AI

Basic AI Concept

这些东西可以放进一个总框架

1. 人工智能总体结构

人工智能 AI

如图

2. 概念分类

2.1 方法类（解决问题的方法）

  • 机器学习 ML
  • 深度学习 DL
  • 神经网络 NN
  • 强化学习 RL
  • Transformer
  • 注意力机制 Attention

2.2 应用领域（技术使用场景）

  • 自然语言处理 NLP
  • 计算机视觉 CV
  • 语音识别
  • 推荐系统

2.3 模型形态（具体模型类型）

  • 大语言模型 LLM
  • 多模态模型

3. 技术发展阶段

第一阶段：传统人工智能（1950s–1990s）

特点：

  • 基于规则
  • 人工设计知识库

代表：

  • 专家系统
  • 搜索算法

局限：

  • 难扩展
  • 依赖人工经验

第二阶段：机器学习时代（1990s–2010）

核心思想：

  • 从数据中学习规律

代表模型：

  • 线性回归
  • 逻辑回归
  • 支持向量机 SVM
  • 决策树
  • 随机森林

局限：

  • 特征工程成本高

第三阶段：深度学习时代（2012–2017）

标志事件：

  • ImageNet 图像识别突破

核心变化：

  • 多层神经网络自动学习特征

代表结构：

  • CNN（图像）
  • RNN / LSTM（文本序列）

局限：

  • 长序列训练困难
  • 并行效率低

第四阶段：Transformer 时代（2017–至今）

标志论文：

  • Attention Is All You Need

核心创新：

  • 使用注意力机制替代循环结构

优势：

  • 并行训练能力强
  • 长距离依赖建模能力强

推动发展：

  • GPT 系列
  • BERT 系列

第五阶段：大模型时代（2020–至今）

特点：

  • 参数规模巨大
  • 统一多任务能力
  • 预训练 + 微调范式

代表方向：

  • 大语言模型 LLM
  • 多模态大模型

4. 层级关系总结

4.1 技术层级

人工智能 AI

└── 机器学习 ML

└── 深度学习 DL

└── 神经网络 NN

└── Transformer

└── 大语言模型 LLM

5. 核心训练范式

监督学习

使用人工标注数据训练模型。

无监督学习

从无标签数据中学习结构。

自监督学习

利用数据内部结构构造训练目标。

强化学习

通过奖励信号学习最优策略。

6. 关键补充概念

表示学习（Representation Learning）

模型自动学习有效特征表达。

预训练（Pretraining）

在大规模数据上进行通用训练。

微调（Fine-tuning）

在具体任务数据上进行适配训练。

多模态学习（Multimodal Learning）

同时处理文本、图像、语音等多种数据。

7. 典型神经网络结构补充

MLP（多层感知机）

最基础的全连接神经网络结构。

CNN（卷积神经网络）

主要用于图像处理任务。

RNN / LSTM

主要用于时间序列与文本序列建模。

Transformer

当前主流深度学习基础架构。

← 返回首页