按你这个分类，机器学习和深度学习是并列的？

LLM大家都已经再熟知不过了，为了承上启下，这里针对LLM再做一些简单的概念以及自认为一些关键内涵的回顾。从概念分类角度上看，大语言模型是深度学习的分支。其中：机器学习是人工智能（AI）的一个子领域，它的核心是让计算机系统能够通过对数据的学习来提高性能。在机器学习中，我们不是直接编程告诉计算机如何完成任务，而是提供大量的数据，让机器通过数据找出隐藏的模式或规律，然后用这些规律来预测新的、未知的数据。深度学习是机器学习的一个子领域，它尝试模拟人脑的工作方式，创建所谓的人工神经网络来处理数据。这些神经网络包含多个处理层，因此被称为“深度”学习。深度学习模型能够学习和表示大量复杂的模式，这使它们在诸如图像识别、语音识别和自然语言处理等任务中非常有效。大语言模型是深度学习的应用之一，尤其在自然语言处理（NLP）领域。这些模型的目标是理解和生成人类语言。为了实现这个目标，模型需要在大量文本数据上进行训练，以学习语言的各种模式和结构。如ChatGPT，文心一言，就是一个大语言模型的例子。被训练来理解和生成人类语言，以便进行有效的对话和解答各种问题。如下图所示中LLM与ML、DL的关系：同时，LLM还有一个可以说独有的特点，即生成式AI，这也是区别与其它传统模型或训练任务的Uniqueness，表面上看，这种技术包括用于生成文本、图像、音频和视频等各种类型的内容的模型，其关键特性是，它不仅可以理解和分析数据，还可以创造新的、独特的输出，这些输出是从学习的数据模式中派生出来的。

如果要将图1中那条起起落落的黄色曲线做更详细的说明，就是图2中展示的信息，这部分内容大家可以根据兴趣选择性阅读了解，要点我已列出，在此不做更多赘述。图2 AI发展经历的三个阶段2022年开始掀起的这一轮AI大模型革命，更准确的来说是生成式AI的革命（生成式AI，Generative artificial intelligence，简称GenAI），图3给出了关于生成式AI的更多技术解释，图片左边的文字可选择性阅读了解，我们更需要将注意力集中在图的右侧，理解这些概念之间的包含关系，即：人工智能是一个大而泛的概念，其中有一个流派叫做“机器学习”，而机器学习中涌现出一个分支，即应用了深度神经网络的机器学习，我们称之为“深度学习”，深度学习中又涌现出一个细分流派，就是这一轮大热的生成式AI。图3什么是生成式AI-1从结果（质量/效果）上看，生成式AI相较之前的所有AI实现方法，有了根本性的，跨时代的进步，做为AI应用的学习者，我建议你在理解这些概念的时候可以粗暴的做这样的划分：生成式AI和其他AI。因为在80年的AI发展史中，AI从未有一刻像现在如此像人，在某些细分场景应用中，我深刻的感受了“他”已经通过了图灵测试，激发起我内心深深的惊叹和敬畏！

一、视频一主要回答了什么是AI大模型，原理是什么。1、概念：生成式AI生成的内容，叫做AIGC2、概念与关系：相关技术名词1）AI——人工智能2）机器学习——电脑找规律学习，包括监督学习、无监督学习、强化学习。3）监督学习——有标签的训练数据，算法的目标是学习输入和输出之间的映射关系。包括分类和回归。4）无监督学习——学习的数据没有标签，算法自主发现规律。经典任务包括聚类，比如拿一堆新闻文章，让模型根据主题或内容特征分成具有相似特征的组。5）强化学习——从反馈里学习，最大化奖励或最小化损失；类似训小狗。6）深度学习——一种方法，参照人脑有神经网络和神经元（因为有很多层所以叫深度）。神经网络可以用于监督学习、无监督学习、强化学习。7）生成式AI——可以生成文本、图片、音频、视频等内容形式8）LLM——大语言模型。对于生成式AI，其中生成图像的扩散模型就不是大语言模型；对于大语言模型，生成只是其中一个处理任务，比如谷歌的BERT模型，可用于语义理解（不擅长文本生成），如上下文理解、情感分析、文本分类；3、技术里程碑——2017年6月，谷歌团队发表论文《Attention is All You Need》。这篇论文首次提出了Transformer模型，它完全基于自注意力机制（Self-Attention）来处理序列数据，而不需要依赖于循环神经网络（RNN）或卷积神经网络（CNN）。GPT含义：Transformer是关键。Transformer比RNN更适合处理文本的长距离依赖性。