第 6 讲 -Transformers 和大型语言模型 (LLM)

原文作者：Luis R Soenksen

原文来源：https://www.youtube.com/embed/2nu-csmHvSc

本讲座探讨 Transformer 和大型语言模型 (LLM)、为 ChatGPT、Claude、Gemini、Llama 等现代人工智能系统以及许多多模式基础模型提供支持的深度学习架构。我们首先介绍主要的语言模型系列——包括自回归、自动编码和编码器-解码器架构——并追踪 LLM 从早期的 Transformer 模型（如 BERT 和 GPT）到当今的大规模多模态系统的快速演变。然后，讲座将探讨扩展、指令调整、强化学习、检索增强和系统工程如何改变法学硕士的能力，而不仅仅是增加模型大小。讲座的后半部分提供了 Transformer 架构的直观而严格的演练，解释了 token 嵌入、位置编码、自注意力、查询键值 (QKV) 向量、缩放点积注意力、多头注意力、残差连接、层归一化、前馈网络和 GPT 式转换器块。通过视觉示例和数学公式，学生可以从工程层面理解 Transformer 如何构建上下文表示并执行下一个标记预测。最后，我们探讨相同的架构如何从自然语言扩展到生物医学文本、电子健康记录（EHR）、生物序列、医学成像、图表和多模式医疗保健应用，同时讨论幻觉、模型对齐、安全性、可解释性以及医学和全球健康中负责任的部署等实际考虑因素。 #AI #ArtificialIntelligence #MachineLearning #DeepLearning #Transformers #LargeLanguageModels #LLMs #GPT #ChatGPT #AttentionMechanism #SelfAttention #GenerativeAI #FoundationModels #NaturalLanguageProcessing #NLP #BiomedicalAI #MedicalAI #HealthcareAI #ClinicalAI #ElectronicHealthRecords #Bioinformatics #ComputationalBiology #VisionTransformer #MultimodalAI #AIEducation #GraduateCourse #AIInMedicine #GlobalHealth #MedicalEducation #MachineLearningCourse