。

3.1 「大」到底大在哪：三个维度与几个关键数字

大模型通常指基于深度学习技术、具有海量参数、强学习能力和泛化能力、能处理和生成多种类型数据的模型。「大」不是形容词，它落在三个可量化的维度上：参数数量庞大、训练数据量大、计算资源需求高。三者是绑定的——参数堆上去，没有足够的数据喂会过拟合，没有足够的算力又训不完。

规模感最好用具体数字建立：

注意：跨模型的参数数字经常不可比。稠密模型和稀疏模型（MoE）的「总参数」和「激活参数」是两回事，看到十万亿这种量级先问一句是哪个口径，否则很容易得出「参数越大越强」的错觉。

这也解释了一个常见困惑：为什么有的模型参数量少反而更好用。参数只是容量上限，真正决定效果的是数据质量、训练策略和对齐程度。把「大」理解成「有更大的空间去装知识」，而不是「装得越多越聪明」，后面很多结论就顺了。

3.2 四个能力特点，以及它们背后的同一个机制

材料把大模型的能力归纳成四条：语言生成能力、学习能力、上下文理解能力、可迁移性。

语言生成能力指的是它能写出更自然流畅的句子，减少输出里的语病和前后矛盾；学习能力指它能从海量数据里吸收知识和模式，给出更准确的答案和预测；上下文理解能力指它能接住复杂语义和语境，产出更连贯的回应；可迁移性指一次训练得到的知识和能力可以迁移到不同任务和领域，不必每个任务重训一遍。

这四条听起来像四件事，追到底其实是同一个机制：自监督的下一词预测。模型在海量文本上反复练习「给定前文，下一个词最可能是什么」，练到足够好时，语言规律、事实关联、推理套路都被压缩进了参数里。可迁移性正来源于此——它学的不是某个任务的答案，而是语言的通用结构，所以换个任务只需要换个提示。

理解这一点，对后面判断场景特别有用。凡是「有大量文本可供学习、且输出允许存在一定不确定性」的任务，它通常表现不错；凡是「答案唯一且必须精确、或需要实时数据」的任务，它就容易翻车。这不是模型不行，是机制决定的边界。

3.3 分类维度与应用领域

「大模型」不是一个模型，而是一大类。复习时按维度切比按名字背有效得多：

• 按模态：语言模型、视觉模型、多模态模型。多模态是当前主线，能同时处理文本、图像甚至音视频输入。
• 按能力方向：偏理解的（分类、抽取、检索）和偏生成的（写作、绘图、代码）。
• 按开放程度：开放权重可本地部署的，和只能通过接口调用的。前者可控性强，后者省事。
• 按规模：从能在笔记本上跑的十亿级，到需要集群的万亿级。
• 按部署方式：云端调用与本地部署，这条线直接决定数据能不能出院区。

应用领域这块，材料给的是全景式列举，复习时不必逐条背，抓住「三类落点」更实用：内容生产（文案、脚本、翻译、代码）、知识服务（问答、摘要、检索增强）、流程自动化（表单处理、工单分派、智能体编排）。AIGC 这个词覆盖的正是第一类和第二类的大部分场景。

值得单独提一句的是 DeepSeek 这类开放权重路线带来的变化：模型权重可获取，意味着「本地部署」从大机构的专属变成了中小团队也能试的选项。它直接冲击的是数据敏感型场景——医疗、法律、教育、企业内部知识库，这些地方数据不方便出门，开放权重就成了刚需。分类维度里「开放程度」这一条，实际价值比看上去大得多。

4. 三段演进：CNN、Transformer 与预训练范式的技术账

发展历程这一章，很多人当成大事年表背，结果一到「为什么 Transformer 重要」就说不出来。换个角度：这三次跃迁每一次都在解决上一代的具体缺陷。CNN 解决的是「手工设计特征太累」，Transformer 解决的是「循环结构没法并行、长距离依赖记不住」，预训练范式解决的是「一个任务训一个模型太贵」。抓住「解决什么缺陷」，年份自然会跟着记住。

4.1 三段演进：从 CNN 到 Transformer 再到预训练

萌芽期（1950—2005）以 CNN 为代表。1956 年「人工智能」概念提出后，路线从基于小规模专家知识逐步转向基于机器学习；1980 年出现卷积神经网络的雏形；1998 年 LeNet-5 确立了现代卷积网络的基本结构，机器学习由此从浅层模型迈入深度学习，为自然语言生成、计算机视觉等方向的深入研究打下基础，对后续深度学习框架的迭代和大模型发展具有开创性意义。

沉淀期（2006—2019）以 Transformer 为代表。2013 年 Word2Vec 首次把词变成向量，让计算机能以数值方式理解文本；2014 年 GAN 诞生，深度学习进入生成模型研究的新阶段；2017 年基于自注意力机制的 Transformer 架构被提出，奠定了大模型预训练算法架构的基础；2018 年 GPT-1 出现，预训练大模型成为自然语言处理的主流——GPT 的全称就是「生成式预训练 Transformer」，三个词分别对应它的三个特征：会生成、先预训练、用 Transformer 结构；2019 年 GPT-2 跟进。

爆发期（2020 至今）以预训练大模型为代表。2020 年 GPT-3 把参数推到 1750 亿，在零样本任务上性能大幅提升；随后 RLHF（基于人类反馈的强化学习）、代码预训练、指令微调等策略陆续被引入，进一步提高推理能力和任务泛化；2022 年 11 月，搭载 GPT-3.5 的对话产品横空出世，凭借逼真的自然语言交互与多场景内容生成能力迅速引爆互联网，让大模型这个概念第一次进入普通大众的视野。

4.2 原理与术语：token、注意力、预训练与 RLHF

真正卡人的不是架构名，是一串工程术语。把它们按「数据流经过的顺序」串一遍，比孤立记忆有效得多：文本先被切成token（子词单元，中文一个字或半个词，英文常见词根），token 被映射成embedding向量，向量进入多层注意力结构，模型在每一步算出下一个 token 的概率分布，采样出结果，再拼回文本。

上下文窗口是这条流水线一次能装下的 token 上限。它决定了模型「一次能看多长」，超出部分会被截断——这是工程上翻车最多的地方之一，长文档问答效果差，十有八九是内容被截了而不是模型笨。温度（temperature）控制采样的随机性：接近 0 时几乎总选概率最高的词，输出稳定但可能呆板；调高则更发散。做概念题、抽取题应当往低调，写创意文案才往高调。

预训练是在海量无标注文本上做下一词预测，得到底座模型；微调是在少量任务数据上继续训练，让它适配具体场景；RLHF排在微调之后，用人类对回答的偏好排序来训练一个奖励信号，再据此优化模型，让它「答得更像人希望的样子」。三者的顺序不能乱，这是最容易记混的一处。

下面这段调用示例，把上面几个参数落到实际请求里：

import json import urllib.request # 请求体：字段名按常见对话接口约定，实际部署时以服务端文档为准 payload = { "model": "local-chat-7b", # 本地服务里加载的模型标识 "messages": [ {"role": "system", "content": "你是严谨的助教，只回答课程内的概念问题"}, {"role": "user", "content": "用三句话解释什么是上下文窗口"} ], "temperature": 0.2, # 概念题压低随机性，0~0.3 较稳 "max_tokens": 512, # 限制输出长度，防止跑题长篇 "top_p": 0.9 # 与 temperature 二选一为主，别同时大幅调 } req = urllib.request.Request( "http://127.0.0.1:8000/v1/chat/completions", data=json.dumps(payload).encode("utf-8"), headers={"Content-Type": "application/json"} ) resp = json.loads(urllib.request.urlopen(req, timeout=60).read()) print(resp["choices"][0]["message"]["content"])

这段代码的逻辑很直白：把对话历史按角色组织成 messages 数组发给本地服务，服务端返回生成结果。三个参数值得单独说明——temperature控制采样随机性，概念问答场景应压低到 0.3 以下；max_tokens限制单次输出长度，是控制成本和跑题的第一道闸；top_p是另一种截断采样空间的方式，和 temperature 同时大幅调整容易让输出变得难以复现。真正的坑在timeout：本地推理的首字延迟可能很长，超时时间设短了会直接报错，看起来像服务挂了，其实只是模型还在算。

4.3 本地部署、智能体与 AIGC 落地

本地部署这条线，材料给了完整路径。先算显存：粗略口径是「参数量 × 每参数字节数 × 1.2 左右的冗余系数」。FP16 精度下每个参数约 2 字节，一个 70 亿参数的模型光权重就要 14GB 左右，加上上下文缓存（KV Cache），16GB 显存的卡勉强够用；量化到 INT8 约减半，INT4 再减半但会有质量损失。这条算式能帮你在选硬件之前就判断可行性，比装完再发现跑不动划算得多。

智能体是把模型从「会回答」推到「会做事」的一层封装，通常包含三部分：规划（把目标拆成步骤）、工具（搜索、计算、调接口）、记忆（保存中间结果和长期偏好）。它在材料里被单列出来，是因为这代表了从 AIGC 到「AI 干活」的方向变化。复习时抓住一句话就够：模型负责决策，工具负责执行，记忆负责连续。

AIGC 应用实践这一块，材料的落点是场景而不是算法。写文案、做摘要、生成脚本、翻译、代码补全、知识库问答，这些场景的共同特征是「有大量文本可供学习、且允许人工复核」。反过来，凡是要求数字精确、时效性强、责任必须落到具体人的任务，都不适合直接交给它闭环。这条判断标准比背十个案例都管用。

5. 易漏点：五处最容易翻车的地方与补法

这一章是全篇最该反复看的部分。前面几章讲的是「应该记住什么」，这一章讲的是「你以为记住了其实记反了」。下面五条都是从复习和实际使用中最常出错的地方挑出来的，每条按「易漏在哪 → 为什么会漏 → 怎么补」写，照着自查一遍，比重新读一遍材料效率高。

5.1 概念层：三个容易张冠李戴的说法

易漏点一：把「参数大」直接等同于「效果好」。为什么会漏——材料在讲规模时列了一串震撼的数字（1750 亿、1.8 万亿、10 万亿），数字最容易被记住，因果关系最容易被跳过。补法是给自己加一句限定：参数是容量，效果取决于数据质量、训练策略和对齐程度三者共同作用，而且稀疏模型的总参数和激活参数根本不是一回事，跨模型比参数基本没有意义。下次看到「某模型参数超越某某」的说法，先问口径。

易漏点二：图灵测试的 30% 判据记反。为什么会漏——这个数字太醒目，而「谁被误判」这个方向在记忆里容易被抹平。补法是把判据写成一句完整的话再背：「机器让平均每个测试者做出超过 30% 的误判，即视为通过」。顺带记住它是行为主义判据，测的是像不像人，不是懂不懂，这条能顺手解释今天模型「流畅但不可靠」的观感来源。

易漏点三：把 Transformer 和 GPT 当成同一层级的东西。为什么会漏——GPT 的全称里就带 Transformer，两个词又总是一起出现，很容易混成一个。补法是画一个包含关系：Transformer 是 2017 年提出的网络结构（地基），GPT 是基于这个结构、采用「生成式 + 预训练」路线的模型家族（房子）。同理，BERT 也是 Transformer 的后代，只是走的是理解路线。把「架构」和「模型」两层分开，一堆名词立刻各归其位。

5.2 技术层：两个跳过就答不出来的细节

易漏点四：预训练、微调、RLHF 的顺序和职责搞混。为什么会漏——三个词在材料里出现的位置相近，都跟「训练」有关，不刻意区分就会糊成一团。补法是用一句话锁死顺序：先在无标注语料上预训练出底座，再用任务数据微调出能力，最后用人类偏好做 RLHF 调出「说话得体」。顺序颠倒讲不通——没有底座谈不上微调，没有微调直接上 RLHF 成本极高且容易跑偏。

易漏点五：把模型当数据库用，忽略上下文窗口与幻觉。为什么会漏——演示时它答得太顺，顺到让人忘了它在做概率生成。补法是记住两条硬边界：一是上下文窗口是硬上限，超长文档必须先切分再检索，别指望它「都读过了」；二是它对不存在的事实也会给出通顺答案，凡是数字、引用、结论，必须回到原始材料核对。工程上稳妥的做法是「检索 + 生成」组合，先捞出相关片段再让它基于片段回答，把「记忆」这件事交给检索，而不是交给模型参数。

注意：这五条里，第四条和第五条是真正会在实际项目里造成损失的，前面三条更多影响答题和表达。时间有限的话，优先补后两条。

6. 复习清单：把概念、技术、应用三层过一遍的自测表

复习这件事，最怕的是「看了一遍觉得都会，合上书一句说不出来」。比较稳的做法是分三遍走，每遍目标不同：第一遍求全，把目录当骨架，把每节的核心结论写成一两句话贴在骨架下面；第二遍求连，专挑跨章节的问题自问自答，比如「Transformer 为什么能取代循环结构，这个变化又怎么导致了大模型的爆发」；第三遍求准，只盯易错点，把上一章那五条当成判断题过一遍，能一句话说清对错和原因才算过。

具体到自测，下面这张表可以直接抄下来当检查清单，每一项都要能不看材料说满三十秒：

再补一个自己一直在用的小技巧：给每个核心概念写一张「三行卡片」——第一行是什么，第二行解决什么问题，第三行最容易和谁搞混。卡片不用长，逼自己压到三行，反而能暴露那些「好像懂其实没懂」的地方。我当时复习到「多模态」时就是这么发现问题的：能说出它指文本图像一起处理，却说不出它解决的是单一模态信息不全的问题，卡在第二行，说明只记住了名词。

还有一个血泪经验：别把材料从头到尾平铺着读第二遍。第一遍读完就立刻做一次自测，把答不上来的地方标出来，第二遍只读标出来的部分。我最早复习时习惯整本重看，看着看着就滑进了「熟悉感」的陷阱——每一页都眼熟，合上书还是串不起来。后来改成「先自测、再定点补」，同样时间能多过两轮。从那以后我每次复习任何一门技术，都强制先合上材料默写一遍骨架，再回去补窟窿。希望帮到你。

本文还有配套的精品资源，点击获取