近期，信息与智能工程学院计算机教学部副主任杨琳老师为我校大四毕业生带来了一场题为《大模型原理揭秘：背后的黑科技》的专题讲座。讲座深入浅出地剖析了大语言模型（LLM）的核心技术原理与发展历程，帮助即将步入职场的学子们把握人工智能领域的最新动态。
从ChatGPT到Transformer：揭秘技术浪潮的源头
杨琳老师以OpenAI发布的ChatGPT为切入点，指出其“破圈”现象背后是大语言模型技术的长期积累。“公众认知的爆发始于ChatGPT，但技术革命的里程碑要追溯到2017年。”她强调，谷歌团队提出的Transformer架构彻底改变了自然语言处理（NLP）的发展路径，为GPT等模型的诞生奠定基础。通过对比GPT-1到GPT-3的参数规模（从1.17亿跃升至1750亿），杨琳老师生动阐释了“大模型”之“大”的核心——海量数据与庞大参数的协同进化，使模型具备多任务泛化能力。
突破RNN局限：Self-Attention机制的革命性创新
讲座重点解析了Transformer的核心技术——Self-Attention（自注意力）机制。杨琳老师通过对比传统循环神经网络（RNN）的缺陷，说明Transformer如何通过并行计算与长距离依赖捕获实现突破。她以较长的句子为例，演示了Self-Attention如何精准关联远距离词汇，避免语义丢失。现场通过大量图例展示了Query-Key-Value向量计算、多头注意力及位置编码等关键步骤，揭示模型如何通过权重分配实现“上下文感知”。
解码生成逻辑：从词向量到概率分布的创作之谜
在解码器工作原理环节，杨琳老师以英法翻译任务为例，拆解了token化、嵌入层、掩码注意力等流程。“解码器像一位‘概率诗人’，通过不断预测最可能的下一个词完成创作。”她提醒，这种基于统计的生成方式可能导致“幻觉”现象，体现了当前技术的局限性。讲座还对比了BERT（仅编码器）、GPT（仅解码器）和T5（编码器-解码器）三类模型的应用场景，帮助学生理解技术选型的逻辑。
寄语毕业生：拥抱技术变革，保持理性思考
讲座尾声，杨琳老师鼓励毕业生关注AI技术前沿，但需辩证看待其能力边界：“大模型是工具而非魔法，真正的‘黑科技’是人类持续创新的智慧。”现场学生就模型伦理、行业应用等话题踊跃提问，气氛热烈。
本次讲座作为毕业季活动之一，不仅拓宽了学生的技术视野，也为职业发展提供了前沿方向参考。杨琳老师表示，将持续推出高质量技术讲座，助力人才培养与产业需求接轨。
