Day05——早课模型：AI的大脑！训练好的算法到底长什么样

📚 AI专家养成计划 · 第9篇（共140篇）| 补发

⏱️ 阅读时间：正文10-15分钟 + 地铁深读5-10分钟

🎯 适合人群：零基础，想搞懂”AI模型”到底是什么的你

!AI模型

☀️ 上篇回顾：昨晚我们学了什么

昨晚我们用Excel跑了一个AI预测算法——线性回归。来回顾3个核心要点：

1. AI的底层原理就是”找规律”

从数据中找到规律（公式），用公式预测新数据。Excel的趋势线和ChatGPT在本质上做的是同一件事。

2. 线性回归是最基础的AI算法

y = ax + b，200多年前发明的，至今仍是使用最广泛的机器学习算法之一。

3. R²值告诉你预测靠不靠谱

越接近1越好。AI模型也有类似的”置信度”指标，告诉你它的预测有多可信。

💡 核心收获：昨晚你亲手用Excel体验了AI的”训练”过程——从数据中学规律。今天我们来搞清楚：训练完成后得到的那个”东西”，到底是什么？

🎯 今天的话题：什么是”模型”？

你一定听过这些词：

“GPT-4是一个大模型”
“Stable Diffusion模型”
“微调模型”
“下载一个模型到本地”

但”模型”到底是什么？

一句话解释：模型 = 训练好的算法 + 学到的参数。

打个比方：

概念	比喻	AI中的对应

|——|——|———–|

算法	菜谱	线性回归、神经网络
数据	食材	训练数据集
训练	做菜的过程	让算法从数据中学习
模型	做好的菜	训练完成后保存的文件

你昨晚用Excel做的线性回归，得到的公式 y = 2.94x + 0.12，这个公式就是一个模型。

算法是”线性回归”
参数是 2.94 和 0.12
模型就是”用这两个参数的线性公式”

🧠 模型的三个关键属性

属性1：参数量

参数就是模型”学到的数字”。

模型	参数量	类比

|——|——–|——|

你的Excel线性回归	2个	一张便签
图像分类模型（ResNet）	2500万	一本书
GPT-3	1750亿	一个图书馆
GPT-4	估计万亿级	一个国家图书馆

参数越多，模型越”聪明”，但也越耗资源。

属性2：文件大小

模型本质上是一个文件，保存了所有学到的参数。

模型	文件大小

|——|———|

你的Excel公式	几十字节
Whisper语音识别	1.5GB
Llama 3 8B	16GB
Stable Diffusion	4GB

你下载一个”AI模型”，其实就是下载一个很大的数据文件。

属性3：推理能力

“推理”不是指逻辑推理，而是指用模型做预测的过程。

你输入一张图片 → 模型输出”这是猫”

你输入一段文字 → 模型输出下一句话

你输入一个公式 → 模型输出预测值

这个过程叫”推理”（inference），和”训练”（training）是相对的：

训练：从数据中学规律，生成模型（慢，需要大量算力）
推理：用模型做预测（快，普通电脑就行）

🔍 不同类型的模型

分类模型

做什么：把东西分到不同的类别

例子：

邮件：垃圾邮件 / 正常邮件
图片：猫 / 狗 / 鸟
医学影像：正常 / 异常

生活中的应用：手机相册自动分类、垃圾邮件过滤、人脸识别

回归模型

做什么：预测一个连续的数字

例子：

预测明天的气温
预测房价
预测销售额

你昨晚用Excel做的就是回归模型！

生成模型

做什么：创造新的内容

例子：

ChatGPT：生成文字
Stable Diffusion：生成图片
Suno：生成音乐

这是最近两年最火的模型类型。

📖 地铁深读：模型是怎么”炼”出来的？

训练的三步曲

第1步：前向传播（Forward Pass）

把数据喂给模型，看模型输出什么。

比如你给模型一张猫的图片，模型说”这是狗”。错了。

第2步：计算损失（Loss）

量化模型错得有多离谱。”说是狗，其实是猫，误差 = 0.8″

第3步：反向传播（Backward Pass）

根据误差调整模型的参数。把参数往”减少误差”的方向微调一点点。

然后重复这三步，几百万次。

数据 → 模型预测 → 计算误差 → 调整参数 → 再预测 → 再调整 → … → 误差足够小 → 完成！

就像你学骑自行车：歪了→调整→又歪了→再调整→越来越稳→学会了。

为什么训练需要GPU？

因为”几百万次”的参数调整，每次都需要大量的矩阵运算。

CPU一次算一个，GPU一次算一万个。

训练一个大语言模型需要几千块GPU跑几个月，电费就要几百万美元。这就是为什么只有大公司能训练顶级模型。

迁移学习：站在巨人肩膀上

如果你要训练一个”识别猫和狗”的模型，不需要从零开始。

可以下载一个已经在几百万张图片上训练好的模型（比如ResNet），然后只在你的猫狗数据上”微调”一下。

这叫迁移学习——就像你已经会骑自行车了，学摩托车就快多了。

✅ 今日总结

3个关键要点：

模型 = 训练好的算法 + 学到的参数——它本质上是一个文件，保存了从数据中学到的所有”知识”。

参数量决定模型能力——你的Excel公式有2个参数，GPT-4有万亿个参数。参数越多越”聪明”，但也越耗资源。

训练和推理是两个阶段——训练是”学习”（慢、贵），推理是”做预测”（快、便宜）。

📝 今日行动项

[ ] 搜索”HuggingFace”（huggingface.co），看看世界上最大的开源AI模型库长什么样
[ ] 找一个模型页面（比如”bert-base-chinese”），看看它的参数量和文件大小
[ ] 回顾一下你Excel里的公式——那就是你训练出的第一个AI模型！

📅 下篇预告

今晚 Day05：零代码！用Google Teachable Machine训练你的第一个AI

不用写代码，用浏览器拖拖拽拽就能训练一个图像分类模型。你将亲手体验”训练→推理”的完整过程。

明天早课 Day06：机器学习vs深度学习——大圈套小圈，一次讲清楚

机器学习和深度学习是什么关系？为什么深度学习突然这么火？

🎓 早课合集 | 每天早上8点更新

💡 学完记得动手！去HuggingFace逛一逛

🔖 本文已收录至「AI专家养成计划·早课」合集

Day05——早课 模型：AI的大脑！训练好的算法到底长什么样