第一部分，核心基石概念

星博讯 AI基础认知 2026-04-09 1

人工智能 (Artificial Intelligence, AI)
- 是什么：让机器模拟人类智能行为的科学与工程，它是一个总称，涵盖所有让机器变得“聪明”的技术。
- 类比：就像“交通工具”这个概念，包含了汽车、飞机、轮船等。
机器学习 (Machine Learning, ML)
- 是什么：AI的核心实现方法，让计算机从数据中自动学习和改进,而无需为每个任务进行明确的编程。
- 关键点：不是写规则，而是喂数据、找规律。
- 类比：不是教孩子“所有四条腿的是狗”（规则），而是给他看无数猫狗图片，让他自己总结出特征（学习）。
深度学习 (Deep Learning, DL)
- 是什么：机器学习的一个重要分支，使用类似于人脑神经网络的“深度神经网络”来处理数据，特别擅长处理图像、语音、文本等非结构化数据。
- 关键结构：神经网络，由多层“神经元”组成，数据从输入层经隐藏层处理,最终得到输出。
- 类比：机器学习中的一种“高级功法”，层次（网络层数）越深,能学会的特征越复杂。

第二部分：模型与算法类型

监督学习
- 是什么：给模型提供 “带标签的数据” （如图片+“猫”/“狗”的标签）进行训练,模型学习从输入到输出的映射关系。
- 常见任务：分类（垃圾邮件识别）、回归（房价预测）。
无监督学习
- 是什么：给模型提供 “无标签的数据” ,让模型自己发现数据中的内在结构和模式。
- 常见任务：聚类（客户分群）、降维。
强化学习
- 是什么：模型作为“智能体”通过与环境互动（试错）来学习，根据行动结果获得“奖励”或“惩罚”,从而学习最优策略。
- 类比：训练小狗做动作，做对了给零食（正奖励），做错了不理它（负奖励）。
- 经典应用：AlphaGo、机器人控制。
大语言模型 (Large Language Model, LLM)
- 是什么：基于海量文本数据训练的、参数规模巨大（通常百亿、千亿级）的深度学习模型，能够理解、生成和推理自然语言。
- 你熟悉的代表：GPT系列、Gemini、LLaMA、文心一言、通义千问等。
- 核心技术：Transformer 架构（一种特别高效的神经网络结构）。

训练 / 微调
- 训练：用大量数据从头开始“教”一个模型,计算成本极高。
- 微调：在一个预训练好的大模型（如GPT）基础上，用特定领域的小规模数据进行二次训练，使其适应特定任务（如法律文书写作）。效率高得多。
提示 / 提示工程
- 提示：你输入给AI模型（尤其是LLM）的指令或问题。
- 提示工程：精心设计提示词，以引导模型生成更准确、更符合需求的回答,是一门重要的实践技巧。
生成式 AI (Generative AI)
- 是什么：能够（文本、图像、代码、音乐等）的AI模型。
- 与判别式AI的区别：判别式AI主要做“区分”（如图像分类），生成式AI做“创造”。
- 代表：ChatGPT（文）、DALL-E/Midjourney（图）、Suno（音乐）。
幻觉
- 是什么：AI模型（特别是LLM）生成的内容看似流畅合理，但实际上是错误的或虚构的,这是当前大模型面临的核心挑战之一。
- 例子：AI可能会编造一个不存在的学术引用。

AIGC：人工智能生成内容,是生成式AI的具体应用领域。
智能体 / AI Agent：不仅能理解指令，还能自主规划、调用工具（搜索、计算等）、执行复杂任务的AI系统,被视为下一代AI应用形态。
多模态：能够同时理解、处理和生成多种类型信息（文本、图像、音频、视频）的AI模型。
- 例子：输入“描述这张图片的内容”，或“根据这段文字生成一幅画”。
计算机视觉：让机器“看懂”图像和视频的技术。
- 常见任务：图像识别、人脸识别、自动驾驶中的物体检测。
自然语言处理：让机器“理解”和“处理”人类语言的技术。
- 常见任务：机器翻译、情感分析、智能客服。

建立框架：AI > ML > DL 这个包含关系,LLM和CV是DL的重要应用领域。
关注核心：谈论当前AI时，重点通常围绕 “大模型” 、 “生成式AI” 和 “智能体”。
善用类比：用你熟悉的领域（如学习、工具、流派）来类比理解新术语。
实践出真知：
- 亲自使用ChatGPT、Claude、文心一言等产品，体验“提示工程”。
- 尝试用Midjourney或DALL-E 3生成图片，理解“生成式AI”。
- 关注科技媒体的行业新闻,在语境中学习术语。