Skip to main content

什么是人工智能模型

注意：本文档是英文原版的自动翻译。

什么是人工智能模型

一个人工智能模型是一种数学结构，它在数据上经过训练以产生有用的输出：预测、分类、生成的文本、图像、评分或决策。可以把它想象成一份计算机从数百万个示例中学到的、非常复杂的"配方"。正如一位人类厨师在创造自己的食谱之前会研究成千上万道菜肴一样，人工智能模型在 训练 期间从数据中吸收模式，然后在 推理 期间将这些模式应用于新的、未见过的输入。

模型本身并不是传统意义上的软件。它是一个文件（或一组文件），包含称为**权重（weights）**的数值，这些数值编码了模型学到的模式。没有权重，模型只是一个空壳架构，毫无知识。有了权重，它就成为把原始输入转化为人工智能驱动结果的核心工件。

简而言之： 人工智能模型是一份从数据中学来的"配方"。它接收输入，应用训练期间吸收的模式，并产生输出。当一个加密人工智能项目声称"拥有 AI"时，第一个问题是：什么模型？

模型是如何创建的

构建一个人工智能模型遵循一条流水线，它从一个空白结构开始，以一个可部署的工件结束。理解这条流水线有助于评估一个项目的人工智能究竟有多深、有多真实。

架构

每个模型一开始都是一个架构——一份定义数据如何在系统中流动的蓝图。常见的架构包括前馈神经网络、卷积神经网络（CNN）、transformer、决策树和扩散模型。架构决定了模型能够学习哪些种类的模式，以及它学习的效率有多高。为任务选择正确的架构，是人工智能团队所做的最重要决策之一。

参数与权重

架构包含参数（parameters）——模型在训练期间调整的可变数值。一个小型模型可能有几百万个参数；一个大型语言模型可以有数千亿个参数。在训练之前，所有参数都用随机或半随机的值初始化，不携带任何有用的知识。

训练之后，这些参数变成权重（weights）——编码了模型从其训练数据中提取的统计模式的具体数值。权重正是让一个已训练模型不同于一个空壳架构的东西。当人们谈论"模型大小"时，通常指的是参数的数量。

训练

在 训练 期间，模型接触一个 数据集，一个优化算法（例如带反向传播的梯度下降）调整权重以最小化误差。训练过程可能耗时数小时、数天或数周，取决于数据集大小、模型大小和可用的 算力。其结果是一个已训练的模型：一组可以被加载和使用的权重文件。

评估

在部署之前，一个负责任的团队会对照 基准测试 评估模型——基准测试是衡量特定任务表现的标准化测试。评估回答了这个问题：这个模型是否真的足够好用？

部署

最后一步是把已训练模型加载到一个服务真实请求的推理系统中。部署涉及关于硬件、延迟要求、扩展和监控的决策。一个仅作为研究原型存在的模型还不是一个产品。

简化的端到端流程：

  1. 选择架构 —— transformer、CNN、决策树、扩散模型等。
  2. 准备数据 —— 收集、清洗并标注一个 数据集。
  3. 训练 —— 运行一个根据数据调整模型参数的优化算法。
  4. 评估 —— 对照 基准测试 衡量表现。
  5. 部署 —— 把已训练模型加载到一个服务真实请求的推理系统中。

模型 vs 算法

这两个术语常被混淆，但其区别很重要：

  • 算法 —— 训练方法或过程（例如梯度下降、反向传播、强化学习）。它描述模型如何学习。
  • 模型 —— 把算法应用于数据所得到的结果。它描述学到了什么。

一个算法可在许多数据集和任务间复用。一个模型则特定于它所训练的数据和任务。同一个训练算法，依据所用的架构、数据和超参数，可以产生非常不同的模型。

人工智能模型的类型

对模型进行分类没有唯一的方法，但有几个主要的家族在主流人工智能和加密人工智能项目中都经常出现。

类型 工作原理 典型任务 加密人工智能示例
Transformer 使用自注意力处理序列以捕捉长程关系 文本生成、翻译、代码生成、推理 LLM 驱动的聊天机器人、人工智能代理、代码审计
CNN（卷积神经网络） 应用滤波器以检测空间模式（边缘、纹理、形状） 图像分类、目标检测、视频分析 NFT 分析、链上视觉模式检测
扩散模型 通过逐步逆转加噪过程来学习生成数据 图像生成、视频合成、音频创作 生成式 NFT 艺术、用于训练的合成数据
决策树 / 梯度提升树 在树结构中沿特征阈值切分数据 分类、回归、表格数据 诈骗检测、风险评分、链上异常检测
强化学习模型 通过试验、奖励和惩罚来学习最优动作 策略优化、自主决策 自动做市商、交易策略代理
推荐引擎 按对用户或上下文的预测相关性对条目排序 内容策展、个性化 代币发现、协议推荐
生成对抗网络（GAN） 两个网络竞争：一个生成，一个判别 逼真图像合成、数据增强 合成训练数据、深度伪造检测

大多数加密人工智能项目使用这些模型类型中的一种或几种的组合。理解一个项目使用的是哪种类型，有助于评估其所声称的人工智能能力对于既定用例是否现实。

预训练模型 vs 微调模型

在项目文档中经常出现的两个术语：

  • 预训练模型 —— 在一个大型、通用数据集（例如互联网文本或数百万张图像）上训练的模型。预训练既昂贵又耗时。进行预训练的组织（例如 GPT、DeepSeek 或 Stable Diffusion 背后的组织）投入了大量算力资源，并通常发布所得模型供他人在其上构建。
  • 微调模型 —— 一个在较小的、任务特定的数据集上额外训练过的预训练模型。微调比从零开始训练更便宜、更快，但仍然需要领域专业知识、高质量数据和适当的算力。

一个在自有链上数据上微调开源模型的项目，比一个仅调用第三方 API 的项目拥有更多的人工智能深度。然而，仅有微调并不能保证高质量——数据、方法论和评估都很重要。

开源模型 vs 自有模型

开源模型（有时称为"开放权重模型"）公布其架构、权重，且通常还公布训练细节，供任何人检查、复现并在其上构建。示例包括 DeepSeek、Qwen、Mistral 和 Stable Diffusion。开源并不意味着该模型可免费用于商业用途——许可证各不相同。

自有模型（proprietary models）将其权重、架构细节和训练数据保持私有。用户只能通过 API 访问它们。示例包括 GPT 和 Claude。

出于验证目的，开源模型提供了明显的优势：任何人都可以检查代码和权重，独立运行模型，并验证其主张。一个使用开源模型或在其上构建的加密人工智能项目，比一个引用封闭 API 背后专有模型的项目提供了更可验证的证据。

自有模型 vs 调用别人模型的 API

对于评估人工智能深度，这一区别至关重要：

  • 自有模型 —— 该项目训练或微调了一个模型，并控制其权重、数据流水线和部署。这意味着更深的人工智能深度，并可通过代码、模型卡和基准测试加以验证。
  • API 调用 —— 该项目向第三方模型（OpenAI、Anthropic、Google）发送请求并返回响应。人工智能属于提供方。参见 什么是 API wrapper。

一个通过 API 调用 GPT 的项目，和一个在自有链上数据上训练了自己 transformer 的项目，两者都"使用了 AI"——但人工智能深度、所有权和可验证性有着根本的不同。DecAIHub 在 AI component 字段和 AI reality 评分中反映了这种差异。

它在 DecAIHub 项目卡片中出现在哪里

人工智能模型这一概念触及一张 DecAIHub 项目卡片 的若干部分：

  • AI component 常常引用一种模型类型或架构（"fine-tuned LLM"、"proprietary classifier"、"ML scoring model"）。
  • AI use case 描述模型为最终用户做什么。
  • 证据表 显示是否已找到模型工件（代码、权重、基准测试、文档）。
  • ai_score 反映模型的存在与质量在多大程度上得到 Tier-1 证据 的支撑。
  • DecAI Fit 把 ai_score 纳入对项目契合去中心化人工智能论题程度的更广泛评估。一个 ai_score = 0 的项目，无论其他评分如何，都将获得 DecAI Fit = 0。

一个项目所使用模型的存在与类型，是判定 AI reality 时最基本的信号之一。一个记录了其模型架构、发布了权重或基准测试，并展示了可运行推理流水线的项目，比一个仅声明"我们使用 AI"的项目提供了更强的 Tier-1 证据。

仅凭一个模型无法证明什么

  • 质量 —— 一个模型可以存在但仍表现不佳。没有 基准测试，就无法判断其表现。
  • 自有价值 —— 一个模型可能是一个开源检查点的轻度修改副本。所有权和差异化需要证据。
  • 现实世界影响 —— 一个模型可以在实验室中产生正确输出，却在生产中失败。部署证据很重要。
  • 必要性 —— 拥有一个模型并不能解释为什么该项目需要一条区块链或一个代币。这些是 DecAI Fit 中独立的维度。
  • 持续维护 —— 一个只训练过一次的模型，会随着数据分布的变化而变得陈旧。没有重新训练或监控，质量会随时间下降。

请勿混淆

  • 算法 —— 训练过程，而非训练结果。算法产出模型。
  • 推理 —— 运行一个已训练模型以生成输出的过程。模型是工件；推理是它的使用。
  • AI component —— 一个更宽泛的术语，可能包括模型加上周边的流水线（数据、预处理、部署）。模型是该组件的一部分。
  • LLM —— 一种特定类型的模型（大型语言模型），并非"人工智能模型"的泛指同义词。
  • 数据集 —— 用于训练模型的数据。数据集是训练过程的输入；模型是其输出。

常见问题

模型和算法有什么区别？

算法是一个过程——一套告诉计算机如何从数据中学习的规则（例如梯度下降）。模型是在一个特定数据集上运行该算法所得到的结果。算法可复用；模型则特定于它所训练的数据和任务。

一个人工智能模型需要多少参数？

没有普适的答案。一个针对表格数据的简单分类器可能用数千个参数就能很好地工作。一个大型语言模型可能需要数十亿个参数。更多的参数并不自动意味着更好的模型——架构设计、数据质量和训练方法比原始规模更重要。一个训练良好的小模型在特定任务上可以胜过一个训练不佳的大模型。

"开源模型"是什么意思？

一个开源（或开放权重）模型是指其架构和已训练权重公开可供检查、复现和修改的模型。这并不一定意味着该模型可免费用于商业用途——每次发布都有自己的许可证。出于验证目的，开源模型更容易审计，因为任何人都可以独立运行它们。

一个加密项目能在不发布模型的情况下声称拥有人工智能模型吗？

能，而且很多项目都这样做。然而，没有发布的代码、权重、模型卡或基准测试结果，就无法独立验证该模型是否存在、是否如声称般工作，或是否由该项目构建。在 DecAIHub 中，这类主张通过 AI 证据标记来反映——如果没有 Tier-1 工件支持该主张，ai_score 将保持较低。

预训练模型和微调模型有什么区别？

一个预训练模型在一个大型通用数据集上训练，以学习广泛的模式（语言结构、视觉特征等）。一个微调模型从一个预训练检查点开始，在一个较小的、领域特定的数据集上进一步训练，以使其专精于某个特定任务。微调比从零开始训练更快、更便宜，但仍然需要高质量数据和细致的评估。

另请参阅

外部参考

No comments to display

Back to top