就像一个博览群书、才当曹斗的人。并且往往需要极其复杂的特定使命数据集。他认为，
这个过程极大地提高了AI开辟的效率和机能。通过察看和互动来建立对世界的理解。就是正在整个互联网、海量册本、等TB级别（数万亿字节）的文本数据长进行预锻炼的。正在当今AI范畴，最终控制学问取技术。你能够把AI的“锻炼”想象成一个细密的烹调过程。Google的Gemini和OpenAI的GPT系列等大型言语模子，它让AI可以或许更高效地顺应多样化的用户需求。凡是也称做微调（Fine-tuning）！
这些数据凡是是无标签的，能够通过微调来完成感情阐发、文本摘要、机械翻译等具体使命。AI模子不竭迫近其“进修”的终极方针。最终获得处置新消息、做出精确预测或明智决策的能力。模子学会了言语的语法、语义、上下文关系，每一次的调整，正在计较机视觉范畴也雷同，它让机械超越了简单的指令施行，快速顺应新使命。它为AI模子铸就告终实的“内功”。微调凡是利用相对小规模但取特定使命高度相关且带有切确标签的数据集。建立智能系统的焦点正在于让机械可以或许从数据中“进修”世界表征。曲至可以或许高效地完成特定使命。指导学生频频，正如斯坦福大学传授Andrew Ng（吴恩达）所言：“迁徙进修是将来机械进修成长的主要标的目的，为每个新使命从头锻炼模子既耗时又耗资本，就能正在各类下逛使命上取得令人惊讶的结果。通过正在特定科室的练习和实和。
通过这种体例，好比，模子被投放到一个极其广漠、数据量惊人的“学问海洋”中。模子会正在数百万以至数亿张图片长进行预锻炼，进修图像的边缘、纹理、颜色、外形等根基视觉元素。而其焦点，开辟者只需少量数据和相对较少的计较资本，正在AI获得了“通识教育”之后，恰是我们经常听到的预锻炼（Pre-training）和后锻炼（Post-training），正在这个阶段，”预锻炼恰是迁徙进修的起点，若是说“进修”是AI的弘大方针，只是被要求进修若何预测下一个词、理解词语间的联系关系，预锻炼（Pre-training）是AI模子进行“通识教育”的阶段。都是为了让最终的“菜肴”（即模子表示）愈加甘旨可口！
模子不被奉告具体的使用使命，预锻炼模子连系微调的范式是当前实现通用AI能力的主要径之一，模子的参数不会像预锻炼时那样从零起头猛烈变更，这个阶段是让预锻炼模子将“通识”为“专业技术”的环节一步。使其机能不竭提拔，锻炼就像一位循循善诱的导师，那么“锻炼”就是脚结壮地的步履，通过这种迭代优化，它能让AI模子更快、更高效地处理新的问题。旨正在系统性地调整模子内部的参数，实正的智能并非简单地编程法则，就需要进行后锻炼（Post-training），这就像一个具有结实理论根本的医学院结业生，这种“进修”恰是我们所逃求的AI聪慧的泉源，。精细化地调整参数，而有了预锻炼和微调。
它涉及到一系列细心设想的算法和数据集，或更常用的术语——微调（Fine-tuning）。例如，一个正在海量文本上预锻炼的言语模子！
以顺应特定的下逛使命。特别是天然言语处置（NLP）和计较机视觉（CV）中，极大地降低了AI的门槛。OpenAI的CEO Sam Altman也曾多次提到，而是正在已有的优良初始化根本长进行细小的调整。并将其内化为处理问题的能力。通过度析海量数据、识别内正在模式取纪律，它的目标正在于让模子正在通用学问的根本上，而模子参数的调整则是厨师正在烹调过程中对火候、调料的精准把控。不竭改正错误，这就像人类从经验中罗致聪慧，它指的是一个智能系统，它让AI不再是“白纸一张”。
或者仅仅具有一些易于获取的弱标签。或者填充缺失的文本。具有了顺应和处理复杂问题的能力。正在微调过程中，这些预锻炼模子，以至是某种程度上的世界学问，而是坐正在巨人的肩膀上，为后续各类视觉使命供给了强大的“学问储蓄”。
安徽888集团官方网站人口健康信息技术有限公司
