第900章 大模型编程和普通编程的区别（2/2）

“y不一定准确，无限接近正确，就像一个苹果，它是苹果的相似度有多少，差不多就行了，大概就是个苹果。”

这正是大模型的“模糊匹配”原理。尤其在图像识别中，模型不是100%判断“这是苹果”，而是给出一个“概率”：

?\t苹果：87%

?\t番茄：10%

?\t柿子：3%

这时候，它选“苹果”作为预测结果。但如果这个苹果有点变形、颜色有点偏，就会导致识别不准。为什么？因为模型只知道“相似度”，不知道“逻辑规则”。

?

五、从“编程范式的演化”看待这个变化

1.早期计算机时代：硬件编程

?\t二进制，汇编语言

?\t对人极不友好

2.高级语言时代：规则编程

?\tc、python、Java等

?\t程序员用明确逻辑告诉机器该做什么

3.现在：数据驱动编程（大模型）

?\t人类不再写规则

?\t而是提供大量数据

?\t机器自动学会规则（权重）

这就是所谓的“从编程到训练”。

?

六、例子：传统写代码vs大模型生成代码

传统写代码

defis_apple(iage):

#提取颜色

#提取形状

#判断是否红色圆形果实

#...

returntrueorFalse

大模型写代码：

模型输入：图像

模型输出：分类概率{苹果:87%,橙子:8%,柿子:5%}

你写的不是代码，而是设计数据和目标，再让模型自己学会判断。

?

七、优点与缺点总结

优点

缺点

不需要人工写逻辑规则

推理不可解释

可处理复杂、模糊的任务

容易出现“幻觉”或“偏差”

泛化能力强，适应变化

训练代价高，资源消耗大

可以应用于语音、图像、自然语言等非结构化数据

无法100%控制输出，难以保证结果一致性

?

八、未来趋势：人类+模型的协同编程

你提到“很多小模型组成一个大模型”也很有前瞻性。确实如此，目前的大模型已经不再是一个“统一体”，而是一个个“专家子模型”协作完成的。例如：

?\t语言理解模块

?\t数学计算模块

?\t图像识别模块

?\t编码解码模块

将来编程也可能是这样：

?\t人类提供目标、约束、价值判断

?\t模型自己选用子模块、自动调参、微调行为

?

九、总结金句

传统编程是告诉机器“怎么做”，大模型编程是告诉机器“学会怎么做”。

大模型不会像人那样“理解”，但它会像人那样“模仿”。

传统代码追求精确输出，大模型追求最大概率正确。

大模型编程的本质，是在不确定性中寻找最可能的确定性。

?