**人工智能（Artificial Intelligence，AI）**是研究如何让机器模拟人类智能（感知、学习、推理、决策）的交叉学科。
现代 AI 主要以 机器学习 → 深度学习 → 大语言模型 为技术主线。
人工智能（AI）
└── 机器学习（ML）—— 让机器从数据中学习规律
└── 神经网络（NN）—— 仿生神经元连接
└── 深度学习（DL）—— 多层隐藏层神经网络
└── 大语言模型（LLM）—— Transformer 架构的超大规模 DL
| 缩写 | 全称 | 核心思想 |
|---|---|---|
| AI | Artificial Intelligence | 模拟人类智能行为 |
| ML | Machine Learning | 从数据归纳规律，不靠硬编码规则 |
| NN | Neural Network | 加权连接的神经元模拟大脑 |
| DL | Deep Learning | 多层 NN，自动提取高阶特征 |
| LLM | Large Language Model | 基于 Transformer 的超大 DL 模型 |
| 类型 | 说明 | 现状 |
|---|---|---|
| 弱人工智能（ANI） | 专精单一任务（下棋、识图、翻译） | ✅ 当前所有实际应用 |
| 强人工智能（AGI） | 具备人类通用认知能力 | 🔲 尚未实现（研究目标） |
| 超人工智能（ASI） | 全方位超越人类智能 | 🔲 理论假设 |
机器学习不是写规则（if…then…），而是：
| 类型 | 特点 | 示例 |
|---|---|---|
| 监督学习 | 有标注数据 | 分类、回归 |
| 无监督学习 | 无标注，发现结构 | 聚类、降维 |
| 半监督学习 | 少量标注 + 大量无标注 | 图像半标注 |
| 强化学习 | 奖励/惩罚反馈 | AlphaGo、游戏 AI |
[输入层] → [隐藏层1] → [隐藏层2] → … → [输出层]
公式简化表示：
y = σ(W·x + b)
σ = 激活函数，W = 权重矩阵，x = 输入向量，b = 偏置
重复以上步骤数万～数百万次，即为"模型在学"。
| 架构 | 擅长领域 |
|---|---|
| CNN（卷积神经网络） | 图像识别、计算机视觉 |
| RNN / LSTM / GRU | 时序数据、语音 |
| Transformer | NLP、多模态（ChatGPT 基石） |
| GAN（生成对抗网络） | 图像/内容生成 |
LLM 本质是一个超级概率模型——不断预测"给定上文，下一个 Token（词元）最可能是什么"。
用户输入 Prompt
↓ Tokenizer 分词 → Token ID 序列
↓ Embedding（转为含语义的向量）
↓ Transformer 多层自注意力计算（Self-Attention）
↓ 输出每个位置下一个 Token 的概率分布
↓ 按策略采样 → 生成第一个 Token
↓ 将新 Token 追加进上下文 → 循环生成……
| 阶段 | 名称 | 目的 |
|---|---|---|
| 预训练（Pre-training） | 无监督 | 读海量文本，学语言统计规律 |
| 指令微调（SFT） | 监督 | 学会遵循指令/对话格式 |
| 人类反馈强化学习（RLHF） | 强化 | 对齐人类偏好，更安全有用 |
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
model = Sequential([
Dense(64, activation='relu', input_shape=(10,)), # 输入层+隐藏层
Dense(64, activation='relu'), # 隐藏层
Dense(1, activation='sigmoid') # 输出层（二分类）
])
model.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])
# model.fit(X_train, y_train, epochs=10, batch_size=32)
❌ AI = 有意识/理解 → 实际是数学统计拟合
❌ 大模型 = 存储记忆 → 实际是参数化概率分布
❌ 更多数据一定更好 → 数据质量与标注更重要
❌ AI 输出永远正确 → 存在幻觉（Hallucination）
果园编程工作室 · 用心每一作，发展每一天
© 2021–2026 果园编程®