AI大模型教程（详细图文）从零基础入门到精通，一篇全搞定，值得收藏！

DeepSeek-OCR研究揭示了AI高效处理信息的本质：通过视觉压缩技术实现10倍信息压缩(1000文字token→100视觉token)，并模拟人类记忆机制实现"智能遗忘"。近期对话高分辨率保存，远期对话低分辨率压缩，既节省资源又符合人类记忆规律，为AI长文本处理提供新思路。

---

划重点

AI如何像人一样“智能地遗忘”。

这两天，AI领域最火的当属DeepSeek的新模型。不过这次发布的只是个30亿参数的小模型，名叫DeepSeek-OCR。

说实话，我刚看到这个名字时第一反应是非常失望——OCR这类技术不是早就被做透了吗？难道DeepSeek还想在这个领域，和扫描全能王这种文档扫描细分领域的霸主一较高低吗？

但一个最朴素的好奇心驱使我去研究了一下：DeepSeek员工的薪资可不低，这么顶尖的AI人才，不可能只满足于花精力做一件意义不大的事。这就像一位顶尖作家，如果在文章里写了一句看似多余的话，我的第一反应肯定是“大师这么写一定有隐含的深意，没看出来只能说明我水平不够”。

看过论文之后我发现，人家压根不是为了做OCR而做OCR，而是在研究一个更根本的问题：AI处理信息时，用“看图”的方式比“读文字”能省多少力气？

今天这篇文章，我会尽量用通俗的语言，和你分享一下我的理解和感受。

先给不太了解AI的朋友，稍微解释下“token”是怎么回事。你可以把token理解成AI处理信息的“计价单位”，就像去菜市场买菜，有的按斤卖、有的按个卖一样。一个中文字大概对应1-2个token，一个英文单词则可能是1-3个token。

关键是，AI每处理一个token都要花钱，而且token越多，不仅花的钱越多，处理速度也会越慢。所以对AI来说，怎么用更少的token传递更多信息，就成了一个很关键的问题。

01 不只是文字OCR识别

你看，咱们平时上网总说“一图胜千言，无图无真相”，但这话到底只是文学修辞，还是真能拿出具体数据来证明？DeepSeek这次的小模型，就是要把这个问题掰开、揉碎、研究清楚。

惊人的信息压缩效率

他们通过实验发现：一篇包含约1000个“文字token”的文档，如果换成“看图”的方式处理，只用100个“视觉token”，就能以97%的精度还原出来。这是什么概念？相当于把信息直接压缩了10倍，而且几乎没丢东西。

更厉害的是，即便把压缩比提到20倍，信息准确率还能保持在60%左右。这就有点像压缩饼干，占的体积小，但该有的“营养”还能保留不少，能管饱。

不过这里要先明确一点：DeepSeek-OCR并不是真的像咱们用的扫描仪那样，先把文字转换成图片再处理，而是借用了“视觉理解”的逻辑来处理信息。

这就像人脑处理信息有不同的“通道”——有的信息适合用“听”来接收，比如一段音乐；有的信息适合用“看”来接收，比如一张图表。

AI其实也类似，DeepSeek这次就发现，面对文档这种文字密集的信息，用视觉模型的方式去编码、压缩，效率要比传统的纯文本处理方式要高效得多。

背后关键：DeepEncoder

这里面的关键，是他们专门设计的一个叫DeepEncoder的编码器。

至于“编码器”具体是什么，这里咱们不用深究，我给你打个比方就懂了：就像你整理衣柜，首先会把所有衣服都摆出来看一遍，然后把不常穿的衣服压缩装进真空袋，最后只把常穿的挂在外面，方便拿取。

DeepEncoder也是这个思路：首先用“窗口注意力”，一块一块地看清楚内容；然后通过压缩模块，把信息直接压缩16倍；最后用“全局注意力”，提取出真正有用的核心知识。

这样一套流程下来，既能把内容看明白，又不用消耗太多算力。

压缩效果对比

单说压缩效果，咱们直接拿数据说话。

现在市面上有个叫MinerU2.0的OCR模型，它是2025年8月上海人工智能实验室发布的开源工具，处理一页文档平均要用到6000多个token。而DeepSeek-OCR呢？只用不到800个token，就能超过它的效果。

这是什么概念？相当于别人得开着大卡车才能运完的货，DeepSeek开个小面包车就把活儿干完了，而且干得还更好。

02 探索AI的遗忘机制

说到这儿，论文里还有个特别有意思的发现，这也是我认为整个研究最独特的洞察。

DeepSeek的研究人员注意到，当他们把信息压缩比提高到20倍的时候，长文本在低分辨率下会变得模糊，识别精度会下降。但他们没把这个现象当成一个bug，反而从中看到了一个更深层的逻辑——这不就是人类记忆的遗忘机制吗？

你想想，人的记忆是怎么工作的？刚发生的事，你记得清清楚楚，连细节都丝毫不差；一小时前的事，还能记个大概；一天前的事，可能就只剩下关键情节了；再往远了说，一周前、一个月前、一年前的事，你的记忆会越来越模糊，最后可能只记得个大概印象。

这种记忆随时间衰退的过程，是不是和图像分辨率降低的样子特别像？越久远的记忆，就像越模糊的图片，细节逐渐丢失，但核心信息还在。

视觉压缩模拟人类记忆

DeepSeek在论文里画了一张图，把这个类比展现得特别清楚，我把这张图贴在下方了。虽然论文里有很多张图表，但是这张图给我带来了极大的想法上的冲击。他们很巧妙地把时间维度和空间维度做了对比：

对记忆来说，刚发生的事情是“水晶般清晰”，1小时前“非常清晰”，1天前“清晰”，到1周前开始“模糊”，1个月前已经“非常模糊”，1年前就“几乎消失”了。而在视觉上，10厘米距离看东西最清楚，接着是50厘米、1米、3米、10米、20米，距离越远，画面越模糊。

这个类比就给了他们一个大胆的想法：能不能用这种“视觉压缩”的方式来模拟AI的记忆机制？

具体来说，就是把AI之前的对话历史，用不同分辨率的“视觉token”来存储。最近的对话用高分辨率，保留所有细节；稍微久一点的对话，就降低分辨率，压缩一些信息；更早的对话继续降低分辨率，只保留核心内容。

这样一来，AI就能像人一样，对近期的事情记得清清楚楚，对远期的事情只留模糊印象。这样既节省了计算资源，又符合我们使用AI的实际场景——毕竟大多数时候，我们只需要AI记住刚聊过的内容。

遗忘本身是一种智能

说实话，当我看到这个想法时，第一时间对“醍醐灌顶”、“茅塞顿开”这样的词有了画面感。我的启发不只是来自这个小模型的效果，更是由衷感叹：有些人的思维方式，可能真的和普通人不一样。

因为这不仅仅是一次简单的技术优化，而是在探索AI如何像人一样“主动遗忘”。你仔细想想，人为什么会遗忘？不是大脑容量不够，而是遗忘本身就是一种智能。

如果你对十年前的每一个细节都记得清清楚楚，那你的大脑早就被无用信息塞满了。遗忘其实是一种筛选机制——让重要的信息留下来，不重要的自然淡化。毕竟现在的你，没必要还清楚记得高三课堂上做过的那一道道数学题。

费曼学习法的本质

这一点也让我想到了费曼学习法。大家都知道，费曼是全球顶级的物理学家，但在我看来，他还有一个同样重要的身份——“伟大的教育家”。

他在加州理工学院任教近40年，留下过一个著名的检验标准。当时有同事请他解释量子力学的某个复杂问题，他说：“我没法把它简化到大学一年级的水平，这意味着实际上我们并不理解它。”

费曼的核心观点很明确：如果你没办法用简单的话把一个概念讲清楚，那就说明你自己还没真正理解它。

你看，费曼学习法的本质，其实也是一种“压缩”——把复杂零散的知识压缩成核心要点。而且你会发现一个规律：刚学完的时候，你能复述出所有细节；过几天，可能只记得关键概念；再过几个月，你可能只记得最本质的原理。

艾宾浩斯遗忘曲线

德国心理学家艾宾浩斯早在1885年就发现了这个规律，他的遗忘曲线明确显示：学习后20分钟，人会遗忘41.8%的内容；1天后，遗忘比例会达到66.3%。但这根本不是坏事，因为最后留下来的那个“最本质的原理”，才是真正能帮到你的有用知识。

DeepSeek这套“视觉压缩”的思路，某种程度上就是在给AI量身设计一套类似的信息处理机制。

让AI也能像人一样，对信息进行分层记忆：重要的、近期的信息，用高保真的方式完整保存；次要的、久远的信息，就通过压缩留存，只留下核心要点。

03 不按套路出牌

说到这儿，你可能会发现，DeepSeek团队有个特别有意思的特点：他们从来不按常规套路出牌。

别人做OCR，想的是怎么把文字识别得更准确；而DeepSeek做OCR，却在研究“一张图能压缩多少文字”这个更根本的问题。

你再看他们的MoE架构，别人都在堆砌专家数量，DeepSeek却创新出“共享专家+路由专家”的组合，用更少的激活参数达到更好的效果。

这次的OCR模型也是一样，模型只有30亿参数，激活参数才5.7亿，但效果却能超过那些动辄上百亿参数的大模型。

之前在AI行业的一次闭门讨论里，我听过一句话，觉得特别准确：“DeepSeek这个团队把所有精力都放在了一个很窄的点，把后续很多东西都放弃了。他们不是单纯在服务人，而是做智能本身。”

这话听着有些抽象，但你看他们的OCR模型就能明白了。他们的目标从来不是做一个好用的OCR工具，而是探索AI处理信息的本质。

业内反响与实用价值

这个模型发布后，业内的反响也挺有意思。

前OpenAI联合创始人Andrej Karpathy的评价，他在X上说了一句特别颠覆的话：“也许更合理的是，LLM的所有输入都应该是图像。即使碰巧有纯文本输入，你更应该先渲染它，然后再输入。”

当然，这个模型不只是理论研究，实用价值也很明显。

单张A100显卡一天能处理20万页文档，这意味着可以大规模地把PDF文档转成结构化的文本数据，用来训练大语言模型。而且因为它用的token少，处理速度快，成本也就低。

同样的计算资源，DeepSeek能处理的数据量是别人的好几倍。

未来的想象空间

说实话，这个研究让我看到了一个更大的想象空间。如果“视觉压缩”这个思路真的能用在长上下文处理上，那未来的AI可能会变成什么样？

也许你跟AI聊了一整天，它不需要把所有对话都原封不动地保存，而是像人一样，把早上的对话压缩成低分辨率的“印象”，把中午的对话保留关键信息，只有最近的对话才保持高清晰度。

这样一来，AI就能真正实现“无限对话”——不是靠无限的算力，而是靠智能的遗忘。

04 结语

回到开头那个问题：一张图能装下多少文字？

DeepSeek用这个30亿参数的小模型告诉我们，答案不是一个固定的数字，而是取决于你愿意接受多少模糊度。10倍压缩几乎无损，20倍压缩还能保留核心信息。

这个发现，可能比一个好用的OCR工具更有价值。因为它揭示了一个更本质的问题：AI如何像人一样，在有限的资源里，智能地选择记住什么、遗忘什么。

这才是DeepSeek真正在做的事情：不是追着热点跑，而是在探索AI的本质。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）