为什么你会觉得大模型很难学？甚至学了好久还不知道大模型到底是个什么玩意？ 原创

“ 先从简单的开始，而不是从复杂的开始；简单意味着成就感，复杂意味着挫败感 ”

理论是来自于现实中的实践结果，理论来自于实践，验证于实践；单纯的理论是没有生存空间的。

为什么你觉得大模型很难？甚至觉得学不会大模型？

原因就在于你太沉迷于理论，而忽略了实践的意义。

大模型不是一个纯理论的科学

大模型技术并不是一个纯粹的理论科学，而是一个具有较强实践性的实践科学。

我们有很多人在学习大模型技术的过程中，觉得大模型好难，好抽象，看了好多书和视频，最后还是记不清楚大模型是什么。原因何在？

原因就是他们沉迷于理论无法自拔，理论是对实践结果的抽象和总结；只重视理论的结果只有一个，那就是眼高手低，说什么都懂，做什么都错。

当然说这些话并不是说理论不重要，而是说理论要于实践相结合才能发挥更大的威力；理论和实践就是硬币的一体两面，谁离了谁都没有生存的空间以及存在的意义。

比如说很多人学习大模型的时候，看到网上的一些文章或视频，就觉得学习大模型要学习机器学习理论，Transformer架构，各种算法，向量处理等。

然后就硬着头皮买几本书或找几个视频开始深入研究，然后没过几天就放弃了，原因是觉得这玩意太难了，看又看不懂，学又学不会。

作为一个正常人，我想绝大部分人看着大模型技术中的理论架构和数学算法都会头疼，原因就是你跑偏了，没有弄清楚事情的本质。

你学习的是大模型技术，而不是来学习数学的，而且数学算法只是实现大模型技术的一种方式即使不懂数学，也不耽误你学习大模型；原因就是，有几个司机知道汽车是怎么造出来的吗？因为他们根本不需要知道，只需要会开就行。

同样，数学和一些大模型理论对学习大模型来说，就像你去驾校学习开车；正常情况下是教练教你怎么踩油门，怎么打方向盘，怎么停车，怎么起步等等；然后在此基础之上，你自己开几年车之后，期间会遇到各种各样的问题，这时你自己就会对汽车的基础构造和一些核心零部件产生自己的理解，甚至会主动研究其底层理论。

但你上来就去想去研究发动机制造原理，动力传感等等，虽然这并不一定有错，可能你自己本身对这个就比较感兴趣，但除了极少部分人之外，这种方式明显不利于学习汽车，毕竟研究理论哪有开车有意思。 

所以，对一些没有技术基础，甚至根本不懂技术的人来说，学习大模型也没你们想象的那么困难和复杂，只不过你选择的方式有问题。

做任何事情，最重要的是有一套学习和做事的方式方法；比如说先从简单的开始，而不是从复杂的开始；简单意味着成就感，复杂意味着挫败感。

大模型的基础理论对刚开始学习大模型的人来说，已经属于很复杂的一部分了，而且理论这玩意看多了就容易想的多，想多了就容易钻牛角尖，一旦钻牛角尖就会陷进去出不来。

就拿小编自己来说，以前学东西就喜欢钻牛角尖，上学的时候学物理化学，喜欢研究为什么，为什么会这样，为什么不能那样，然后越走越偏。事实上对学生来说，受限于当时的知识水平，很多东西只需要记住就可以了；因为没办法给你解释为什么，而且也没必要。

上大学的时候学习编程，一直到工作之后还喜欢问为什么；比如学习java和python，一直想把这种编程语言的所有原理，所有知识都弄明白，然后就浪费了大量的时间和精力，最重要的一点就是当时有些问题想明白了，但没有经过实际操作，没过多久又都忘完了。

学习中间件MQ的时候，非要去研究MQ怎么发消息，怎么收消息；这个还属于正常，但在不知道具体应用场景的前提下，非要想着把它的多种消息类型都给弄明白。

但事实上，最高效的方式就是，了解MQ的基本作用和功能，然后在工作中根据不同的场景去学习和体验不同消息类型的作用，而这才能真正提升你的中间件的理解。

为什么找工作的时候，面试官喜欢问工作经验？

原因就在于此；而且不知道大家有没有发现，别人让我们回答一个问题的时候，最简单的方式就是给别人举个例子；而这个例子就是你的工作经验，有些人没有工作经验，回答这种问题的时候，你能明显感觉到他漏洞百出。

所以别人让你讲什么是大模型？

虽然你也可以通过背大模型的定义或者看别人怎么介绍大模型；但如果你真的有大模型的使用经验，那么你可以通过自己的经验，用更加通俗的话或例子来让别人明白什么是大模型。

而不是别人口中所说的，大模型全称是具有大规模参数和复杂计算结构机器学习模型，后面巴拉巴拉。。。。。

虽然这个说法很专业，但事实上对不懂大模型的人来说无异于天书。

而如果换成，大模型就是一个能够像人类一样，能够进行写作，绘画和剪辑视频的系统；并且还有一些简单的逻辑判断能力。

虽然这样说不是很准确，并且也不是完全正确，但确实更容易让别人知道，大模型能写作和画画，虽然大模型还可以做更多的事。

本文转载自公众号AI探索时代

原文链接：​​https://mp.weixin.qq.com/s/Z6ooEBNdIeOqTjSdlX_ktw​​