大模型技术发展到今天，其功能可以说是日新月异；并且很多企业已经在探索大模型的应用场景和技术实现；但是很多人到现在对大模型的了解仅仅只限于能聊个天，问个问题。
但实际上，大模型能够做的事要远比我们想象中的要多的多；因此，今天我们就从用户和技术两个角度来介绍一下大模型的应用。
关于大模型的分类和应用问题
如果想弄清楚大模型是怎么使用的，首先要知道大模型的分类；不同类型的模型适合不同的应用场景，其功能和实现也各不相同。
而关于大模型的分类问题其实是一个复杂的问题，大模型的分类有多个维度，比如从任务类型有分类模型，翻译模型，摘要模型和文本生成等。
但从与具体的技术场景结合来看，又有NLP任务，CV任务等；而从功能来看又有生成式模型和推理模型；从垂直角度看，有处理图片的模型，有写代码的模型；如果从纯粹的技术角度来看，又有Transformer模型，Gan网络等。
而在实际的模型设计和开发过程中，很多模型采用的又是混合架构；比如说一个模型既有生成能力，又有推理能力，而能够生成多种模态数据的模型被称为多模态。
再加上大模型技术日新月异的迭代速度，因此很多人很难分清哪个模型是干啥的，有哪些功能；因此在选择模型时，最好就是根据自己的任务需求去搜索相关的模型，最后再根据模型的官方介绍，然后再应用到具体的业务场景中。
大模型分类困难的四大根源
(1) 技术融合
现代大模型（如GPT-4、Claude 3）已发展为「通用计算平台」，同时具备：
- 生成能力（文本/图像/代码）
- 推理能力（数学/逻辑）
- 判别能力（分类/检测）
- 多模态理解（文本+图像+音频）
(2) 命名混乱
- 商业命名（如"文心一言"）不反映技术架构
- 同一架构不同规模（LLaMA-2-7B/13B/70B）能力差异巨大
(3) 动态进化
插件系统的引入（如ChatGPT的Browsing/Code Interpreter）使单模型能力边界模糊
(4) 评估标准缺失
缺乏统一的「能力维度评估体系」，不同厂商宣传指标不可比
理解大模型分类的本质是：放弃绝对分类，建立多维评估体系。建议从实际任务出发进行验证，而非过度依赖理论分类。
前面简单了解了一下大模型的分类问题，但仅仅知道大模型有哪些类型并没什么用，最重要的是用大模型解决我们的问题；以此来提高我们的工作和生活效率。
所以，学习大模型没有最好的办法，或者说办法只有一个；那就是多用，多尝试，多研究。
大模型应用
大模型其实从应用的角度来说，主要有三个方面：
- 第一就是利用大模型本身的能力，比如AIGC去做一些文本，视频，图片的生成能力；比如做自媒体，写文章，修图，剪辑视频等。
- 其次，就是RAG给大模型做知识增强，因为大模型本身限制的原因；导致其在某些方面知识缺陷，因此就可以使用外部知识库的方式让大模型做知识增强。
- 最后，可以说是最有发展前景的方向就是——智能体；智能体就是给大模型装上手和脚，通过思维链，工作流，function call/MCP等技术；使得大模型具备独立思考和使用外部工具的能力。
当然，这三种方式大都是从技术角度来说的；但从用户角度来说，我们可以使用一些生成模型做一些简单的工作，如处理图片，写文档等。
而一些企业基于工作流平台开发智能体，比如coze平台；我们就可以根据自己的需要构建一个能够执行特定任务的智能体；以此来提高我们的工作效率。
总之，人工智能技术处于一个快速发展快速迭代的过程；很多新技术和名词每天都在涌现；因此，我们需要做的就是不断跟进市场的脚步，多去尝试和试验；最终我们就会知道大模型能做什么，以及我们需要大模型给我们做什么。
