如果你一直关注最近关于人工智能的热议，你可能听说过一些工具，它们似乎无所不能，从写诗到编写复杂的代码，无所不能。所有这些神奇功能的背后都蕴含着一个关键概念： 基础模型基本上，它们就像汽车底盘；一个坚固的通用结构，可以根据我们在任何特定时间的需要进行定制，成为跑车、卡车或多用途车辆。
这些系统之所以具有颠覆性，是因为我们不再为单一任务设计人工智能，而是创造一个 数字巨头 entrenado con cantidades ingentes de datos que luego podemos «moldear». Este cambio de paradigma ha permitido que la IA pase de ser algo muy rígido a convertirse en una herramienta flexible que aprende patrones generales del mundo para luego aplicarlos a problemas concretos, lo que ha acelerado la innovación a un ritmo que, sinceramente, deja fría a cualquiera.
基础模型究竟是什么？
简单来说，基础模型是指任何使用……训练的AI系统。 海量数据 （通常通过自我监控）并且能够通过称为微调的过程来适应各种各样的应用。它们并非完全是新事物，因为它们借鉴了深度学习和知识迁移，但是…… 规模空前 数据和计算催生了许多人们始料未及的能力。
切勿将它们与……混淆 LLM（大型语言模型）尽管两者经常被混用，但它们之间的关系更像是属与种的关系：所有逻辑逻辑模型（LLM）都是基础模型，但并非所有基础模型都是逻辑逻辑模型。逻辑逻辑模型侧重于文本和代码，而基础模型则可以是…… 多式联运处理来自机器人的图像、音频、视频，甚至是感觉信号。
技术支柱：变压器和培训
使这一切成为可能的架构是…… 变压器. Este sistema utiliza un mecanismo llamado «autoatención», que permite al modelo entender la importancia de diferentes partes de una secuencia, sin importar que estén lejos unas de otras. Consta habitualmente de un codificador y un decodificador que generan 向量表示 （嵌入）捕捉语言或图像的深层含义。
创作过程通常分为几个阶段：
- 锻炼前： Es la fase más costosa. El modelo «devora» internet, libros y bases de datos para aprender la estructura general de la información. Aquí es donde se definen el 参数数量标记的数量和上下文窗口。
- 微调： 一旦模型具备了通用性，就可以使用特定数据进行训练，并在人类的监督下，使其成为某个领域的专家，例如医学或法律。
- 适应任务： 这是最后一步，在此步骤中，模型将针对非常具体的功能进行优化，例如创建…… 案例法搜索引擎 或者技术报告生成器。
塑造历史的杰出模型
自 2018 年以来，我们看到了一系列模特的来来往往，给行业带来了变化。 BERT 他是先驱者之一，以其双向理解语境的能力而闻名。然后，家庭出现了。 OpenAI GPT从 GPT-1 到 GPT-4 的演变表明，规模越大，涌现出的能力就越多，例如零样本学习。
但他们并非孤军奋战。我们还有 来自 Anthropic 的 Claude例如十四行诗、作品诗和俳句等诗体，都力求在智慧与速度之间取得平衡。另一方面， 亚马逊新星 它提供的功能范围很广，从多模态理解到创意视频生成，应有尽有。我们不能忘记…… 稳定扩散它将基础模型的力量带入了图像世界，或者说 布卢姆这是一项多语言协作项目，表明开源也有其存在的价值。
功能和实际应用
这些模型的功能不仅限于撰写电子邮件。它们的影响范围还延伸到关键领域：
- 健康： 它们在以下方面有所帮助： 药物发现 医学图像分析虽然需要完全可解释性以避免致命错误。
- 正确的： 它们有助于审查合同和分析冗长的法律叙述，从而降低获得司法救济的成本。
- 教育： 他们允许一个 个性化学习 而且具有适应性，尽管它们在抄袭和技术差距方面带来了挑战。
- 机器人： 目标是创建通用机器人，这些机器人无需针对每个任务从头开始编程，而是使用基础模型。 与环境互动 物理的
阴暗面：风险、伦理与环境
并非一切都尽如人意。同质化是一个严重的风险：如果每个人都使用相同的基本模型，任何 偏差或固有误差 se propagará por todas las aplicaciones derivadas, creando un «monocultivo algorítmico». Además, están las alucinaciones, esos momentos en los que la IA inventa datos con una seguridad pasmosa, lo que obliga a una 持续的人工验证.
从伦理和法律角度来看，这方面存在着公开的争论。 IP这是因为许多模型未经创建者明确同意就使用数据进行训练。此外，训练这些巨型模型还会对环境造成影响；消耗大量能源。 巨大的能量 还有水资源，这就需要寻找更高效的架构和可持续的数据中心。
人工智能的未来与治理
前进的道路要经过…… 访问民主化目前，由于硬件（GPU）成本高昂，最强大的AI模型的训练集中在少数几家公司手中。因此，大学和政府必须加大对公共基础设施的投资，以防止AI技术落入少数人之手。 技术寡头垄断.
关键在于透明度和独立审计。一家公司仅仅声称其模式安全可靠是不够的；我们需要…… 监管框架 （例如欧盟人工智能法案）和专业标准，以确保这些工具用于改善社会，而不是用于加强大规模监控或虚假信息传播。
人工智能生态系统已向一种新的结构转变，即少数核心模型支撑数千个专业应用，将海量处理能力与人类级别的精准调优相结合。这一进步在引发深刻的伦理困境和能源消耗担忧的同时，也通过将人工智能转变为能够跨多个领域同时进行推理、创造和学习的通用基础设施，重新定义了人机关系。
