什么是预训练 AI 模型？

如果要教一个刚学会走路的孩子什么是独角兽，那么我们首先应该向孩子展示这种生物的图像并描述其独有特征。

那么，如果要教一台人工智能（AI）机器什么是独角兽，该从什么地方做起呢？

预训练 AI 模型提供了解决方案。

预训练 AI 模型是一种为了完成某项特定任务而在大型数据集上进行训练的深度学习模型，它是一种类脑神经算法的表现形式，可以根据数据找到模式或进行预测。预训练 AI 模型既可以直接使用，也可以根据某个应用的具体需求进行进一步微调。

为什么使用预训练 AI 模型?

开发者可以使用预训练模型并根据需求对其进行自定义，无需从头开始构建 AI 模型。

无论是识别一匹虚构的马，检测自动驾驶汽车的安全隐患，还是根据医学影像诊断癌症，要构建一个 AI 应用，开发者首先需要一个能够完成特定任务的 AI 模型。而这个模型需要大量具有代表性的数据进行学习。

模型的学习过程需要经历好几层传入数据，并在每一层强调与目标相关的特征。

例如，在创建一个能够识别独角兽的模型时，首先会为其提供独角兽、马、猫、老虎和其他动物的图像作为传入数据。

然后再构建具有代表性的数据特征层。从线条、颜色等简单特征开始，深入到复杂的结构特征。依据计算出的概率，这些特征将被赋予不同程度的相关性。

举个例子，当一个生物看起来越像马，它是独角兽而不是猫或老虎的概率就越大。这些概率值被存储在 AI 模型的每个神经网络层。随着层数的增加，模型对表征的理解程度也在提高。

若要从头开始创建一个这样的模型，开发者通常需要调用包含数十亿行数据的巨大数据集，并且这些数据可能十分昂贵且难以获得。但如果因此在数据上让步，就会导致模型性能不佳。

预先计算的概率表征（也称权重）能够节省开发者或企业的时间、金钱和精力。已建立完成的预训练模型可通过这些权重进行训练。

高质量的预训练模型搭配大量准确且具有代表性的权重可以提高 AI 部署的成功率。

权重可以被修改，而且可以通过添加更多数据为模型进行进一步的自定义或微调。

在预训练模型基础上进行构建的开发者可以更快创建出 AI 应用，因为他们无需处理堆积如山的传入数据或去计算密集的数据层的概率。

换言之，使用预训练 AI 模型就像是用一件成衣根据自己的需求进行剪裁，而不用从布料和针线做起。

预训练 AI 模型通常被用于迁移学习，可以基于多种模型架构类型而构建。其中一种流行的架构类型是 Transformer 模型，一种通过追踪连续数据中的关系来学习上下文和意义的神经网络。