大模型技术基础学习路线，想要学好大模型应该具备哪些能力？ 原创

“ 大模型技术的基础学习，是未来在大模型领域能否站稳脚跟的关键”

随着大模型技术的发展，越来越多的人开始进入大模型领域，但大模型作为一门技术，因此它的本质上是一个工具，因此这也让学习大模型有了不同的学习方向。

从工具的角度来看，学习一个工具主要有两个方向，一个是使用工具，一个是制造工具；而今天我们主要讲的是后者，也就是怎么制造一个大模型工具，它需要哪些技术基础。

大模型基础技术路线

下面主要从以下几个技术基础讲解一下大模型的学习路线：

• 理论基础​
• 编程基础
• 深度学习框架
• 特定领域知识
• 实践经验
• 算法基础

理论基础

理论基础是一切技术的开始，对学习一门技术来说至关重要，没有理论就无法指导技术的发展方向和实现方法。

什么是理论？

理论其实就是一套描述和解决问题的方法论，只不过不同的技术有不同的方法，也就是理论。

理论的发展有两种方式，一种是基于实践检验结果总结出来的经验；二种是以严谨的科学理论推导出逻辑自洽的解决某个问题的方法。

比如说，火是人类生存和进化的重要条件之一，而在远古时期人类对于火的认知还比较浅显，因此那时关于火的理论也比较基础，比如它可以取暖，可以烤熟食物等；这就是基于经验的理论基础。

而随着科学技术的发展，人类对于火的研究更加的深入，比如火的形态，火本无形，但又是流体，而这就是基于严谨的科学研究和理论推导的结果。

那学习大模型需要哪些理论？ 

基础理论有，人工智能的概念，机器学习，深度学习，神经网络原理，激活函数，损失函数，正向传播，反向传播等基础理论，对这些基础理论等理解是非常必要的。

有了理论之后就能让你知道大模型能干啥，以及怎么干。

编程基础

编程基础就不用多说了，所有的计算机软件都是基于编程技术开发的，大模型也不例外。

但需要说的是，大模型开发主要使用的是Python作为其主流的开发语言，当然并不是说开发大模型必须用python，用其它语言也可以，毕竟语言只是工具，算法才是核心；而算法是脱离计算机语言独立存在的。

还有就是，大模型本身是主要基于Python开发的，但基于大模型构建上层应用可以使用其它工程性语言，比如Java，Go，Rust等，当然也可以使用Python。

大模型作为一个服务，一般由Python开发，然后封装成对外接口，然后使用其它开发语言调用构建上层应用。

深度学习框架

什么是框架？

框架就类似于模具，大模型是一个非常复杂的系统性工程，从0开始构建难度非常大，因此就有了一些开源框架来处理一些基础性工作和一些常用的工具。

比如说数据处理，在大模型技术中数据处理是非常重要的一环，但面对复杂的数据种类以及数据格式，如果全部自己手动处理将是一个巨大的工程量；因此为了提高开发效率，排除这些外在干扰，让技术人员把心思放在大模型的核心节点上，框架就出现了。

还有就是，这些深度学习框架一般会内置一些经典架构的实现，比如Transformer架构，和一些常见的神经网络模型，比如CNN和RNN，这样对一些初学者就可以直接使用这些工具构建属于自己的大模型。

常见的深度学习框架，如PyTorch，Tensorflow等。

特定领域的知识

大模型是一个非常笼统的技术，但细分下去又有多种不同的方向，比如说自然语言处理，计算机视觉等。

毕竟大模型也是用来解决问题的，如果大模型没有具体的落脚点，那么它就成为了一个纯理论性质的研究，这样它就失去了应有的价值。

而不论是自然语言处理，还是计算机视觉都是独立的应用领域，它们和大模型的关系就是大模型可以作为其研究的一个方法或手段，没有大模型也可以研究自然语言处理和计算机视觉；但自然语言处理和计算机视觉可以利用大模型进行更加高效的研究。

因此，如果只是单纯的学习大模型技术，不与这些具体的应用领域相结合，那么学习大模型技术就失去了应有的意义。

而用大模型去研究这些应用领域，或者说用大模型作为解决这些领域的一个方法，那么就需要有对应领域的基础知识，只有大模型本身的技术是远远不够的。

自然语言处理所涉及的知识有语言分析，语义分析，分词，自然语言理解，自然语言生成等。

实践经验

实践 实践 再实践，重要的事情说三遍！！！

大模型技术是一项实操性很强的技术，或者说任何技术都离不开实操，纯粹的理论研究终究只是空中楼阁。

从学习方法的角度来说，理论应该与实践相结合，很多人在学习理论的过程中总喜欢打破砂锅问到底，钻进理论中出不来。

当然，并不是说打破砂锅问到底不好，作为技术研究人员有必须要有打破砂锅问到底的决心。

但是，理论一方面是由严谨的科学逻辑推导出来的，还一部分是根据实践总结和调整的；单纯的研究理论很难让你真正理解技术的本质。这也是为什么有些问题在学习的时候怎么都想不明白，但等真正去实操的时候突然之间就豁然开朗。

最好的学习方式就是，在了解一些理论的基本概念之后，就上手找个大模型进行实操；然后用实操去验证理论，这样才能明白别人为什么会这样设计，为什么可以这样做，不可以那样做。

钻进理论出不来，并且不肯动手实践的人，就是那种经常钻牛角尖的，理论一套一套的，但啥都干不好；而且最重要的是，这种钻牛角尖的方式往往会事半功倍，导致半途而废。

算法基础

算法的重要性就不用多说了，任何和计算机有关的东西都离不开算法，如果说硬件是计算机的身体，那么算法就是计算机的灵魂。

大模型可以说是算法的集大成者，因为大模型是基于严谨的数学理论推导的，而算法是数学在计算机中的载体，离开了算法大模型将不复存在。

以上就是一些学习大模型技术所需要的基础，但并不是全部；大模型技术是人工智能技术的一种实现方式，而人工智能技术是一个多学科交叉的科学，涉及到数学，社会学，哲学，计算机科学，工程学，控制论等等，甚至包括文学与艺术。

因此，要想学好大模型，技术只是最基础的东西。万丈高楼平地起，全靠有个好地基。

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/1vTZrDruFHcIrFfD6xxHIg​​​