什么是端到端(end to end)大模型，它和传统的大模型有什么区别？其优势与劣势是什么？ 原创

“ 端到端模型，是一个直接由输入获取输出的过程 ”

最近有一个很火的关于人工智能模型的词——端到端模型。

那么什么是端到端模型？为什么会提出端到端模型，以及它解决了哪些问题？

今天我们就来一起了解一下这个端到端模型。

端到端模型

还记得计算机组成原理里面，关于冯诺伊曼计算机结构中，组成计算机的几个模块吗？

运算器 控制器 存储器 输入设备和输出设备，由这五大模块组成了现有的计算机系统。

而对我们使用者来说，这五大模块中我们接触最多的就是输入设备与输出设备，也就是鼠标键盘显示器。

而运算器，控制器和存储器是由计算机系统自己处理的，我们不需要知道它们的内部运行原理，也不需要知道它们是怎么协调的。

同样端到端也是如此，从表象来看我们只需要关心其输入与输出，不需要知道它的内部结构，也就是说，端到端模型的表象是一个黑盒。

我们知道，大模型的表现是无法解释的，它更多的是一种现象，叫做智能涌现，现在很多研究机构都在解决大模型的可解释性，也就是大模型为什么能做到这样的效果，中间经历了哪些处理。

但如果要实现一个端到端的大模型，应该怎么实现呢？任何新技术的出现都是为了解决存在的问题，那端到端模型解决了什么问题？ 

其实用一句话概括端到端，就是让大模型直接理解问题，然后给出答案或决策。

比如拿语音模型举例，很多人以为的语音模型就是直接理解语音，但事实上语音模型并不是直接理解语音；而是由多个模块组成的一个语音模型。

语音在语音模型中的处理过程，需要经过语音转文字，然后把文字输入给大模型，大模型处理完毕返回文字，再有转化系统把文字转换为语音返回给用户。

这就是现在大模型所存在的问题，中间需要经过多个模块的协同处理才能得到想要的结果。可能有人会问为什么不让大模型直接理解语音，还要经过中间的转化？

原因就是这样的实现方式技术难度低，容易实现。

而端到端模型的目的就是省略中间语音转文字，文字转语音的过程；为什么要这么做？

这么做的目的并不是为了炫耀技术，而是有些场景需要强大的实时性，无法接受如此长链条的处理响应时间。

比如说自动驾驶，现今的自动驾驶采用的就是多模块协作的方式，如路况采集，自动化分析，做出决策，执行决策等。这样的自动驾驶系统就需要大量的时间做出响应。

而如果采用端到端系统，那么端到端系统就可以直接采集路况数据，然后做出决策，省略中间各种乱七八糟的处理流程，大大提升了系统灵敏度。

从技术到角度来说，端到端模型实现难度更大，系统更复杂，而且可解释性更差，而且更像一个黑盒。

可能说到这里，有些人任务端到端模型能做到的事，普通大模型也可以做到，而且技术难度更低，成本也更低。

但端到端模型出现的原因并不是为了解决普通的问题，比如回答系统；哪怕你普通大模型性能低一点，回答慢一点也可以接受。

但在一些领域，如智能驾驶，高端制造，军事竞争等方面，延迟要在毫秒，甚至是微秒的程度；这时普通大模型就无法完成任务了。

端到端模型的主要目的就是为了让大模型直接接受输入，减少中间环节的处理成本，提升效率。

程序员应该比较容易理解端到端，普通大模型就类似于现在的高级语音，如java，python等；它们的功能强大，但执行效率低，原因就是中间有一个解释器。

而端到端模型就类似于C语言，直接转换为计算机能够处理的格式，省略了中间解释的环节。

虽然高级编程语言的作用越发强大，但永远也没有那个语言能完全取代C语言和汇编语言。

当然，C语言和汇编语言虽然效率高，但迁移性比较低，不同的平台需要不同的指令集和开发库。端到端模型也是如此，对训练数据质量的要求更高，适应性也更差。

因此，网上也有人说，所谓的端到端就是直接由输入得到输出，大模型可以直接理解输入数据，而不需要这样那样的转化过程。

本文转载自公众号AI探索时代 作者：DFires

原文链接：​​https://mp.weixin.qq.com/s/r81EJECLsPvJNznXKWoPlA​​