“基础模型”和大语言模型 (LLM) 这两个术语经常互换使用，但它们之间存在一个关键区别。LLM 是基础模型的一种主要类型，但并非唯一类型。您可以将其视为一种父子关系：所有 LLM 都是基础模型，但并非所有基础模型都是 LLM。

主要区别在于它们所基于的数据类型。顾名思义，LLM 专门使用大量文本和代码进行训练。“基础模型”这一更广泛的类别还包括基于其他数据类型（如图片、音频和视频）或这些数据类型的组合（多模态）训练的模型。

生成式 AI 和基础模型是不同的概念，但密切相关。理解两者区别的最佳方式是将它们分别视为“引擎”和“功能”：

• 基础模型是强大的预训练引擎；它是基于海量数据构建的底层技术，旨在适应各种应用场景
• 生成式 AI 是该引擎可以执行的一项主要功能，即能够创建文本、图片或代码等新内容

虽然大多数热门基础模型都用于生成任务，但基础模型也可以用于非生成目的，例如复杂分类或分析。因此，并非所有基础模型本质上都是生成式的，但它们是推动当前生成式 AI 应用浪潮的关键技术。

基础模型包含各种架构，每种架构都具有独特的优势和应用。以下是一些值得注意的类型：

• 大语言模型 (LLM)：这些模型擅长理解和生成人类语言，在翻译、文本摘要和聊天机器人交互等任务中表现出色。
• 多模态模型：这些模型基于多种数据类型（包括文本、图片和音频）进行训练，可以跨多种模态分析和生成内容。
• 生成对抗网络 (GAN)：GAN 是一种基础模型，由两个神经网络在零和博弈中相互对抗而构成。一个网络（生成器）负责创建新的数据实例，另一个网络（判别器）负责评估这些实例的真实性。这种对抗过程会生成越来越逼真和复杂的内容。
• 计算机视觉模型：这些模型基于图像数据集进行训练，可执行图像分类、目标检测和图像生成等任务。它们可以针对特定应用进行微调，例如医学图像分析或自动驾驶汽车中的对象识别。

基础模型基于庞大的数据集，采用自监督学习方法进行训练。自监督学习是一种机器学习方法，它利用无监督学习技术来完成传统上需要监督学习的任务（例如，通过人工输入为数据加上标签）。这有助于训练模型预测输入数据中被掩盖或缺失的部分。随着模型不断进行预测，它会学习识别数据中的模式、关系以及底层结构。

基础模型的训练过程与机器学习模型的训练过程类似，通常包括以下几个关键步骤：

• 收集一个庞大而多样化的数据集，以代表模型在部署时可能遇到的数据的真实分布
• 对数据进行预处理，以消除噪声、离群值和不一致性；这可能包括数据清理、归一化和特征工程等技术

• 根据任务的复杂性、数据的类型和数量以及可用的计算资源等因素，选择适当的模型架构
• 用于自监督学习的常见模型架构包括卷积神经网络 (CNN)、循环神经网络 (RNN) 和 Transformer

• 该模型通过自监督学习技术进行训练，其中包括为数据创建伪标签，并训练模型预测这些标签
• 这可以通过多种方法实现，例如对比学习、掩码语言建模和拼图任务
• 自监督训练使模型能够在不依赖人工标注标签的情况下学习数据的有用表示，而获取这些标签往往既昂贵又耗时

• 使用自监督学习对模型进行预训练后，可以针对更小众、更特定于任务的数据集进行微调
• 这需要调整模型的参数，以优化模型在目标任务上的性能
• 微调有助于模型适应任务的特定要求并提高整体性能

• 经过预训练和微调后，大多数先进模型都会经历一个对齐阶段，以确保其输出内容有用、无害且符合人类意图
• 这一关键步骤通常会使用基于人类反馈的强化学习 (RLHF) 和直接偏好优化 (DPO) 等技术，由人工审核人员对模型的回答进行评分，从而引导模型生成更符合期望的行为

• 模型经过训练和微调后，会在预留的测试集上进行评估，以衡量其性能
• 如果模型满足所需的性能标准，则可以将其部署到生产环境中，用于解决实际问题

尽管基础模型具有显著优势，但用户和开发者必须应对以下重大挑战：

• 偏见和公平性：基础模型可能会继承并放大其庞大训练数据中存在的社会偏见，从而导致不公平或有偏见的输出
• 幻觉：模型可能会生成听起来很自信但实际上不正确或无意义的信息，这种现象称为“幻觉”
• 高计算成本：训练这些模型需要巨大的计算能力和能源，从而引发环境和财务方面的担忧

基础模型生态系统充满活力，竞争激烈。以下是一些来自主要行业参与者的最具影响力的示例：

• Google：以 Gemini 系列而闻名，该系列是一组强大的多模态模型（Gemini 2.5 Pro 是一个典型例子），还有 Gemma，这是一组面向开发者的开放权重轻量级模型；Google 还开发了专门的模型，例如用于文生图的 Imagen 和用于视频生成的 Veo
• OpenAI：开发了极具影响力的 GPT（生成式预训练转换器）系列，包括广泛使用的 GPT-4
• Anthropic：专注于 AI 安全，开发了 Claude 系列模型；Claude 3 系列（包括 Opus、Sonnet 和 Haiku）以其较大的上下文窗口和强大的推理能力而闻名
• Meta：Meta 是开源 AI 的主要倡导者，开发了 Llama 系列；Llama 3 是一款开放模型，加速了整个社区的创新
• Mistral AI：一家欧洲公司，凭借高性能的开源模型和商业模型（例如 Mistral Large 和开源 Mixtral 模型）获得了广泛关注，这些模型采用混合专家 (MoE) 架构以提升效率

Google Cloud 提供端到端企业平台 Vertex AI，旨在帮助组织访问、自定义和部署基础模型，以用于实际应用。该策略建立在提供多样化选择、强大工具和集成式基础设施的基础之上。

Google Cloud 使用基础模型的方式如下：

• 多样化且开放的模型生态系统：通过 Vertex AI Model Garden，Google Cloud 提供了一个包含 130 多个基础模型的综合库。其中包括 Google 自己的先进模型，例如 Gemini 系列（用于多模态任务）和 Gemma（用于开放式轻量级开发），以及来自 Anthropic (Claude)、Meta (Llama) 和 Mistral 等合作伙伴的热门第三方模型和开源模型。这样，开发者就可以根据自己的特定成本和性能需求选择最佳模型。
• 用于自定义和语义落地的工具：Vertex AI 提供了一整套工具，可帮助您突破仅依赖简单提示的局限。借助 Generative AI Studio，团队可以测试和调优模型。一个关键功能是能够将模型与组织的企业数据进行语义落地。这会将模型的推理能力与公司的特定数据源相结合，从而显著减少幻觉，使回答在事实层面更一致且更具相关性。
• 构建 AI 智能体和应用：Google Cloud 专注于帮助开发者构建复杂的 AI 应用，而不仅仅是聊天机器人。借助 Vertex AI Agent Builder，组织可以创建和部署对话式 AI 智能体，用于客户服务、内部服务台和其他业务流程。
• 将生成式 AI 融入工作流：基础模型正在直接集成到企业已在使用的 Google Cloud 服务中。例如，Gemini Code Assist 可作为 AI 赋能的助理，帮助开发者更快地编写、解释和测试代码，而 BigQuery 中的功能则允许直接在数据仓库中进行 AI 驱动的数据分析。