這正是大模型的“模糊匹配”原理。尤其在圖像識彆中，模型不是100判斷“這是蘋果”，而是給出一個“概率”：
?蘋果：87
?番茄：10
?柿子：3
這時候，它選“蘋果”作為預測結果。但如果這個蘋果有點變形、顏色有點偏，就會導致識彆不準。為什麼？因為模型隻知道“相似度”，不知道“邏輯規則”。
?
五、從“編程範式的演化”看待這個變化
1.早期計算機時代：硬件編程
?二進製，彙編語言
?對人極不友好
2.高級語言時代：規則編程
?c、python、java等
?程序員用明確邏輯告訴機器該做什麼
3.現在：數據驅動編程大模型）
?人類不再寫規則
?而是提供大量數據
?機器自動學會規則權重）
這就是所謂的“從編程到訓練”。
?
六、例子：傳統寫代碼vs大模型生成代碼
傳統寫代碼age)
提取顏色
提取形狀
判斷是否紅色圓形果實
...
returntrueorfase
大模型寫代碼：
本小章還未完，請點擊下一頁繼續閱讀後麵精彩內容！
模型輸入：圖像
模型輸出：分類概率蘋果87,橙子8,柿子5
你寫的不是代碼，而是設計數據和目標，再讓模型自己學會判斷。
?
七、優點與缺點總結
優點
缺點
不需要人工寫邏輯規則
推理不可解釋
可處理複雜、模糊的任務
容易出現“幻覺”或“偏差”
泛化能力強，適應變化
訓練代價高，資源消耗大
可以應用於語音、圖像、自然語言等非結構化數據
無法100控製輸出，難以保證結果一致性
?
八、未來趨勢：人類+模型的協同編程
你提到“很多小模型組成一個大模型”也很有前瞻性。確實如此，目前的大模型已經不再是一個“統一體”，而是一個個“專家子模型”協作完成的。例如：
?語言理解模塊
?數學計算模塊
?圖像識彆模塊
?編碼解碼模塊
將來編程也可能是這樣：
?人類提供目標、約束、價值判斷
?模型自己選用子模塊、自動調參、微調行為
?
九、總結金句
傳統編程是告訴機器“怎麼做”，大模型編程是告訴機器“學會怎麼做”。
大模型不會像人那樣“理解”，但它會像人那樣“模仿”。
傳統代碼追求精確輸出，大模型追求最大概率正確。
大模型編程的本質，是在不確定性中尋找最可能的確定性。
?
喜歡職場小聰明請大家收藏：()職場小聰明書更新速度全網最快。