第7章 大模型是什么？用大白话讲清楚
AI产品经理实战训练营 · 章节 7/44 · 60 学时
7.1 从一个生活例子开始
想象你有一个读了全世界所有书的朋友，他记住了维基百科、知乎、GitHub、新闻、论文、小说……加起来几千亿字的内容。你问他任何问题，他都能根据读过的内容，用通顺的话回答你。这就是大模型（Large Language Model，简称LLM）的本质。
一句话定义：大模型是一个用海量文本训练出来的"超级接话侠"，你给它上半句，它能预测下半句该说什么。
7.2 大模型到底是怎么工作的？
大模型的核心能力只有一个：预测下一个词。
比如你输入"今天天气真"，大模型会计算后面接哪个词的概率最高：
- "好"的概率 45%
- "不错"的概率 20%
- "热"的概率 15%
- "差"的概率 5%
真实案例：你问GPT"1+1等于几"，它不是真的在做数学计算，而是根据训练数据中"1+1等于几"后面最常出现的答案，预测出"2"。这就是为什么大模型有时会算错复杂数学题——它不是计算器，是"接话侠"。
7.3 大模型的"大脑"里有什么？
大模型的核心参数叫参数量，你可以理解为大脑里的"神经元连接数"。
- GPT-3：1750亿参数（2020年）
- GPT-4：未公开，估计超过1万亿参数（2023年）
- DeepSeek V3：6710亿参数（2024年，国产开源）
- Qwen 2.5：720亿参数（2024年，阿里开源）
参数量越大，模型能记住的知识越多，理解能力越强，但训练和使用成本也越高。就像人脑一样，脑袋大不一定聪明，但脑袋大+读的书多=大概率更聪明。
7.4 大模型能做什么？不能做什么？
| 能力 | 能做 | 不能做/做不好 |
|---|---|---|
| 文本生成 | 写文章、写代码、写邮件、写文案 | 保证100%事实准确 |
| 理解分析 | 总结、翻译、分类、情感分析 | 理解最新发生的事（训练数据有截止日期） |
| 逻辑推理 | 简单数学、常识推理、代码调试 | 复杂多步推理、精确计算 |
| 知识问答 | 常识、历史、科学、技术问题 | 实时信息、专业领域深度知识（可能幻觉） |
产品经理必须记住：大模型不是搜索引擎，不是数据库，不是计算器。它是一个"会说话的概率机器"。你设计AI产品时，永远要考虑：它什么时候会说错？说错了怎么办？怎么让它尽量说对？
7.5 大模型的"幻觉"问题
幻觉（Hallucination）是大模型最著名的缺陷：它会一本正经地胡说八道，编造不存在的事实、引用不存在的论文、给出错误的代码。
比如你问"2024年诺贝尔物理学奖得主是谁"，如果训练数据里没有，它可能会编造一个名字，而且语气非常自信。
为什么会幻觉？因为大模型的目标是"说通顺的话"，不是"说正确的话"。它根据概率预测下一个词，只要句子通顺，它就会输出，不管内容是否真实。
产品经理怎么应对幻觉？
- 降低预期：不要让大模型回答需要100%准确的问题（如医疗诊断、法律意见）
- 提供上下文：把正确的资料喂给它，让它基于资料回答（这就是RAG，后面会讲）
- 要求引用来源：让它标注每个结论的来源，方便人工核查
- 人工审核：关键场景必须有人工审核环节
7.6 主流大模型对比（产品经理选型指南）
| 模型 | 厂商 | 强项 | 弱项 | 适用场景 |
|---|---|---|---|---|
| GPT-4o | OpenAI | 综合能力最强、多模态、代码能力强 | 贵、国内访问不便、数据出境风险 | 高端产品、复杂推理、代码生成 |
| Claude 3.5 | Anthropic | 长文本处理（200K上下文）、写作质量高 | 国内访问不便、函数调用能力一般 | 长文档总结、内容创作、法律文书 |
| DeepSeek V3 | 深度求索 | 开源免费、代码能力强、中文好、成本低 | 多模态能力弱、生态不如GPT | 代码生成、中文应用、成本敏感场景 |
| Qwen 2.5 | 阿里 | 开源、中文好、多模态、可私有化部署 | 复杂推理略逊于GPT-4 | 企业私有化、中文应用、多模态场景 |
| 豆包4.0 | 字节 | 中文好、多模态、国内访问快、免费额度多 | 长上下文一般、API生态待完善 | C端应用、中文对话、多模态 |
产品经理选型建议：不要盲目选GPT-4。根据场景选：
- 要省钱+中文+代码 → DeepSeek V3（API价格只有GPT-4的1/10）
- 要私有化部署 → Qwen 2.5
- 要长文档处理 → Claude 3.5
- 要综合能力+预算充足 → GPT-4o
7.7 本章小结
作为AI产品经理，你不需要懂大模型的数学原理，但你必须理解：
- 大模型本质是"预测下一个词"的概率机器
- 它会幻觉，会说错，你的产品设计必须考虑容错
- 不同模型有不同的强项和成本，要根据场景选型
- 大模型不是万能的，它擅长文本生成和理解，不擅长精确计算和实时信息
📝 本章练习（5题）
答案与解析请在 互动学习看板 中作答查看。
📚 AI产品经理实战训练营 课程目录（44 章）
- 第1章 AI产品经理是做什么的？和传统PM有什么区别？
- 第2章 2026年AI产品经理就业市场：哪些行业在招？薪资多少？
- 第3章 零经验转行AI产品经理的3条路径
- 第4章 AI产品全景图：从聊天机器人到Agent，一文搞懂
- 第5章 AI产品经理能力模型：你需要掌握哪些技能？
- 第6章 实战：拆解3个你每天在用的AI产品
- 第7章 大模型是什么？用大白话讲清楚
- 第8章 主流大模型对比：GPT-4o、Claude、DeepSeek、豆包、Kimi怎么选？
- 第9章 Prompt入门：写好提示词的5个原则
- 第10章 Prompt进阶：System Prompt、COT思维链、Few-shot示例
- 第11章 结构化输出：让大模型返回JSON、表格、代码
- 第12章 Prompt优化实战：从垃圾Prompt到高质量Prompt
- 第13章 大模型的"幻觉"问题：产品经理怎么应对？
- 第14章 实战：为一个智能客服设计完整Prompt体系
- 第15章 RAG是什么？为什么企业都在做知识库？
- 第16章 RAG工作原理：文档→分块→向量→检索→生成
- 第17章 向量数据库选型：Milvus、Pinecone、Chroma、pgvector怎么选？
- 第18章 Embedding模型选型：OpenAI、BGE、M3E、GTE对比
- 第19章 Reranker重排序：让检索结果更精准
- 第20章 查询改写与混合检索：提升召回率的实战技巧
- 第21章 知识库运营：文档治理、更新机制、效果监控
- 第22章 实战：从零搭建一个企业知识库（完整流程）
- 第23章 Agent是什么？和聊天机器人有什么区别？
- 第24章 Agent核心能力：感知、规划、工具调用、记忆
- 第25章 主流Agent框架与协议：Agent Harness、MCP、A2A全解析
- 第26章 工具调用（Function Calling）原理与实战
- 第27章 Agent记忆系统：短期记忆、长期记忆、向量记忆
- 第28章 多Agent协作：多个智能体怎么分工配合？
- 第29章 Agent评估体系：成功率、成本、延迟怎么监控？
- 第30章 实战：设计一个制造业生产异常处理Agent
- 第31章 AI产品需求分析：怎么识别真需求还是伪需求？
- 第32章 AI产品竞品分析：怎么调研和拆解竞品？
- 第33章 AI产品PRD撰写：技术可行性、数据需求、评估指标
- 第34章 AI产品原型设计：对话流、状态机、异常处理
- 第35章 AI产品数据指标体系：从DAU到模型准确率，全面监控
- 第36章 AI项目管理：从需求到上线的全流程管控
- 第37章 实战项目1：从零搭建制造业AI智能质检系统
- 第38章 实战项目2：从零搭建企业级AI知识库（RAG系统）
- 第39章 AI产品经理简历优化：让HR一眼看中你
- 第40章 项目经验包装：把普通项目讲成亮眼案例
- 第41章 AI产品经理面试常见问题：提前准备，从容应对
- 第42章 案例分析面试：用结构化思维征服面试官
- 第43章 薪资谈判：拿到你应得的报酬
- 第44章 入职前3个月：快速站稳脚跟，建立信任