基金會模型是一個大型的人工智能模型，在大規模的無標簽數據上進行訓練（通常是通過自我監督學習），形成一個可以適應廣泛的下游任務的模型。自2018年推出以來，基礎模型是人工智能系統構建方式的重大變革的背后。基礎模型的早期例子是大型預訓練的語言模型，包括BERT和GPT-3。利用同樣的想法，使用其他種類的標記序列的特定領域模型，如醫療代碼，也已經建立。隨后，幾個多模態基礎模型已經產生，包括DALL-E、Flamingo和Florence。斯坦福大學以人為本的人工智能研究所的基礎模型研究中心（CRFM）普及了這個術語。

斯坦福大學以人為本的人工智能研究所的基礎模型研究中心（CRFM）創造了基礎模型這個術語，指的是任何在廣泛的數據上訓練出來的模型（一般使用規模化的自我監督），可以適應（例如，微調）廣泛的下游任務。斯坦福大學的研究小組認為，這本身并不是一項新技術，因為它是基于深度神經網絡和自我監督學習的，但它在過去幾年中的發展規模，以及一個模型可用于許多不同目的的潛力，需要一個新術語。基礎模型是一種建立人工智能系統的范式，在這種范式中，一個在大量無標簽數據上訓練的模型可以適應許多應用。基礎模型被設計為通過對廣泛的數據進行規模化的預訓練，以適應（例如，微調）各種下游的認知任務。基礎模型的關鍵特征是涌現和同質化。因為訓練數據不是由人類標記的，所以模型是出現的，而不是被明確編碼的。沒有預料到的屬性會出現。

例如，一個在大型語言數據集上訓練的模型可能會學習生成自己的故事，或者做算術，而不需要明確的編程來做。同質化意味著同樣的方法被用于許多領域，這允許強大的進步，但也有可能出現單點故障。機會和風險2021年的一份arXiv報告列出了基礎模型在語言、視覺、機器人、推理和人類互動方面的能力，技術原理，如模型架構、訓練程序、數據、系統、安全、評估和理論，它們的應用。