我会每天撰写一个AI前沿术语词知识贴，欢迎各位在评论区提出想要了解的词！如果对文章内容有任何问题或建议，也欢迎指正！

欢迎对文章多多点赞，可以关注我的主页，不错过AI前沿内容！

知识点

1. 基础模型（Foundation Models），就指的是一种基于深度神经网络和自监督学习技术的，在大规模、广泛来源数据集上训练的AI模型。
2. 基础模型主要有四个特点：基于深度神经网络和自监督学习技术；采用大规模、广泛来源的数据集进行训练；通过微调等方式，可以直接在一系列下游任务上使用；参数规模越来越大。
3. 基础模型包括多种预训练模型，如BERT、GPT-3、CLIP、DALL·E等。

定义

模型是人工智能算法在数据上进行训练后的产物。AI模型可以根据输入的数据进行推断，为人类提供决策的建议或依据。

一般的人工智能模型只能完成特定的任务，例如一个情感分类模型只能对输入的句子进行情感分类，而不能完成翻译、词性标注等任务。而基础模型（Foundation Models）指的是一类通用的，能够完成一系列下游任务的模型。由于这种模型是多种下游任务模型的“基础”，因此被称为基础模型。

《基础模型的机遇与风险》（On the Opportunities and Risks of Foundation Models）[1]一文中提出，近年来在AI领域可以看到一种范式转变——AI系统的构建越来越以一种通用的模型为基础，因此可以被称为是基础模型。

基础模型主要有以下特点：

1.基于深度神经网络和自监督学习，但不限于单一的一种架构：深度神经网络，意味着其于当前的传统深度学习模型“同宗同门”，在算法层面没有太大的差异。自监督学习技术，则让基础模型不需要太多的带标注数据——它可以不依赖标签就学习到数据集中的特征。

2.采用大规模、广泛来源的数据集进行训练，而不是小数据集、单一数据集或专用数据集：基础模型需要在大规模、广泛来源数据集上训练。这样才能够让模型具有更为通用的能力——只有看到的数据足够丰富多样，模型才能够应对多种情形。

3.通过微调、零样本学习等方式，可以直接在一系列（而不是单一一种）下游任务上使用，并取得一定的性能表现：微调指的是：在训练好基础模型后，让它学习很少量的单一领域或任务上的数据，使模型进行一定的调整，从而在下游任务（如情感分类、命名实体识别、翻译、语言理解等）中使用。零样本学习则是直接将模型应用于下游任务中，不再需要再学习一些数据。

4.参数规模越来越大：基础模型的参数规模逐年扩大，比传统的AI模型高很多个数量级。

基础模型这一概念由美国斯坦福大学基础模型研究中心（Center for Research on Foundation Models，CRFM）提出，主要研究者包括Percy Liang、李飞飞等。

基础模型包括预训练语言模型，如BERT、GPT-3等，以及多模态预训练语言模型，如CLIP、DALL·E等。[1]

基础模型带来的机遇和挑战

机遇

基础模型在语言、视觉、机器人、推理与检索、交互、理解等方面都具有发展的潜力。以语言为例，过去的NLP研究主要关注构建在特定任务（如翻译、情感分析、词性标注等）上的最佳模型。这使得NLP领域的模型种类繁多，但缺乏通用能力。而基础模型可以同时解决多种NLP问题，研究者可以更关注构建更为通用且综合性能更强的基础模型。在下游任务上，只需要给模型少量的标注数据，就可以获得比过去更强的性能。

基于基础模型，研究者和开发者可以构建各种下游应用，如医疗、法律、教育等方面的应用。

此外，由于基础模型仍处于快速发展的阶段，有一系列的技术领域需要探索。目前基础模型所涉及的技术子领域包括：模型的构建、训练、微调、评价、加速、数据、安全、稳健性、与人类的匹配（Alignment）、模型理论、可解释等。

挑战

在推动AI技术发展的同时，基础模型也带来了一系列社会层面的挑战。社会方面的挑战则包括不平等性、滥用、环境问题、法律问题、经济问题和伦理问题等。例如，在语言方面，基础模型可能会生成具有误导性、事实性错误的句子，甚至在推理过程中带有性别和种族歧视等问题。此外，基础模型由于学习了庞大的数据，其有可能将数据中的真实信息泄露出来，如家庭住址、信用卡账号密码，邮箱等。

参考链接

[1]Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., ... & Liang, P. (2021). On the opportunities and risks of foundation models. arXiv preprint arXiv:2108.07258.