类不再写规则

    ? 而是提供大量数据

    ? 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：传统写代码大模型生成代码

    传统写代码

    def is_apple(image):

    # 提取颜色

    # 提取形状

    # 判断是否红色圆形果实

    # ...

    return TrueFalse

    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：

    ? 语言理解模块

    ? 数学计算模块

    ? 图像识别模块

    ? 编码解码模块

    将来编程也可能是这样：

    ? 人类提供目标、约束、价值判断

    ? 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。

    ?

    hai