国内主流AI大模型都是Python 开发的，国外AI大模型是什么语言开发的？为什么要用python？
国内的AI：百度的文心一言
抖音的豆包
等等等等这些大数据AI模型，都是用python语言开发的。
国外的AI大数据模型是用什么语言开发出来的呢？
为什么要用python不用其他语言呢？？ 这个问题问的，让我有个疑惑，题主啥职业。
你知道国内主流ai大模型都是用的 python，却不知道国外用的啥。
如果是业内人士，不可能不知道。如果是外行，怎么知道国内用的 python？
难道，为了引出题目中的两个栗子？
从最新公布的TIOBE 2月编程语言排行榜可以看出，Python继续遥遥领先。
从长期历史走势来看，Python大概从2018年开始乘风而上，华丽逆袭。这风，必然是人工智能。
人工智能是一个一头连着科研、一头连着工程的领域，而且科研是上游、工程是下游。搞数据和算法的科研工作者，本身不是专业的程序员，他们对于编程工具是没有情怀方面的因素的。他们的需求非常现实，能够抄起来就用，快速验证自己的idea的语言就是雪中送炭的好语言。
而Python的简单易用正中他们下怀。
于是数据科学、算法领域都不约而同选择了用Python，这就积累下来了大量的工具库。后来TensorFlow等框架出现之后，基于Python，人工智能领域逐渐形成了完善的社区和生态。所以再往后的人要想摸着石头过河，必然就一沾沾一手Python，以至于Python几乎成了深度学习入门的第一课。
Python 适用于科学计算、Web 开发、桌面 GUI 开发、网络爬虫开发、自动化运维、自动化测试、自动化运维等领域，广阔的适用特性又让它在工程开发中游刃有余。
所以Python被称为“胶水语言”，不仅体现在可以把不同领域的模块、库和工具连接在一起以及把不同开发语言连接在一起；还体现在可以把科研和工程连接在一起。
Python在统计领域排名第一，在人工智能编程领域排名第一，在脚本编写方面排名第一，在系统测试方面排名第一，不足为奇。
编程语言“名人榜”( 2003-2023) 回答前几个都是卖课噶韭菜的，实际上python只是最外层的调用接口，真正跑的逻辑都在c++上。但是他们不会告诉你，因为这样就没法噶韭菜了。 很简单，因为做AI不需要造轮子！
我来举几个耳熟能详的例子，都很适合作为例子学习AI大模型。
第一个是Meta的开源大模型Llama2，这是它的链接。
GitHub - facebookresearch/llama: Inference code for LLaMA models映入眼帘的问卷后缀主要有两类，md-Markdown文件，一般是说明文件；py-Python文件，一般是工程文件。
再点进去具体的工程文件，清一色的py，python文件。
再深入一点儿，打开model.py模型文件，你看这个torch没，它是做深度学习基本上必备的库，它是基于Python写的。
再来一个OpenAI开源的GPT2，也是清一色的python文件。
https://github.com/openai/gpt-2/tree/master/src
不过GPT2是五年前的作品，它的model模型文件里面用的是tensorflow，它也是做深度学习的库。
你可以看这个图，做深度学习，其实主流的AI大模型，靠的就是这些工具，最底层就是C++或者C语言，因为它们的运行速度更快，但是缺点就是学习难度高，曲线长。
想要更加深入的了解大模型，我建议大家从拥有自己的GPT开始，这是最经典也是目前综合性能最强的大模型，如果你还不会大模型部署微调，建议听听知乎知学堂开展的AI大模型公开课，课程会带你学习大模型背后的技术原理，LangChain、Fine-tune技术，从理论实践，到深度讲解，带你全程体验微调过程，定制属于自己的大模型。课上还能直接对话AI技术大佬，现场答疑，干货满满！
课程邀请了2名圈内AI技术大牛讲课，趁着现在还免费，建议IT人都去看看，语言不限，如果了解Python 收获会更大！
因此在C++的基础上开发了更多的框架，用的是高级语言，比如说Python就是其中之一。
像PyTorch（Meta Llama）、TensorFlow（OpenAI GPT2）就是典型的例子，也有一些工作是用的MXNext等。
但是从主流角度来讲，会Pytorch基本上就差不多了。
但如果你要是从学习的角度来看，Pytorch只是专门来做大模型框架的，但是除了模型框架之外，其实还有不少的东西要学，才能覆盖完AI的大多数方向。
主要的库就这么几个，标*的是必学的，其他的可以暂时不学，或者让ChatGPT代劳。
库/模块名称简介*NumPy提供了大量的数学函数以及用于操作大型数据集或数学数组的函数*pandas提供了一种灵活的数据结构，使我们能够在 Python 中处理和分析表格型或异质型数据*Matplotlib一个用于创建静态、动态或交互式可视化图表的库Seaborn提供了一组高级界面，用于绘制吸引人的统计图形*Scikit-Learn提供了一些简单且高效的工具，用于数据挖掘和数据分析TensorFlow一个开源的深度学习框架，由 Google Brain 团队开发Keras一个用于构建和训练深度学习模型的高级接口PyTorch一个开源的深度学习框架，由 Facebook 的人工智能研究团队开发
在掌握Python基础和有了ChatGPT的辅助之后，开始机器学习的实操部分其实变得不那么困难了。
你可以利用机器学习算法的cheatsheet，逐一让ChatGPT帮你生成算法，并详细解释每一步，这个过程不仅比传统的学习方式更快，也更加有趣。
例如，如果你对线性回归（linear regression）感兴趣，你可以这样询问ChatGPT：“请使用Python创建一个线性回归的机器学习模型，并用模拟数据对其进行训练和验证。请一步步指导我如何实现，包括相关的数学公式。”
不懂的地方直接问ChatGPT，比如说你不想问现成的库，想自己做一个加强印象，你可以这么问。
记得，遇到不懂的问题，直接提问即可。
实际操作经验通常是学习中的最佳老师。通过参与小型项目进行实战是极佳的学习方式。Kaggle平台提供了众多数据集，非常适合这种实践。你可以通过以下链接访问这些数据集：
<a href="http://link.zhihu.com/?target=https%3A//www.kaggle.com/datasets%3Fsearch%3Dmachine%2Blearning" class=" external" target="_blank" rel="nofollow noreferrer">https://www.kaggle.com/datasets?search=machine+learning
在Kaggle上，每个数据集都对应一个特定的机器学习任务。选择一个感兴趣的项目开始，先从阅读和学习他人的代码做起。 你看到的只是上层建模层确实大部分是用python写的
但是底层框架c++、rust实现都有
之所以建模用python 是因为python语言开发便捷性和各种建模生态的健全 国外主流AI大模型的开发语言多样，但以Python为主。选择Python是因为其简单易学、高效实用、拥有大量库支持机器学习、深度学习等任务。例如，TensorFlow和PyTorch等深度学习框架都是用Python开发的，极大简化了AI模型的开发和部署。同时，Python对数据处理和大数据分析的能力强大，特别适合用于大数据AI模型的构建。简而言之，Python在AI领域具有广泛的应用和明显的优势。其他语言也有应用，但Python是目前最主流的选择之一。
页:
[1]