“多模态大模型”看起来很神奇：一边看图，一边理解问题，还能输出长文本推理。 但它的工程本质并不玄学，可以归结成一句话： 把不同模态（图像、视频、音频等）变成 LLM 能理解的 token/向量，再通过统一的解码器进行条件生成。 本文会从实现机制出发，深入拆解多模态模型的核心原理、主流架构范式和训练策略，并给出原理图和模型架构图。 1. 统一视角：多模态模型到底在做什么？ 先看总流程...

各位读者，欢迎来到“AI 发展史展馆”。 今天这篇不是某个单点技术教程，而是整个系列的“总导览”。你可以把它理解为展馆门口的大地图：先看全貌，再按兴趣进入具体展厅。 在这条时间轴里，我们会看到 AI 发展并不是线性上升，而是多次经历了： 理想高涨 工程受挫 方法突变 产业爆发 而每一轮“突变”，几乎都对应一次范式变化。 一、先看全景时间线 flowchart ...

各位观众，欢迎来到 AI 历史展馆的第一展厅。 墙上写着一个看似简单的问题：机器会思考吗？ 1950 年，艾伦·图灵没有直接给出哲学定义，而是换了一个更“工程化”的提问方式，这就是后来著名的图灵测试。 一、历史背景：为什么这个问题在 1950 年出现？ 二战后的计算机刚刚展现出强大算力，很多人开始相信机器不仅能算数，也可能参与推理和语言处理。 但“思考”这个词过于抽象，容易陷入空谈...

欢迎来到第八展厅。这里摆着一篇改变行业轨迹的论文：《Attention Is All You Need》。 2017 年，Transformer 出现后，AI 的训练和应用范式发生了根本变化。 一、它解决了什么旧问题？ 在 Transformer 之前，序列建模主力是 RNN/LSTM。它们的问题主要是： 难并行，训练慢 长距离依赖难捕捉 Transformer 用自注...

欢迎来到第三展厅。这里的主角不是一次“胜利”，而是一次“降温”。 很多新读者会问：AI 为什么会有“冬天”？ 答案之一，就藏在 1969 年关于感知机的那场争论中。 一、背景：早期神经网络为何被寄予厚望？ 1950-1960 年代，感知机（Perceptron）被看作“机器学习智能”的希望。 它的特点是： 结构简单 能从样本中学习分类边界 不依赖大量手工规则 在...

欢迎来到第五展厅。这里有一张历史照片：1997 年，IBM Deep Blue 战胜国际象棋世界冠军加里·卡斯帕罗夫。 这是 AI 首次在全球关注的智力竞技中，正面击败顶尖人类选手。 一、为什么“下棋”在 AI 历史里意义特殊？ 国际象棋长期被当作“理性思维”的象征。 所以当机器在棋盘上获胜，公众会自然联想到： 机器是否已经具备了某种“超越人类”的智能？ 尽管这个推论并不...

欢迎来到第二展厅，这里陈列着一份很短却极其重要的研究提案。 1955 年，麦卡锡等人提交了著名提案，计划在 1956 年夏天于达特茅斯学院组织一次研讨会。提案首次系统使用了“Artificial Intelligence”这个名字。 一、为什么这次会议是“学科诞生”而不只是“学术活动”？ 在达特茅斯之前，相关研究分散在数学、控制论、逻辑学、心理学和计算机科学中。 达特茅斯会议做了三件...

欢迎来到第九展厅，也是当前系列时间线的最后一站。 2022 年 11 月，ChatGPT 发布后，AI 进入了一个全新的公共阶段： 不再只是研究论文和企业内部工具 而是全民可直接交互的产品形态 一、为什么是 ChatGPT，而不是更早的模型“破圈”？ 在 ChatGPT 之前，大模型能力已经快速上升，但普通用户门槛仍高： 使用方式不友好 产品体验不连续 反...

欢迎来到第四展厅。这里是一场“方法论复活”。 如果说前一展厅讲的是“神经网络为何降温”，这一展厅讲的就是“神经网络如何重新站起来”。 一、关键问题：多层网络怎么训练？ 早期研究者已经知道多层网络更强，但一直有个难点： 输出误差如何有效传回前面每一层参数？ 1986 年，Rumelhart、Hinton、Williams 的工作系统化展示了反向传播（Backpropagati...

欢迎来到第七展厅。这里播放着那场全球直播：2016 年 AlphaGo 对战李世石。 这场比赛的意义，远超“围棋胜负”。 一、为什么围棋比国际象棋更难？ 在当时的主流认知中，围棋的搜索空间远高于国际象棋，传统穷举搜索难以直接奏效。 所以在很多人看来，围棋是“人类直觉”的最后堡垒之一。 二、AlphaGo 的方法组合 AlphaGo 的核心并非单一算法，而是系统组合： 深度...