写在前面：

本文是基于吴恩达LLM大模型课程的笔记，原课程链接👇

https://www.bilibili.com/video/BV1sMEyzhEM3?p=3&vd_source=63519f93e4f8f7f1e241ad9a3ea478df

生活中的大语言模型

在日常生活中，也许你会以为大模型就只是一个会聊天的机器人，帮你快速搜索的工具，但其实他的能力很强，不单单只是语音，检索信息那么单一。

在之前我们有提到，LLM的核心技能是预测下一个词，但这只是基础。这就像是一个骨架，在骨架的基础上，我们用各种各样的积木去搭建功能性更丰富的内容。

因此我们不难理解，其实我们在用的都是其他人用不同的大模型+不同的“积木”搭建出来的东西，所以大模型本身的“可玩性”特别的高。这就是在之前我们有提到大模型的涌现属性。

大模型的应用场景

我们既然已知大模型的高可玩性，那我们去看看在我们生活中，那些已经被搭建好的大模型可以帮助我们干什么呢？下图是一些案例👇

根据你的需求来写一篇文章

信息检索

自然语言互译

自然语言转机器代码

甚至可以通过调用api的方式与现实世界交互

......

那为什么大模型越来越厉害了呢？也正如上一篇文章所说，正是因为他们变得越来越大了

模型规模与性能

那是不是小模型就是不好？非也

我们拿生活举个例子（在理想条件下），我现在有一个有关于CV（计算机视觉）的学术性问题，并且我现在可以去问两位前辈：一位是在大学中教通用计算机的老师，另一位是专门研究NLP的教授。如果是你，你会选择问谁？

那必然是那位更精通的教授。

但是能不能问那位通用计算机的老师呢？当然可以，只不过他的优势在于他教授知识的范围广（同时他需要记忆的内容多），而教授则是在CV领域研究的更加深度（但相对于前者记忆的内容少）。

那我们回到大模型的概念中来：

有时候，针对某个特定的任务，我们可以对一个相对较小的模型进行微调，让它在这个领域变得特别专业，就像一个专家一样。

综上：需要根据需求来选择模型的参数