“学以致用，问题才是学习的真正驱动力”
最近写了几篇关于人工智能技术学习方法的文章，后台收到一个挺典型的问题：没有深度学习的基础，能不能学人工智能？
答案是肯定的，这点不用怀疑。虽然深度学习是大模型的技术根基，但学AI真不是非得先啃下它不可。
很多人学大模型，第一步就卡在“入门”上——不知道怎么开始。一说学AI，大家惯性认为得先搞懂机器学习和深度学习。打开教材就是各种复杂的模型和算法实现，很多人的人工智能学习之路，基本就在这里断了。
其实，完全没必要把大模型想得那么玄乎。技术说到底就是个工具，而会不会制造和使用工具，本来就是人和动物的根本区别。既然大模型是工具，那我们即使不会制造它，总可以先学会用它。所以，对不了解机器学习和深度学习的朋友来说，学习大模型最友好、最简单的路径，就是从“使用”开始。
学习使用大模型，又可以分成两类人。一类是完全不懂技术的，学会了用基于大模型开发的产品就行，比如现在很火的音视频生成工具。另一类是懂技术的，有编程基础，可以学习在大模型之上构建上层应用，也就是为不懂技术的人开发工具。
第一种情况没什么好说的，人工智能、微信、淘宝、拼多多，对这类用户来说本质没区别。今天重点讨论的是想学习大模型技术的人。当然，第二类里也有人特别痴迷技术本身，想钻研底层模型、算法、架构——这一部分今天不展开。
为什么我说学大模型可以不懂机器学习和深度学习？原因在于学习方式不止一种。学生时代，学校习惯填鸭式教学，上来就讲高大上的理论和不知所云的概念。所以有人开玩笑说：我就上街买个菜，用得着懂牛顿-莱布尼茨公式吗？
很多人学AI也是这个毛病。根本不知道人工智能是什么、大模型是什么，就因为这玩意现在火、说出来牛逼，就去学。问为什么学，又说不出个所以然。听了一堆概念，看了一堆书，最后也不知道能干什么、为什么这么干。
踏入社会后，得学会另一种学习方式：从问题出发，从应用出发，在问题中找答案。先别碰那些高大上的理论和乱七八糟的概念。第一步，先学会用大模型。让它帮你生成一张图片，回答一个问题。
这时候问题就来了：大模型为什么能生成图片？为什么能回答问题？接着思考它是怎么做到的，为什么能做到。带着问题去找答案，你会发现，原来那些看不懂的概念好像开始变明白了。之所以能生成图片和回答问题，是因为现在的模型叫生成式模型，使用特殊架构，实现了通过预训练习得知识的能力。
然后你又发现新问题：什么是预训练？预训练是怎么做的？于是你去学大模型的预训练流程——选择模型、数据清洗、数据训练、正向传播、反向传播、损失计算……到这步，你对大模型技术就有了一个大致认识。虽然还不知道具体细节，但你知道通过预训练流程，就能打造一个适合特定场景的模型。
接着，你开始思考：怎么训练一个能解决具体问题的模型？如何选模型？上哪找这些模型？它们需要什么样的数据、什么格式？预训练要多少算力？需不需要分布式并行计算？
这时你会发现，训练一个模型居然这么复杂、这么困难。怎么办呢？你又看到了“微调”——用少量数据，就可以把功能类似的预训练模型调整成适合自己任务的模型。仔细一看，训练和微调在技术上没有本质区别，唯一的区别是预训练模型参数已经训练好了，微调只需要调整部分参数。如果是全量微调，那和训练就没什么两样了。
到这，你已经明白了大模型的基本运作原理，以及训练和微调的方法。你也许会想：我也自己设计一个大模型给别人用？一通查资料后发现，想实现这个目标确实复杂——不但要深入了解各种机器学习的理论和算法，还得有足够的数学基础。所以可能转个方向，先基于大模型开发一款工具或应用，比如AIGC或知识库。
然后问题又来了：怎么用大模型开发应用？是自己训练或微调一个模型，还是直接用第三方的大模型？如果使用三方大模型，只需要懂得接口调用，甚至不需要懂AI就能开发，技术要求低，成本也低。而如果用开源模型，就得自己部署、动态扩容……等你真正决定自己部署大模型时才会发现，独立运维部署大模型是一个超级复杂的工程，不但要考虑模型选择，还要负责集群部署和扩容。这么庞大的系统工程靠人力根本不行，自动化运维就成了必需品。
最终，经过一番折腾，你成功部署了大模型。然后发现，模型的生成效果好像不太好，现有的训练和微调方式都没办法解决。
到了这一步，你就得开始真正研究大模型的底层实现了——用了什么算法、什么架构、可能是什么问题导致表现不好。或者，你在使用过程中突然发现一些之前没注意到的好玩现象，比如大模型的幻觉问题，一本正经地胡说八道。产生这个问题的根本原因又是什么？
这时你会发现自己好像懂了什么是大模型，又好像什么都不懂；感觉什么东西都知道一点，但又没办法说个所以然。为什么会出现这种情况？原因很简单：大模型是一个复杂的系统性工程，没有人能一开始就说个一二三。大家都是在不断学习、不断使用的过程中，发现问题，改正问题，在问题中成长。
所以说，你没有机器学习和深度学习的基础，会有上面的各种疑问；你有了机器学习和深度学习的基础，同样会有这些疑问。学习最重要的是学以致用。不论是从应用学起，还是从底层理论开始，你可以根据自己的喜好选择适合的方式。没有人规定有了深度学习基础就一定能学会大模型技术，也没有人规定没有深度学习基础就学不会大模型技术。