前端学 LLM

什么是 AI、生成式 AI 与 LLM

学习 LLM 之前，先要把几个经常混在一起的词分开：AI、机器学习、深度学习、生成式 AI、LLM。

这些词不是同义词。它们像一组层层嵌套的技术范畴：AI 是更大的目标，机器学习是实现 AI 的一类方法，深度学习是机器学习中的重要路线，生成式 AI 是深度学习发展到一定阶段后非常重要的应用形态，而 LLM 是生成式 AI 中最有代表性的模型类型之一。

AI 是什么

AI 是 Artificial Intelligence，也就是人工智能。它不是某一个具体模型，而是一个很大的目标：让机器表现出某些通常需要人类智能才能完成的能力。

比如：

  • 识别图片里的物体。
  • 理解一段文字的含义。
  • 根据历史数据做预测。
  • 规划一条路径。
  • 和用户对话。
  • 根据需求生成代码。

早期 AI 有很多基于规则的系统。开发者把规则写出来，机器按规则执行。比如一个简单客服机器人可以根据关键词匹配回答：用户说“退款”，系统返回退款流程。

这种方式的优点是可控，缺点是很脆弱。规则覆盖不到的情况，系统就很难处理。

机器学习是什么

机器学习的思路不是让人把所有规则写死，而是让机器从数据中学习规律。

如果用前端工程作类比，传统规则系统像是你手写了大量 if...else：

if (message.includes('退款')) {
  return '这是退款流程...';
}

if (message.includes('发票')) {
  return '这是发票流程...';
}

机器学习更像是你给系统很多历史样本，让它自己学习“什么样的输入更可能对应什么样的输出”。

这让系统可以处理更多模糊场景，比如垃圾邮件识别、推荐系统、搜索排序、风险判断等。

深度学习是什么

深度学习是机器学习中的一类方法，核心是使用多层神经网络从大量数据中学习复杂模式。

它特别擅长处理非结构化数据，比如文本、图片、语音、视频。过去很多 AI 能力的突破，都和深度学习有关：

  • 图像识别。
  • 语音识别。
  • 机器翻译。
  • 文本分类。
  • 代码生成。

深度学习让模型不再只依赖人工设计的特征，而是可以从大量数据中学习更复杂、更抽象的表示。

生成式 AI 是什么

生成式 AI 的重点是“生成”。

传统 AI 很多任务是判断、分类、预测。例如：

  • 这封邮件是不是垃圾邮件？
  • 这张图里有没有猫？
  • 这个用户是否可能流失？

生成式 AI 则可以产生新的内容：

  • 写一篇文章。
  • 生成一张图片。
  • 总结一份文档。
  • 改写一段文案。
  • 根据需求生成代码。
  • 把语音转成文字，再生成回答。

这就是为什么生成式 AI 对产品形态的影响很大。它不只是给已有流程加一个判断结果，而是可以参与创作、表达、搜索、编辑、规划和执行。

LLM 是什么

LLM 是 Large Language Model，大语言模型。

拆开看：

  • Large：模型规模大，参数多，训练数据多。
  • Language：主要处理语言，包括自然语言和代码。
  • Model：它是一个从数据中学习出来的概率模型。

语言模型最基础的任务，可以理解为预测下一个 token。给定一段上下文，模型预测接下来最可能出现什么。

这听起来很简单，但当模型足够大、训练数据足够多、训练方式足够成熟时，它会表现出很多复杂能力：

  • 对话。
  • 总结。
  • 翻译。
  • 代码生成。
  • 信息抽取。
  • 格式转换。
  • 工具调用参数生成。
  • 多步任务辅助。

注意，LLM 并不是数据库。它不是通过查表返回答案，而是根据上下文生成最可能的输出。这一点会影响它的可靠性、事实准确性和工程使用方式。

为什么叫语言模型

因为它最核心的输入和输出形式是语言。

这里的“语言”不只包括中文、英文，也包括代码、JSON、Markdown、SQL、HTML、日志、配置文件等带有结构和语义的符号序列。

这对前端工程师很重要，因为 Web 开发本身充满了文本协议和结构化文本：

  • HTML。
  • CSS。
  • JavaScript。
  • TypeScript。
  • JSON。
  • Markdown。
  • URL。
  • 表单字段。
  • 错误日志。

LLM 能处理这些内容，所以它天然适合参与很多软件工程任务。

为什么“大”重要

“大”不是唯一因素，但在 LLM 发展中非常关键。

更大的模型和更多的数据，通常能带来更强的泛化能力。模型不仅能记住具体模式，还能在新任务中组合已有能力。比如你没有专门训练它“把某个接口文档转成 TypeScript 类型”，但它可能通过语言、代码和文档之间的关联学会完成这个任务。

当然，大也意味着更高成本、更高延迟和更复杂的部署。因此真实产品里常常会按任务选择不同模型：简单任务用便宜快的模型，复杂任务用能力更强的模型。

LLM 和传统 NLP 的区别

传统 NLP 往往针对具体任务构建模型或流程。例如分词、词性标注、情感分析、命名实体识别、文本分类、机器翻译。

LLM 更像一个通用语言接口。你可以用同一个模型处理许多任务，只要通过 prompt、上下文、示例、工具和输出格式约束来描述任务。

这带来两个变化：

第一，产品原型速度变快。很多过去需要单独训练或规则开发的能力，现在可以先用 prompt 验证。

第二，工程复杂度转移了。难点不再只是“模型能不能做”，而是“如何让模型稳定、可控、低成本、可评估地做”。

小结

AI 是大目标，机器学习是从数据中学习规律的方法，深度学习是机器学习的重要路线，生成式 AI 强调内容生成，LLM 则是生成式 AI 中最重要的语言模型形态。

对前端工程师来说，理解 LLM 的第一步不是研究 Transformer 公式，而是理解它作为一种“语言驱动的生成与推理接口”会怎样改变应用开发。

一旦你接受 LLM 不是数据库、不是完整产品、也不是确定性函数，后面的 Prompt、Context、Token、Streaming、Tool Calling、RAG 和 Eval 就都会更容易理解。