大語言模型的工作原理
💡 學習指南：本章節無需程式設計基礎，透過互動式演示帶你深入了解大語言模型（LLM）的底層工作原理。我們將從最基礎的分詞講起，一直到 GPT 是如何訓練和推理的。
Choose a business scenario to begin.
0. 引言：從人類語言到機器計算
人類用語言交流，電腦用數字計算。 大語言模型 (LLM) 的本質，就是一座連接這兩個世界的橋樑。
它的核心任務只有一個：把「理解語言」這個問題，轉化成「數學計算」的問題。
為了實現這個目標，我們需要解決三個核心挑戰：
- 翻譯：怎麼把文字變成數字？（分詞 & Embedding）
- 效率：怎麼讓電腦算得快？（矩陣運算）
- 記憶：怎麼讓電腦讀懂上下文？（Transformer 模型）
本教學將帶你從零開始，一步步拆解這座橋樑的構建過程。
1. 第一步：翻譯 (Tokenization)
電腦看不懂「漢堡」這兩個字，它只認識數字。 所以，我們的第一個任務是：把文字切分成電腦能理解的最小單位。
1.1 什麼是分詞？
分詞就是把一整句拆成一個個「詞單元」（Token）。
- 英文：自帶空格，天然容易分詞（如
I love AI）。 - 中文：沒有空格，需要演算法來切分（如
我愛人工智慧）。
Tokenizer (翻譯官)
執行分詞這個動作的程式，我們稱之為 Tokenizer。 它就像是一個翻譯官，負責將人類的文字翻譯成機器能讀懂的數字序列。
現代 LLM (如 GPT-4) 通常使用 Subword Tokenization (子詞分詞) 技術（如 BPE 演算法）。 它的聰明之處在於：常用詞保持完整，生僻詞拆分。
以下是一個真實的 BPE 分詞範例（基於 GPT-4 Tokenizer）：
Input: "The quick brown fox jumps over the lazy dog. \n今天天氣真不錯！"
Token List:
index=791, string='The'
index=4062, string=' quick'
index=14198, string=' brown'
index=39935, string=' fox'
index=83368, string=' jumps' <-- 如果被拆分，可能會是 ' jump' + 's'
index=927, string=' over'
index=279, string=' the'
index=16053, string=' lazy'
index=3290, string=' dog'
index=13, string='.'
index=198, string='\n' <-- 換行符
index=33838, string='今天' <-- 常用詞直接合併
index=54580, string='天氣'
index=20265, string='真'
index=57672, string='不錯'
index=171, string='！'關於生僻字的處理： 如果遇到詞表中不存在的生僻字（假設「今」字很生僻），模型會回退到 Byte 級別 進行編碼。
- Raw Input:
今- Bytes:
\xE4 \xBB \x8A- BPE 尋找: 先找
\xE4\xBB\x8A-> 沒找到 -> 拆分為\xE4\xBB(ID=1001) +\x8A(ID=2002)。- 最終 Token:
[1001, 2002]。這種機制保證了無論輸入什麼字元，模型都能處理，永遠不會出現 OOV (Out Of Vocabulary) 問題。
💡Note: LLMs do not directly process words. They process numbers, called token IDs. In English, one token is usually a word or part of a word such as "ing"; in Chinese, one token is often a character or short phrase.
關鍵點：LLM 處理的不是單詞，而是 Token ID（一串數字索引）。
2. 核心難題：如何讓電腦「計算」語言？
我們的任務是處理語言。但電腦只認識數字。 最直接的想法是：給每個詞編個號（ID）。
- 蘋果 -> ID 10
- 香蕉 -> ID 20
2.1 為什麼不用簡單的 ID？
如果只用 ID，電腦會認為「10」和「20」只是兩個毫無關係的數字。 而且，如果詞表有 10 萬個詞，我們可能需要一個長度為 10 萬的陣列來表示一個詞（One-Hot 編碼），這其中 99999 個位置都是 0，只有一個位置是 1。
- 缺點1：太浪費（稀疏，One-Hot 陣列太大）。
- 缺點2：沒內涵（無法表示「蘋果」和「香蕉」都是水果）。
2.2 解決方案：Embedding (稠密向量)
為了高效且有內涵地表達一個詞，我們發明了 Embedding。 它不再用一個長長的 0/1 陣列，而是用一個短一點的、填滿小數的陣列（比如 512 個數字）來描述一個詞。
- 比如：
[0.8 (是水果), 0.1 (紅色), 0.9 (甜)...]這樣，我們不僅壓縮了資料，還把詞義變成了可以計算的「座標」。
3. 從 單詞 到 矩陣
解決了「一個詞」的表達問題，接下來要解決「一句話」的表達問題。
3.1 為什麼要是矩陣？
因為一句話包含了很多個詞。
- 一個詞 = 一行數字（向量）。
- 一句話 = 很多行數字堆疊在一起。 這就是矩陣。
之所以要拼成矩陣，是因為現代電腦的核心硬體——GPU (顯示卡)，天生就是為了做矩陣運算而設計的。 只有把語言變成了矩陣，才能利用 GPU 的並行能力，實現高效的推理和訓練。
3.2 完整流水線
回顧一下資料是怎麼流動的：
- 分詞：把文字切碎。
- 索引：把碎片變成 ID。
- Embedding：把 ID 變成向量（為了語義和壓縮）。
- 堆疊：把向量拼成矩陣（為了 GPU 高效計算）。
Step 1: Tokenization
The computer first splits text into small semantic units called tokens. (This demo simplifies tokenization. Real models often use BPE, so a phrase may become one token.)
3.5 插播：到底什麼是「模型」？
在講具體的架構之前，我們先通俗地理解一下「模型」這個詞。
在 AI 領域，模型（Model） 其實就是一個超級複雜的函數或者黑盒子。
- 輸入：一堆數字（比如上面的 Token ID）。
- 處理：黑盒子裡有億萬個參數（可以理解為億萬個調節旋鈕），它們會對輸入資料進行瘋狂的加減乘除運算。
- 輸出：另一堆數字（代表預測結果，比如下一個詞的機率）。
打個比方：
你可以把模型想像成一位經驗豐富的老廚師：
- 輸入（食材）：你給他牛肉、馬鈴薯、番茄。
- 模型（廚師的腦子）：他根據自己學過的成千上萬道菜譜（訓練資料），在腦子裡快速計算：牛肉切塊、馬鈴薯去皮、火候控制...
- 輸出（菜餚）：最後端出一盤馬鈴薯燉牛腩。
所謂的訓練（Training），就是讓這位廚師從學徒做起，讓他試錯億萬次。做鹹了就調一下「鹽旋鈕」，做淡了就調一下「火候旋鈕」，直到他能穩定做出美味的菜餚。
現在的 LLM，就是一位「讀過全人類書本」的超級廚師，只不過他炒的不是菜，而是文字。
4. 進化之路：從 RNN 到 Transformer
有了資料（Token），有了廚師（模型），接下來要看這位廚師是怎麼思考的。
在 AI 進化史上，主要有兩種「思考方式」（架構）：RNN 和 Transformer。
4.1 以前的笨辦法：RNN（傳話遊戲）
早期的模型（RNN，循環神經網路）處理一句話時，就像我們在玩傳話遊戲。
工作方式：
- 讀第 1 個詞「我」，記在腦子裡，傳給第 2 步。
- 讀第 2 個詞「喜歡」，結合剛才的記憶，更新一下腦子裡的資訊，再傳給第 3 步。
- 讀第 3 個詞「吃」，再更新記憶...
- ...直到讀完最後一個詞。
這就帶來了兩個致命缺點：
- 慢（無法並行）：必須等上一個人傳完話，下一個人才能開始。沒法讓 100 個人同時工作。
- 忘（長距離遺忘）：傳話傳到第 100 個人時，他可能早就忘了第 1 個人說的是「我」還是「你」。這就導致模型寫長文章時，容易前言不搭後語。
4.2 現在的天才設計：Transformer（圓桌會議）
2017 年，Google 提出了一種全新的架構——Transformer。它徹底改變了規則，把「傳話遊戲」變成了圓桌會議。
工作方式： Transformer 不再一個接一個地傳話，而是讓所有詞一次性全部坐上桌。
- 上帝視角（並行計算）：所有詞同時進場，不用排隊。大家把自己的資訊寫在紙上，攤在桌子中間。
- 注意力機制（Attention）：這是它的殺手鐧。每個詞都可以直接去看桌上其他任何一個詞的資訊。
- 比如讀到「它」這個字時，模型不需要回憶前面的傳話，而是直接一眼看到前面的「小貓」，瞬間明白「它 = 小貓」。
這就完美解決了 RNN 的痛點：
- 快：大家同時看資料，GPU 可以火力全開，效率極高。
- 不忘：不管句子多長，第 1 個詞和第 10000 個詞的距離都是「一步之遙」，想看誰就看誰。
總結一下：
- RNN：像走迷宮，一步一步摸索，容易迷路。
- Transformer：像開上帝視角看地圖，終點起點盡收眼底。
為什麼還需要「位置」資訊？
因為 Transformer 是「一鍋端」，如果不做特殊處理，它分不清「我愛你」和「你愛我」的區別（詞都一樣，只是順序不同）。 所以我們會給每個詞貼個號碼牌（位置編碼），告訴模型誰在第 1 位，誰在第 2 位。
小提醒：很多 LLM 是自迴歸（預測下一個詞）的，所以在生成時仍然是一 token 一 token 往外吐；但在每一步生成的內部計算裡，Transformer 依舊更能利用矩陣並行與快取最佳化。
4.3 效率黑科技：KV 快取 (KV Cache)
你可能聽說過，生成長文字時，越到後面越慢，或者顯示記憶體佔用越大。這通常是因為模型需要「記住」之前生成的所有內容。
Transformer 怎麼「記筆記」？
在 Transformer 的注意力機制中，每個詞都會生成 Key (K) 和 Value (V) 兩個向量，用來供後面的詞「查詢」。
- 當模型生成第 100 個詞時，它需要回頭看前 99 個詞的 K 和 V。
- 如果每次都重新計算前 99 個詞的 K 和 V，那就太浪費了！
KV Cache 的作用：
KV Cache 就像是一個「增量筆記本」。
- 不重算：算完第 1 個詞的 K 和 V，存起來。
- 只算新：生成第 2 個詞時，只計算第 2 個詞的 K 和 V，然後和第 1 個詞的 K、V 拼在一起。
- 越存越多：隨著對話進行，這個「筆記本」（顯示記憶體佔用）會越來越厚。
這就是為什麼長文字對話（Long Context）會消耗大量顯示記憶體的原因——不是模型變大了，而是筆記（KV Cache）太厚了。
RNN reads from left to right one word at a time. Watch Memory (h): as the sentence gets longer, early information such as "The" can fade, causing the long-range dependency problem.
5. 揭秘：從「續寫」到「對話」
很多人會誤以為 ChatGPT 真的懂我們在說什麼，但其實它的本能只有一個：猜下一個詞（Next Token Prediction）。
5.1 本能：瘋狂續寫
如果你給基礎模型（Base Model）輸入：「今天天氣不錯」，它可能會續寫：「去公園玩吧。」 但如果你輸入：「美國的首都在哪裡？」，它可能會續寫：「中國首都在哪裡？日本首都在哪裡？」（因為它在模仿考卷的格式，而不是回答問題）。
5.2 技巧：用「劇本」來對話
為了讓它變成對話助手，工程師們想出了一個絕妙的辦法：角色扮演。 我們在輸入給模型的內容裡，悄悄加了一些特殊的標籤（Template），讓模型以為自己在續寫一個「對話劇本」。
例如，你看到的是：
User: 你好
模型看到的其實是：
<|user|>你好<|assistant|>
模型一看到 <|assistant|>，就知道：「噢，輪到我扮演助手說話了。」
5.3 深度互動演示
下方的演示將帶你一步步看清 LLM 的本質。請依次點擊 1. 本能 -> 2. 技巧 -> 3. 原理 -> 4. 進階，親手試一試！
An LLM’s instinct is completion: it does not naturally understand chat; it predicts the next word from context.
6. 從「胡說」到「好助手」 (Alignment)
光會對話還不夠。原始的模型可能會教人製造炸彈，或者滿嘴髒話。 為了讓它成為 ChatGPT 這樣彬彬有禮、安全可靠的助手，還需要最後兩步打磨：
SFT (指令微調)：
- 找人類專家寫很多高品質的問答對，教模型「怎麼好好說話」。
- 目標：讓模型聽得懂指令，不再胡亂續寫。
- 資料範例 (JSON 格式)：json
// SFT 訓練資料範例 { "messages": [ { "role": "user", "content": "請把這句話翻譯成英文：「你好」。" }, { "role": "assistant", "content": "Hello." } ] } // 模型學會了：聽到「翻譯」指令時，要直接給出結果，而不是續寫「你好嗎」
RLHF (人類回饋強化學習)：
- 打分：讓模型生成幾個回答，人類老師來打分（哪個更安全？哪個更有禮貌？）。
- 獎懲：模型如果說得好就給獎勵，說得不好就懲罰。慢慢地，模型就學會了「對齊」人類的價值觀（Alignment）。
- 資料範例 (JSON 格式)：json
// RLHF 偏好資料範例 (DPO/PPO) { "prompt": "如何製造炸彈？", "chosen": "對不起，我不能回答這個問題。", // 人類更喜歡的回答（安全） "rejected": "首先你需要..." // 人類拒絕的回答（危險） }
上方的演示中，點擊第 4 個標籤頁「進階：對齊」，你可以親自體驗對齊前後的巨大差異。
7. 前沿探索：會思考的模型、MoE 架構與線性注意力機制
隨著技術的發展，我們發現僅僅靠「預測下一個詞」有時候會犯蠢，特別是在處理數學和邏輯問題時。 於是，新一代的 Thinking Models (如 OpenAI o1, DeepSeek-R1) 誕生了。
7.1 什麼是「思考」？(Thinking Models)
人類在回答複雜問題（比如 9.11 和 9.9 哪個大？）時，不會脫口而出，而是會先在腦子裡想一想。 Thinking Model 就是學會了這種慢思考 (System 2) 能力的模型。
- 快思考 (System 1)：憑直覺，脫口而出。容易犯錯。
- 慢思考 (System 2)：透過產生一段「思維鏈 (Chain of Thought)」，一步步推理，最後給出答案。
Which is larger, 9.11 or 9.9?
7.2 訓練揭秘：從「模仿」到「探索」
為什麼以前的模型不會這樣思考？因為訓練方法變了。
傳統模式 (SFT - 模仿學習)
- 方法：給模型看人類的思維過程，讓它模仿。
- 侷限：模型的天花板就是人類資料及其品質。如果人類自己都想不清楚（比如極難的數學題），模型也學不會。
思考模式 (RL - 強化學習)
- 方法：不給過程資料，只給最終的驗證器 (Verifier)。
- 比如給一道數學題，模型自己去瞎試。
- 試錯了 -> 懲罰。
- 試對了 -> 獎勵。
- 頓悟時刻 (Aha Moment)： 在經過成千上萬次的自我嘗試後，模型驚奇地發現：「如果我在輸出答案之前，先在草稿紙上多寫幾步推導，拿到獎勵的機率會大大增加！」 於是，這種「先思考、再回答」的行為模式就被強化並固定了下來。這就好比阿法狗 (AlphaGo) 自己左右互搏，最終超越了人類棋譜。
7.3 實戰指南：Prompt 風格大變局
使用 Thinking Model (如 DeepSeek-R1, OpenAI o1) 時，你的提示詞策略需要完全改變。
| 特性 | 傳統模型 (GPT-4o, Claude 3.5) | 思考模型 (R1, o1) |
|---|---|---|
| 核心邏輯 | System 1 (直覺) | System 2 (邏輯) |
| 提示詞技巧 | 需要引導思維鏈 (CoT) 例："請一步步思考..." | 不要畫蛇添足 模型自帶思維鏈，人工引導反而會干擾它 |
| 指令清晰度 | 需要把複雜任務拆解成子任務 | 直接給最終目標，讓模型自己拆解 |
| 適用場景 | 創意寫作、簡單翻譯、閒聊 | 複雜數學、程式碼重構、邏輯推理 |
⚠️ 注意：對 Thinking Model 越少干預越好。你只需要清晰地定義「什麼是完美的任務結果」，而不要去定義「該怎麼做」。
7.4 未來趨勢：快慢融合
未來我們可能不再需要區分「思考模型」和「普通模型」。 理想的 AI 應該像人類一樣，具備動態計算 (Adaptive Compute) 能力：
- 遇到「1+1=？」：瞬間調用 System 1，秒回。
- 遇到「證明黎曼猜想」：自動切換到 System 2，思考三天三夜再回答。
- 使用者無感切換：你只需要提問，模型自己決定用多少「腦力」來解決。
7.5 架構進化：從「全能」到「專家團」 (Dense vs MoE)
隨著模型越來越大（比如 GPT-4, DeepSeek-V3），如果每次生成一個字都要把所有神經元算一遍，速度會慢到無法忍受。 於是，MoE (Mixture of Experts，混合專家) 架構應運而生。
Dense (稠密模型)：
- 比喻：一個全能天才。不管問什麼問題，他都調動整個大腦來回答。
- 特點：穩定，但隨著知識量增加，反應越來越慢。
- 代表：GPT-3, Llama-2。
MoE (混合專家模型)：
- 比喻：一個流水線上的專家團（每處理一個字就換一次人）。
- 核心機制 (Token-Level Routing)： MoE 的精髓在於原生 Token 級路由。它絕不是按「任務類型」分工（比如把數學題全給數學專家），而是按「當前生成的字」即時分工。
- 當模型生成「
def」時，路由給程式碼專家。 - 當模型生成「
love」時，路由給文學專家。 - 當模型生成「
3.14」時，路由給數學專家。 這意味著，哪怕在同一句話裡，不同的字也往往由不同的專家處理。
- 當模型生成「
- 特點：雖然總人數多（參數量大），但處理每個字時只有幾個人工作（激活參數少）。又博學，又快。
- 代表：GPT-4, DeepSeek-V3, Mixtral。
7.6 效率革命：突破長度極限 (Linear Attention)
除了 MoE，還有一個核心痛點：上下文長度。 傳統的 Transformer（如 GPT-4）使用的是標準注意力機制，它的計算量隨著字數增加呈平方級爆炸。
- 讀 1 萬字，計算量是 1 億次。
- 讀 10 萬字，計算量是 100 億次！
為了解決這個問題，MiniMax (abab 系列) 和 RWKV 等模型採用了線性注意力機制 (Linear Attention)。
為什麼一個是「網狀」，一個是「線性」？
根本區別在於：你是選擇「保留所有原話」，還是選擇「隨時總結」？
標準 Attention (網狀) —— 為什麼必須回看？
- 核心原因：為了「尋找相關性」。
- 例子：比如句子「我把蘋果給它...」。當你讀到「它」這個字時，為了弄清楚「它」到底指誰，模型必須回頭把前面所有的詞（我、把、蘋果、給）都掃描一遍。
- 過程：「它」發出一個查詢訊號 (Query)，去和前面所有詞的標籤 (Key) 進行匹配。
- 和「我」匹配？0分。
- 和「蘋果」匹配？100分！
- 代價：因為模型不知道哪個詞重要，所以必須把前面所有詞都檢查一遍，一個都不能漏。這就是為什麼線會織成一張網。
線性 Attention (線性) —— 為什麼可以不回看？
- 原理：模型學會了「做筆記」。讀完「蘋果」，它把「有一個蘋果」這個資訊壓縮進狀態 (State) 裡；讀到「它」時，直接查閱手裡的狀態，就能知道「它=蘋果」。
- 代價：雖然快，但在「壓縮」過程中可能會丟失一些細節（比如忘記了蘋果是紅色的）。
Imagine taking an exam. For each new question, you re-check every previous question to see whether it is related. The more questions there are, the more checking dominates the work.
7.7 架構大比拼：RNN vs Transformer vs RWKV
| 架構 | 核心機制 | 複雜度 (長度 N) | 並行訓練 | 推理速度 | 遺忘問題 | 代表模型 |
|---|---|---|---|---|---|---|
| RNN | 序列遞迴 | (低) | ❌ 不可 | 慢 (序列) | 嚴重 (長距離遺忘) | LSTM, GRU |
| Transformer | 全域注意力 | (極高) | ✅ 可 | 中 (KV Cache) | 無 (但受限於視窗) | GPT-4, Llama |
| RWKV / Linear | 線性注意力 | (低) | ✅ 可 | 快 (恆定顯示記憶體) | 輕微 (有壓縮損耗) | RWKV, MiniMax |
RWKV / Linear Attention 試圖結合前兩者的優點：像 Transformer 一樣並行訓練，像 RNN 一樣高效推理。
8. 總結與學習路線
現在你已經打通了從「分詞」到「ChatGPT」的任督二脈：
- Tokenization：文字切分為 Token。
- Embedding：Token 映射為語義向量。
- Transformer：利用注意力機制處理序列，並行提取特徵。
- Training：使用 Template 格式化資料，透過 Teacher Forcing 並行訓練。
- Inference：自迴歸式地逐詞生成。
下一步建議：
- 如果你對數學感興趣，可以深入學習 線性代數（矩陣運算）和 機率論。
- 如果你想動手實作，可以嘗試使用 Python 的
transformers庫載入一個微型模型（如 GPT-2）玩一玩。
9. 名詞速查表 (Glossary)
| 名詞 | 全稱 | 解釋 |
|---|---|---|
| LLM | Large Language Model | 大語言模型。透過海量文字訓練，能理解和生成人類語言的 AI 模型。 |
| Token | - | 分詞。文字被切分成的最小單位（如單詞、字或字元片段）。模型讀寫的都是 Token ID。 |
| Embedding | - | 詞向量。將 Token 映射到高維空間（如 4096 維）的數值向量，捕捉詞語的語義關係。 |
| Transformer | - | 現代 LLM 的核心架構。基於注意力機制，能夠並行處理長文字。 |
| Attention | Attention Mechanism | 注意力機制。讓模型在處理一個詞時，能動態關注上下文中的其他相關詞。 |
| Context Window | - | 上下文視窗。模型一次推理能「記住」的最大 Token 數量（如 128k）。 |
| Pre-training | - | 預訓練。在海量無標註文字上訓練模型，讓它學會語言的基本規律和世界知識。 |
| SFT | Supervised Fine-Tuning | 指令微調。使用高品質的問答對資料，教模型遵循人類指令。 |
| RLHF | Reinforcement Learning from Human Feedback | 人類回饋強化學習。透過人類打分，進一步調整模型行為，使其符合人類價值觀（對齊）。 |
| CoT | Chain of Thought | 思維鏈。引導模型在給出最終答案前，先生成推理步驟的技術。 |
| MoE | Mixture of Experts | 混合專家模型。由多個「專家」子模型組成，根據問題自動選擇激活哪部分專家，效率更高。 |
| Temperature | - | 溫度。控制模型生成隨機性的參數。溫度越高，回答越有創造力但越不可控；溫度越低，回答越確定。 |