>随着生成式人工智能与大语言模型技术的快速发展，传统方法在面对非结构化数据（如自然语言文本、语音、图像等）和复杂场景时的处理能力已难以满足日益增长的分析需求。如何借助大模型对非结构化信息进行高效建模、语义理解与知识抽取，赋能各行各业，成为当下重要研究课题。

### **1.1 人工智能发展简史与技术演化**

**人工智能（Artificial Intelligence，AI）**是研究和开发用于模拟、延伸及扩展人类智能的理论体系、算法方法与应用系统的交叉学科。其核心目标在于使计算机具备类人智能，包括感知理解、逻辑推理、语言表达、学习优化等能力，从而实现对人类认知行为的有效替代与增强。图1.1通过对比展示了人工智能与人类归纳思维在学习逻辑与经验总结方面的异同。例如，人类可通过“蚂蚁搬家预示下雨”归纳环境规律，AI则通过机器学习训练识别垃圾邮件，实现知识从样本中抽象迁移。


![image.png](https://developer.qcloudimg.com/http-save/yehe-1277458/bf31295548ab129db47fca64955829b6.png)

::: center  
图1.1 人工智能与人类思维类比
:::
人工智能的技术演化大致可划分为三次浪潮。图1.2展示了近十年人工智能代表性技术成果与阶段性突破。核心阶段包括：
::: center  
![image.png](https://developer.qcloudimg.com/http-save/yehe-1277458/6100ec3e765a5e7682b0b7dd5b3acf12.png)
:::

::: center  
图1.2 AI技术发展代表性工作
:::

**（1）第一阶段为“符号主义阶段”（1956–1974）**
以达特茅斯会议的召开为起点，John McCarthy等人首次提出“人工智能”概念。该时期聚焦基于规则与逻辑推理的专家系统构建，典型成果包括感知器模型（Perceptron）和汉诺塔问题求解等，推动了计算智能的雏形建构。

**（2）第二阶段为“专家系统与知识工程阶段”（1980–1997）**
以XCON、CYC系统等为代表。此时期人工智能广泛用于知识建模与推理演绎，强调计算机模拟专家思维流程，推动了AI在工业控制、自动推理等领域的初步应用。但因计算能力、数据资源及泛化性能的限制，该阶段AI研究一度陷入“寒冬”。

**（3）第三阶段为“深度学习主导阶段”（2006至今）**
以神经网络复兴和机器学习范式升级为特征。2006年，Geoffrey Hinton提出的深度置信网络（DBN）重启了深度学习研究热潮；2012年AlexNet模型在ImageNet竞赛上显著超越传统方法，标志着以卷积神经网络（CNN）为基础的AI模型进入主流。随后，VGG、ResNet、Word2Vec、Transformer、BERT等模型陆续提出，推动了视觉识别、自然语言处理、语音识别等领域的飞跃发展。2016年AlphaGo战胜人类围棋冠军，进一步彰显AI系统在策略规划和复杂博弈中的潜力。

随着数据规模与算力水平的指数级提升，大语言模型（Large Language Models，LLMs）成为人工智能新阶段的核心技术形态。大语言模型基于Transformer结构，通过海量文本数据进行自监督预训练，能在上下文理解、多轮推理、自然生成等方面展现出显著的泛化能力。当前，大模型已不再依赖任务专用设计，而是具备通用推理基础，能够通过简单提示（Prompt）迁移至摘要生成、知识问答、情感分析、翻译润色等多种任务，标志着AI从“感知智能”迈向“生成智能”的跃迁。

### **1.**2**** 生成式人工智能****与****大语言模型****架构**

生成式人工智能（Generative Artificial Intelligence，AIGC）是人工智能技术的重要分支，指基于深度学习、生成对抗网络（GAN）、变分自编码器（VAE）、扩散模型（Diffusion Models）及大规模预训练语言模型（如Transformer架构、GPT模型）的生成能力，通过学习已有数据分布与结构模式，具备自动生成文本、图像、音频、代码等内容的能力。其本质是通过模型对数据的高维表示进行建模与泛化，从而实现条件驱动下的创意内容生成，典型GPT模型是生成式人工智能的有效解释，如图1.3所示。关键内容包括：

- 生成式（Generative）
- 预训练（Pre-trained）
- 转换器（Transformer）

::: center  
![image.png](https://developer.qcloudimg.com/http-save/yehe-1277458/e6c0fd5795227867e7f483fb3ae5a5a0.png)
:::
::: center  
图1.3 GPT模型引导生成式人工智能
:::

生成式人工智能的发展可追溯至2014年Ian Goodfellow提出的生成对抗网络（GAN），其引入对抗学习机制，使模型能够逐步逼近真实数据分布，首次展现了AI自动创作的潜力。随后，变分自编码器与自回归模型在语音与图像生成领域取得突破性进展。近年来，基于Transformer的预训练生成模型（如GPT系列、BERT）通过大规模语料自监督学习，进一步提升了生成内容的语义一致性与上下文连贯性，开启了大模型赋能AIGC的新时代。

当前，生成式人工智能已广泛应用于多个领域。典型应用场景如图1.4所示，主要包括文本生成、图像生成、音频与语音生成、视频生成与编辑等。

随着大模型能力持续提升，AIGC正成为推动内容生产范式变革的核心力量。从“人生产、机辅助”向“机生成、人引导”模式转变，为教育、科研、传媒、制造、法律、医疗等行业提供了显著的效率提升与创意释放空间。例如，在教育场景中，AIGC可生成个性化教案与考试题库；在科研写作中，AIGC可辅助文献综述、图表生成与算法注释；在企业办公中，AIGC可实现自动报告撰写与文档摘要等功能。总之，生成式人工智能不仅是AI从感知智能向生成智能进化的标志，也正在成为各行业智能化升级与知识重构的重要驱动力。

::: center  
![image.png](https://developer.qcloudimg.com/http-save/yehe-1277458/ecbc89411ff46c3eb01c5ff82cc6da83.png)
:::
::: center  
图1.4 生成式人工智能应用场景
:::
大语言模型（Large Language Model, LLM）是当前生成式人工智能发展的核心技术，指在大规模文本语料上预训练的深度神经网络模型，具备自然语言理解、生成与推理能力。LLM的基本架构建立在Transformer神经网络之上，通过编码器-解码器结构（或自回归模型架构）捕捉长文本中的上下文依赖关系。随着数据规模与参数规模的指数增长，大语言模型已从最初的语言建模扩展至文本分类、信息抽取、智能问答、机器翻译、知识生成等多种任务，成为迈向通用人工智能（AGI）的重要路径，其基本应用流程如图1.5所示。

![image.png](https://developer.qcloudimg.com/http-save/yehe-1277458/a5033fae999bb49f0cd97e98b72431db.png)

::: center  
图1.5 大模型应用基本流程
:::
在大语言模型发展历程中，InstructGPT与ChatGPT是两个关键节点。InstructGPT模型通过将人类指令对齐机制引入预训练大模型，实现了基于“指令-响应”模式的微调架构。其核心步骤包括：首先对预训练模型进行强化学习准备，然后引入人类反馈（RLHF）构建奖励模型，最后以人类偏好为优化目标进行策略微调。ChatGPT在此基础上进一步拓展交互能力，实现多轮上下文对话，显著提升了用户体验与生成内容质量。如图1.6所示，其架构经历了三阶段流程：
- 预训练语言模型
- 奖励模型训练
- 强化学习微调

![image.png](https://developer.qcloudimg.com/http-save/yehe-1277458/ae5d03ea71e948f075964ece1bc0e8f9.png)
::: center  
图1.6 InstructGPT模型基本流程
:::
大语言模型的构建过程主要包括模型训练与模型推理两个关键阶段，如图1.7所示。
- 在训练阶段，首先通过自监督预训练在大规模无标签语料上学习语言模式与语义结构，形成基础语言理解能力；随后进行监督微调，通过有标签任务对模型进行指令对齐与目标优化；最后引入人类反馈强化学习（Reinforcement Learning from Human Feedback，RLHF）机制，结合人类偏好构建奖励模型，进一步提升模型生成的准确性与可控性。
- 在推理阶段，模型首先接收输入数据（如用户提示词），随后对输入进行语义解析与结构建模，结合上下文信息与预训练知识进行深层次知识推理，最终基于生成机制输出符合任务需求的语言内容，实现多任务自然语言理解与生成能力的统一。


![image.png](https://developer.qcloudimg.com/http-save/yehe-1277458/b29c9afe8d3ed751b9abb03545fcbd50.png)
::: center  
图1.7 大模型构建的两个关键阶段
:::
近年来，大模型技术飞速发展，图1.8展示了国内外代表性的大模型。整个大语言模型的逻辑运行原理可归纳为以下三阶段：
语料驱动的自监督预训练：在大规模文本中通过自回归或掩码预测学习语言结构与语义模式；
任务适配的微调策略：通过指令数据或小样本对齐，引导模型向具体任务收敛；
提示驱动的推理生成：以Prompt作为接口，激发模型内部的知识与能力，以零样本或少样本方式完成多样任务。

![image.png](https://developer.qcloudimg.com/http-save/yehe-1277458/0658a6a6dffa8a46b0c30850c74df81f.png)

::: center  
图1.8 大语言模型发展进程
:::
在此基础上，大语言模型引出了提示学习（Prompt Learning）的研究范式。提示学习是一种利用语言模型预训练知识完成下游任务的无监督或少样本学习策略，其本质是将传统NLP任务转换为“填空”或“续写”形式。例如，情感分类任务可通过“这段评论的情感是[_____]”，提示语言转化为语言建模任务，由模型生成“正面”或“负面”答案。图1.9展示了提示学习或提示工程的一个简单示例。

提示学习包括三类主要形式：离散提示（Discrete Prompt）、连续嵌入提示（Soft Prompt），以及混合型提示结构（Prompt Tuning + Few-shot）。该策略有效缓解了监督数据依赖问题，拓展了模型在低资源场景中的泛化能力。

::: center  
![image.png](https://developer.qcloudimg.com/http-save/yehe-1277458/d7662dd51b6478cd0a47d65ed1bcf10a.png)
:::

总而言之，大语言模型作为融合大数据、大算力与高效算法的产物，已从语言技术工具演化为通用智能平台，正在重构人机交互、信息获取与知识处理的基本逻辑。

随着生成式人工智能与大语言模型技术的快速发展，传统方法在面对非结构化数据（如自然语言文本、语音、图像等）和复杂场景时的处理能力已难以满足日益增长的分析需求。如何借助大模型对非结构化信息进行高效建模、语义理解与知识抽取，赋能各行各业，成为当下重要研究课题。

生成式人工智能与大模型概述

技术经理

人工智能

大数据

云计算

生成式AI与大语言模型技术快速发展，通过Transformer架构实现对非结构化数据的高效处理。从符号主义到深度学习，AI历经三次浪潮演进，GPT等大模型推动AIGC在文本、图像、语音等领域的创新应用。大模型通过预训练、微调和强化学习实现多任务处理，提示学习成为新型研究范式，正在重塑人机交互与知识处理方式。

自然语言处理

卷积神经网络

结构化数据

大模型应用

语音识别

机器学习

深度学习

人机交互

自动推理

强化学习

机器翻译

ChatGPT

2026上云采购 | AI焕新·智启新局

tione

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

生成式人工智能与大模型概述-腾讯云开发者社区-腾讯云

生成式人工智能与大模型概述

生成式人工智能与大模型概述

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐