俗話說基礎(chǔ)不牢地動山搖。學習AI我們首先要從理解各個AI名詞概念入手夯實基礎(chǔ)。以下這篇文章主要是介紹AI各個基礎(chǔ)概念以及他們之間的區(qū)別與聯(lián)系。什么是AIAI人工智能Artificial Intelligence是計算機科學的一個分支核心目標是讓機器模擬人類的智能行為——學習、推理、感知、決策、創(chuàng)造。用一句話概括AI 就是讓機器從只會按指令執(zhí)行進化到能自己從數(shù)據(jù)中總結(jié)規(guī)律、解決問題。AI的三個層次層次能力現(xiàn)狀**弱人工智能ANI**?在特定任務上超越人類下棋、識圖、翻譯? 已全面落地**強人工智能AGI**?像人一樣跨領(lǐng)域通用思考、舉一反三 研發(fā)中尚未實現(xiàn)**超人工智能ASI**?在所有領(lǐng)域遠超人類 理論設(shè)想我們今天接觸的所有 AI包括 ChatGPT、DeepSeek都屬于弱人工智能——它們只是在生成文本這一件事上很強并不真正理解世界。機器學習、深度學習和強化學習的區(qū)別很多人以為機器學習、深度學習、強化學習是三個并列的兄弟其實它們不在同一個維度上。硬放在一起比較就有點“關(guān)公戰(zhàn)秦瓊”的感覺了。兩個不同的維度AI 領(lǐng)域其實是按兩個獨立維度來劃分的維度回答的問題包含的分類模型架構(gòu)維度?“用什么結(jié)構(gòu)去擬合函數(shù)”傳統(tǒng)機器學習、深度學習學習范式維度?“靠什么信號來學習”監(jiān)督學習、無監(jiān)督學習、強化學習?所以準確的關(guān)系是機器學習 (Machine Learning) ← 最大的圈總稱按模型結(jié)構(gòu)分傳統(tǒng)機器學習決策樹、SVM、線性回歸…深度學習多層神經(jīng)網(wǎng)絡(luò) ← 深度是深在網(wǎng)絡(luò)層數(shù)按學習信號分監(jiān)督學習有標準答案 → 糾錯無監(jiān)督學習無答案 → 自己找規(guī)律強化學習無答案 → 靠獎勵/懲罰試錯逐個拆解各自到底在解決什么1. 機器學習ML—— 父集一種思路轉(zhuǎn)變本質(zhì)不再手寫規(guī)則而是從數(shù)據(jù)中自動學出規(guī)律。傳統(tǒng)編程 vs 機器學習的根本區(qū)別傳統(tǒng)編程 人寫規(guī)則 輸入數(shù)據(jù) → 輸出答案 機器學習 輸入數(shù)據(jù) 已知答案 → 機器自己學出規(guī)則判斷一封郵件是不是垃圾郵件不用你寫含’中獎’就刪這種規(guī)則而是喂一萬封標注好的郵件讓算法自己總結(jié)特征。典型算法線性回歸、邏輯回歸、決策樹、隨機森林、SVM、XGBoost特點數(shù)據(jù)量要求相對小、可解釋性強、訓練快、對算力要求低。適合結(jié)構(gòu)化數(shù)據(jù)表格、中小數(shù)據(jù)量、需要解釋決策依據(jù)的場景金融風控、信貸審批。2. 深度學習DL—— 機器學習的深度分支本質(zhì)用多層神經(jīng)網(wǎng)絡(luò)模仿神經(jīng)元連接來自動提取特征。關(guān)鍵突破在于自動特征工程傳統(tǒng) ML需要人類專家手工設(shè)計特征比如這張圖邊緣有多少條深度學習原始像素直接丟進去網(wǎng)絡(luò)自己從低層邊緣 → 中層形狀 → 高層語義逐層抽象輸入圖片 → [第1層: 邊緣/顏色] → [第2層: 紋理/形狀] → [第3層: 眼睛/輪子] → [輸出: 這是一只貓]典型結(jié)構(gòu)CNN圖像、RNN/LSTM序列、Transformer文本/當代大模型核心、GAN生成特點需要大量數(shù)據(jù)、算力GPU消耗大、可解釋性差黑盒但處理非結(jié)構(gòu)化數(shù)據(jù)圖、文、音能力碾壓傳統(tǒng)方法。適合圖像識別、語音、自然語言處理、大模型——今天所有生成式 AI 的底座。3. 強化學習RL—— 一種試錯學習范式本質(zhì)不給你標準答案只給你獎勵信號智能體Agent通過與環(huán)境互動、不斷試錯來最大化累計獎勵。這是它和前兩者最本質(zhì)的區(qū)別監(jiān)督學習 這道題答案是 C → 立刻糾錯被動學 強化學習 你剛才走這步贏了 → 延遲反饋主動試核心機制訓練一只狗的比喻最貼切Agent狗在 Environment環(huán)境中執(zhí)行 Action坐下環(huán)境給出 Reward一塊零食和新 State狗的目標是最大化長期零食總量于是自己摸索出坐下有吃的關(guān)鍵難點獎勵可能是延遲的下圍棋下到第 100 步才知道輸贏怎么歸因到前面某一步——這就是信用分配問題。典型算法Q-Learning、DQN、PPO、AlphaGo/AlphaZero、ChatGPT 的 RLHF人類反饋強化學習適合決策序列問題——游戲、機器人控制、自動駕駛、資源調(diào)度、以及大模型的對齊訓練RLHF。NLP、LLM和GPT的區(qū)別1.NLP自然語言處理NLP自然語言處理可以看作是AI下的一個學科類似語言領(lǐng)域有“中文”、”英文“、”日語“等學科。它主要研究的是讓計算機能夠處理、解析和生成人類語言——通俗講就是讓機器和人類可以無障礙溝通讓機器可以讀懂人類語言并按人類語言的邏輯輸出文本。2.LLM大語言模型LLM大語言模型是一種技術(shù)的類別這種技術(shù)是實現(xiàn)NLP的核心工具。LLM通過海量數(shù)據(jù)學習語言規(guī)律實現(xiàn)文本生成與理解的統(tǒng)一化處理是NLP領(lǐng)域最前沿的技術(shù)分支。NLP是LLM的生態(tài)根基而LLM是NLP的超級引擎。3.GPT生成式預訓練TransformerGPT生成式預訓練Transformer是由OperAI開發(fā)的LLM具體實現(xiàn)本質(zhì)是一個基于Transformer架構(gòu)的生成式模型屬于LLM家族中最具代表性的分支之一。LLM是語言模型的類型而GPT是這類模型里的其中一個”知名品牌“。