随着春节期间DeepSeek的爆火，AI大模型再一次引起大家的关注。除了DeepSeek外，还有很多其他的大模型，如ChatGPT、Gemini、Kimi、豆包等，它们能写文章、画图、写代码，甚至能帮你策划旅行。那这些眼花缭乱的大模型有哪些分类呢？我们根据行业和应用范围大致可以分为四类：
1. 通用大模型
1.1. 模型介绍
- 模型说明： 它的底座技术就是生成式的AI，更具体一点，就是大语言模型(LLM)。
- 训练的数据： 基于全网公开数据（书籍、网页、论文等）训练。学习了全人类公开的知识。
- 以人做类比： 像一位知识渊博的“通才老师”，但遇到专业问题可能需要“补课”。
- 应用场景： 日常聊天、学习辅助、创意生成。
1.2. 典型代表
| 名称 |
所属公司 |
特点 |
| ChatGPT |
OpenAI(OpenAI后面被微软收购了) |
|
| DeepSeek |
深度求索 |
|
| Gemini |
Google |
|
| 文心一言 |
百度 |
|
| 混元 |
腾讯 |
|
| 通义千问 |
阿里 |
|
| 豆包 |
字节跳动 |
|
2. 行业大模型
2.1. 模型介绍
- 模型说明： 它是垂直领域的模型，专注于某一特定的行业，如法律、金融、医疗、教育等。
- 训练的数据： 某个特定行业的数据，如医疗、金融、法律等。学习了特定行业的知识。
- 以人做类比： 像是某一行业的“专业顾问”，它知道这一行业的所有行业知识。
- 应用场景： 医生问诊辅助、金融风险预测、法律文件处理。
2.2. 典型代表
| 名称 |
所属公司 |
特点 |
| BloombergGPT |
Bloomberg |
金融大语言模型，能够分析市场趋势、生成财经报告等。 |
| Med-PaLM |
Google |
医疗大型语言模型, 能解读X光片，辅助医生诊断疾病等。 |
| Lexion |
Lexion，后被DocuSign收购 |
法律大型语言模型, 能完成合同审查、法律条款分析等。 |
3. 专业大模型
3.1. 模型介绍
- 模型说明： 它是一个比行业模型还更垂直的模型，专注于某一特定的细分领域，如蛋白质结构预测、图像生成等。
- 训练的数据： 某个特定领域的数据，如基因工程等。学习了某个特定领域的专业知识。
- 以人做类比： 像奥运会跳水冠军，只在特定项目上碾压全场，但不会打篮球。
- 应用场景： 科研实验、艺术创作、软件开发等。
3.2. 典型代表
| 名称 |
所属公司 |
特点 |
| AlphaFold |
Google DeepMind |
预测蛋白质三维结构，推动生物医药研究。 |
| Copilot |
GitHub 和 OpenAI 共同开发 |
人工智能代码助手，能够帮助开发者自动生成代码、修复错误、编写文档等。 |
4. 私有大模型
4.1. 模型介绍
- 模型说明： 它是一个私有的模型，只学习企业或个人的内部数据。私有大模型通常对数据安全有较高的要求。
- 训练的数据： 某个特定企业、组织或个人的数据。学习了企业、组织或个人的内部私密知识。
- 以人做类比： 相当于一个企业或个人的私人秘书。它可以代替你行驶一部分能力，甚至有些能力会超越你。
- 应用场景： 企业内部数据分析、客户服务定制、敏感信息处理。
说明：私有大模型，也有叫智能体(AI Ageent)或数字分身。
4.2. 典型代表
- 微信公众的AI智能回复，开启“AI智能回复”后，AI会学习公众号历史发表内容并提供智能回复。
- 特斯拉自动驾驶模型：基于车辆真实行驶数据优化。
- 腾讯混元大模型（内部版）：优化社交平台内容审核。
5. 总结
5.1. 差异对比
| 类型 |
优势 |
劣势 |
用户群体 |
| 通用大模型 |
功能全面，上手简单 |
专业性不足 |
普通用户、开发者 |
| 行业大模型 |
领域知识丰富 |
跨行业能力弱 |
医生、金融从业者 |
| 专业大模型 |
单任务精度极高 |
功能单一 |
科学家、艺术家 |
| 私有大模型 |
数据安全，高度定制 |
开发成本高 |
大型企业、政府机构 |
5.2. 区别说明
- 这些不同类型的大模型之间最关键的区别是训练数据的不同。因为大模型算法的原理是类似的，都具备理解、搜索、推理的能力。
- 行业大模型和专业大模型的边界是比较模糊的，比如
Copilot你可以说它是一个(编程)行业大模型，也可以说它是一个专业大模型。不是严格区分的情况下，也可以把他们似为同一类。
