1、最近我想深入学习一下大模型的原理，于是决定读一读几篇关键的论文，选了这些：

– Transformer：Attention Is All You Need

– GPT-2 论文：Language Models are Unsupervised Multitask Learners

– 理解”让AI思考”的技巧：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

– 双向”理解模型：BERT: Pre-training of Deep Bidirectional Transformers

– 等等……

哈哈，一看这些名字是不是有点吓人？但其实，现在任何人都可以读懂这些论文，只要你真的想读懂。各种 AI 工具有一千种方法可以教会你。说真的，我这次都读懂了。

2、所以我在群里留了一个小作业，要求是：

– 通过AI学习这篇论文；

– 了解下关键技术 Transformer 在大模型中到底解决了什么问题；

– 写一篇小短文，分享一下自己的收获，无论是使用AI上的收获，或者对大模型有什么新的理解，对 Prompt 提示词有什么新的理解等；

3、不知道有多少人真的做了这次练习。但我想说：每个人都值得做一做这个作业。首先，更理解 AI 的原理，肯定能用得更好；其次，这是一次难得的机会：试着用 AI 去学习一份本来“很难啃”的材料。如果你能学懂这些论文，以后再读什么论文、再啃什么大部头书籍，也不会那么怕了。

4、学习的时候，我问了 AI 一些问题，比如：

– 论文的 Abstract，能不能翻成大白话？

– 这篇论文到底讲了什么？

– 假设我是小学生，你能给我讲讲吗？

– 这些内容对我使用 AI 有什么帮助？

– ……

5、那关于 Attention Is All You Need 这篇论文，我学到了什么呢？

首先，Transformer 最初是为了解决机器翻译问题而提出的。但后来大家发现，Transformer 架构不仅能处理翻译任务，本质上它能理解和生成文本，所以可以让它去阅读各种文本，从而学会预测“下一个词”，这也是为什么 Transformer 成为如今大模型的核心架构。所以我现在能理解：为啥大模型在翻译任务上表现那么强，因为它的底层结构就是为翻译而生的。

其次，大模型的核心其实就是“预测下一个词”。而触发它开始预测的，就是我们输入的 Prompt 提示词。Prompt 依然非常关键：你可以不用一次性把提示词写完整，但问题越具体、越清晰、有明确边界，它给出的答案就越靠谱。

最后，由于是“预测词”而不是“真正计算”，所以它在处理数学题时会犯错，因为它并没有真的执行运算，只是在根据训练文本里学到的“统计模式”做猜测。所以，如果你真想它做对数学题，最好的方法是让它写一段 Python 脚本，用脚本来执行计算。

6、我真正掌握了一种能力：用 AI 把抽象复杂的知识，翻译成自己能听懂的语言。这种能力一旦练熟，就会极大增强我的学习信心，因为以后不管遇到什么难懂的东西，都可以先请 AI 用“小学生版本”讲一遍，再慢慢往上加深难度。

7、又回到最重要的问题：既然我现在真的可以读懂“专业论文”了，那我的“好奇心”在哪里？