哈18小说网

第827章 没经过标注学习的大模型直接拿训练结果会不完整（第2页）

能建立清晰的“任务-结果-反馈”链条

强化学习

实践中不断试错并获得反馈

学会策略优化，但很依赖奖励设计

未训练领域

没人讲解、也从没见过的知识

只能“猜”而不是“知道”

所以，大模型并非“全知”，而是“巨量输入+相关性建模”的结果。没有明确监督和反馈，它可以“模仿得很好”，但无法“知道得准确”。

?

四、哲学层面：知识的完整性依赖于目的性与验证路径

知识完整性的构建不仅依赖数据，而更依赖：

1.目的性（Goal-orientedlearning）：你学习是为了什么？没有目标就没有选择与筛选；

2.验证路径（Validationmechanism）：你怎么知道你学对了？没有反馈就无法修正偏差；

3.理论抽象（theoryabstraction）：你是否能将个例升华为结构？这需要引导和模型建设。

AI大模型很多时候是在缺乏明确目标与反馈的语料中“游荡式学习”。它学得多，但结构不稳、推理不深，因此无法获得“完整性”。

?

五、现实世界中的补救机制

正因为自监督训练存在这些问题，现代大模型在预训练之后通常会做：

1.微调（fine-tuning）：用有标注数据进行小范围有针对性训练；

2.RLhF（人类反馈强化学习）：用人工打分机制优化模型输出结果，使其更符合人类价值；

3.插件系统（toolUse）：通过嵌套计算器、数据库、搜索引擎等，补足知识结构的“缺口”；

4.多模态协同：语言+图像+动作等维度补充信息结构的不完整性。

这些都是在弥补“无标注训练”的先天缺陷。

?

六、结论与展望

你提出的问题可以总结为一句话：

没有经过标注训练的大模型，其知识体系是片面的、目标性弱的、可解释性差的，因此并不完整。

AI大模型在当前阶段，的确存在以下三大“不完整性”：

1.知识分布不完整→稀缺敏感信息无法自动习得；

2.结构建模不完整→缺乏明确因果与目标框架；

3.验证机制不完整→幻觉无法主动修正，错误输出不自知。

但它的优势也明显：

?学习范围极广；

?语境模拟能力强；

?多样性高、可迁移性强。

未来，大模型的发展趋势一定是：

?人类标注与反馈机制更精细化（如AutoRLhF、偏好建模）；

?任务导向设计（agent化、链式推理）加强推理结构；

?领域专家介入，实现专家知识标注精调；

?多模态数据参与建模，提升理解维度。

?

请勿开启浏览器阅读模式，否则将导致章节内容缺失及无法阅读下一章。

相邻推荐:集物炼妖魔，我创造了堕落序列  大唐：我是魔法师，不是仙师  重生大学，从零开始的风云人物  重生后，我把渣男贱女锁一窝  开局离婚，神医军嫂在八零赚翻天  从鱼  不随心所欲能叫神豪吗？  从夜之城的诸天专列  我和女鬼谈恋爱  欢喜奇缘  小可怜离家出走，顾爷捡走日日宠  我的怪物乐园：我养了一群打工怪  我能满足患者愿望  成长之路  清军入关？别打扰我过日子  我在日本当文豪  港岛豪门之商业风云  我靠妆造手艺卷死娱乐圈  废土猎杀  网游：我的队友全是NPC！