俗話說基礎(chǔ)不牢地動(dòng)山搖。學(xué)習(xí)AI我們首先要從理解各個(gè)AI名詞概念入手夯實(shí)基礎(chǔ)。以下這篇文章主要是介紹AI各個(gè)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(jì)算機(jī)科學(xué)的一個(gè)分支核心目標(biāo)是讓機(jī)器模擬人類的智能行為——學(xué)習(xí)、推理、感知、決策、創(chuàng)造。用一句話概括AI 就是讓機(jī)器從只會(huì)按指令執(zhí)行進(jìn)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(gè)層次層次能力現(xiàn)狀**弱人工智能ANI**?在特定任務(wù)上超越人類下棋、識(shí)圖、翻譯? 已全面落地**強(qiáng)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(shí)現(xiàn)**超人工智能ASI**?在所有領(lǐng)域遠(yuǎn)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(qiáng)并不真正理解世界。機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的區(qū)別很多人以為機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)是三個(gè)并列的兄弟其實(shí)它們不在同一個(gè)維度上。硬放在一起比較就有點(diǎn)“關(guān)公戰(zhàn)秦瓊”的感覺了。兩個(gè)不同的維度AI 領(lǐng)域其實(shí)是按兩個(gè)獨(dú)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(jī)器學(xué)習(xí)、深度學(xué)習(xí)學(xué)習(xí)范式維度?“靠什么信號(hào)來學(xué)習(xí)”監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)?所以準(zhǔn)確的關(guān)系是機(jī)器學(xué)習(xí) (Machine Learning) ← 最大的圈總稱按模型結(jié)構(gòu)分傳統(tǒng)機(jī)器學(xué)習(xí)決策樹、SVM、線性回歸…深度學(xué)習(xí)多層神經(jīng)網(wǎng)絡(luò) ← 深度是深在網(wǎng)絡(luò)層數(shù)按學(xué)習(xí)信號(hào)分監(jiān)督學(xué)習(xí)有標(biāo)準(zhǔn)答案 → 糾錯(cuò)無監(jiān)督學(xué)習(xí)無答案 → 自己找規(guī)律強(qiáng)化學(xué)習(xí)無答案 → 靠獎(jiǎng)勵(lì)/懲罰試錯(cuò)逐個(gè)拆解各自到底在解決什么1. 機(jī)器學(xué)習(xí)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(dòng)學(xué)出規(guī)律。傳統(tǒng)編程 vs 機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí) 輸入數(shù)據(jù) 已知答案 → 機(jī)器自己學(xué)出規(guī)則判斷一封郵件是不是垃圾郵件不用你寫含’中獎(jiǎng)’就刪這種規(guī)則而是喂一萬封標(biāo)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(jī)森林、SVM、XGBoost特點(diǎn)數(shù)據(jù)量要求相對小、可解釋性強(qiáng)、訓(xùn)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(fēng)控、信貸審批。2. 深度學(xué)習(xí)DL—— 機(jī)器學(xué)習(xí)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(dòng)提取特征。關(guān)鍵突破在于自動(dòng)特征工程傳統(tǒng) ML需要人類專家手工設(shè)計(jì)特征比如這張圖邊緣有多少條深度學(xué)習(xí)原始像素直接丟進(jìn)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(dāng)代大模型核心、GAN生成特點(diǎn)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(shí)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(qiáng)化學(xué)習(xí)RL—— 一種試錯(cuò)學(xué)習(xí)范式本質(zhì)不給你標(biāo)準(zhǔn)答案只給你獎(jiǎng)勵(lì)信號(hào)智能體Agent通過與環(huán)境互動(dòng)、不斷試錯(cuò)來最大化累計(jì)獎(jiǎng)勵(lì)。這是它和前兩者最本質(zhì)的區(qū)別監(jiān)督學(xué)習(xí) 這道題答案是 C → 立刻糾錯(cuò)被動(dòng)學(xué) 強(qiáng)化學(xué)習(xí) 你剛才走這步贏了 → 延遲反饋主動(dòng)試核心機(jī)制訓(xùn)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(biāo)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(diǎn)獎(jiǎng)勵(lì)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(qiáng)化學(xué)習(xí)適合決策序列問題——游戲、機(jī)器人控制、自動(dòng)駕駛、資源調(diào)度、以及大模型的對齊訓(xùn)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(gè)學(xué)科類似語言領(lǐng)域有“中文”、”英文“、”日語“等學(xué)科。它主要研究的是讓計(jì)算機(jī)能夠處理、解析和生成人類語言——通俗講就是讓機(jī)器和人類可以無障礙溝通讓機(jī)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(shí)現(xiàn)NLP的核心工具。LLM通過海量數(shù)據(jù)學(xué)習(xí)語言規(guī)律實(shí)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(yù)訓(xùn)練TransformerGPT生成式預(yù)訓(xùn)練Transformer是由OperAI開發(fā)的LLM具體實(shí)現(xiàn)本質(zhì)是一個(gè)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(gè)”知名品牌“。