​​大模型是由海量数据训练的人工智能系统，具有参数量大、计算资源需求高、通用性强等特点​​，可分为语言、视觉、多模态及基础科学等类别，并已渗透至搜索引擎、自动驾驶等领域。

大模型的核心是通过自监督或半监督学习在海量数据上预训练，早期技术起源于20世纪末的统计语言模型，如IBM的对齐模型和2001年的n-gram模型。随着技术迭代，2017年Transformer架构的提出加速了发展，GPT系列于2018年起推动行业突破。目前，大模型通常指参数规模达百亿至万亿的模型，但数十亿参数的模型（如LLaMA-2 7B）也被归入此类。

从定义看，大模型分为大语言模型（如GPT）、视觉模型、多模态模型及科学专用模型，其中多模态模型可融合文本、图像和语音处理能力。其显著优势是低门槛解决多领域任务，例如搜索引擎智能化或复杂推理，但对算力要求极高，训练成本可达数千万元。值得注意的是，广义上的“大模型”可能包含参数量较少的优化版本，需结合实际应用场景区分。

大模型通过高效整合数据与计算资源，大幅提升了通用人工智能的适用性，成为推动科研与产业升级的关键工具，但其发展仍依赖经济与技术资源的协同支持。