1、基礎的生成算法模型是驅動AI的關鍵

2014年，伊恩·古德費洛(lanGoodfellow)提出的生成對抗網(wǎng)絡(GenerativeAdversarialNetwork,GAN)成為早期最為著名的生成模型。GAN使用合作的零和博弈框架來學習，被廣泛用于生成圖像、視頻、語音和三維物體模型。隨后，Transformer、基于流的生成模型(Flow-basedmodels)、擴散模型(DiffusionModel)等深度學習的生成算法相繼涌現(xiàn)。

Transformer模型是一種采用自注意力機制的深度學習模型，這一機制可按輸入數(shù)據(jù)各部分的重要性分配權重，可用于自然語言處理(NLP)、計算機視覺(CV)領域應用，后來出現(xiàn)的BERT、GPT-3、laMDA等預訓練模型都是基于Transformer模型建立的。

通過梳理全球主流大語言模型(LLM)的發(fā)展脈絡，2018年以來的GPT系列、LLaMA系列、BERT系列、Claude系列等多款大模型均發(fā)源于Transformer架構。

2、預訓練模型引發(fā)了AI技術能力的質變

預訓練模型是為了完成特定任務基于大型數(shù)據(jù)集訓練的深度學習模型，讓AI模型的開發(fā)從手工作坊走向工廠模式，加速AI技術落地。

2017年，Google顛覆性地提出了基于自注意力機制的神經網(wǎng)絡結構——Transformer架構，奠定了大模型預訓練算法架構的基礎。

2018年，OpenAI和Google分別發(fā)布了GPT-1與BERT大模型，意味著預訓練大模型成為自然語言處理領域的主流。

3、預訓練數(shù)據(jù)直接決定AI大模型性能

ScalingLaws：模型容量、數(shù)據(jù)量、訓練成本共同構成了大模型訓練的不可能三角。大模型訓練的目標是最大化模型性能，模型訓練成本（GPU的數(shù)量和訓練時間等）是受限的，因此一般通過增加數(shù)據(jù)集大小和增加模型中的參數(shù)量兩種途徑來提升模型性能。

附件：生成式人工智能行業(yè)專題研究：海外大模型篇，生成式AI加速創(chuàng)新，行業(yè)迎歷史性機遇