AI 基础总览¶
这一章回答"AI 到底是什么"。
如果你刚接触 AI，对下面这些词感到困惑，这章就是为你准备的：
- AI、机器学习、深度学习、大模型，它们到底是什么关系？
- LLM 为什么能"说人话"？
- Token、Embedding、温度这些词是什么意思？
- 为什么 AI 有时候会"一本正经地胡说"？
你会看到什么¶
| 章节 | 解决的核心问题 |
|---|---|
| 什么是 AI | AI 能做什么、不能做什么？ANI/AGI/ASI 是什么意思？ |
| 机器学习 | 计算机是怎么"学习"的？监督/无监督/强化学习有什么区别？ |
| 深度学习 | 神经网络是怎么一层一层"看懂"东西的？AlexNet 为什么重要？ |
| 什么是 LLM | ChatGPT 背后的"引擎"到底是什么？它为什么能生成连贯文本？ |
| 模型、数据、训练与推理 | 训练一次模型要花多少钱？"微调"是什么意思？ |
| Token、Embedding 与上下文窗口 | 为什么中文 API 比英文贵？LLM 怎么"理解"文字？ |
| 温度与采样参数 | 怎么让 AI 更"听话"或更"有创意"？Temperature 怎么调？ |
| 为什么模型会胡说 | AI 幻觉是什么？怎么减少？ |
推荐顺序¶
如果你时间有限，建议按这个顺序读：
text
什么是 AI → 什么是 LLM → Token、Embedding 与上下文窗口 → 为什么模型会胡说
这四篇是理解 LLM 的"最小必要知识"。
如果你想更系统地理解，可以按这个顺序：
text
什么是 AI → 机器学习 → 深度学习 → 什么是 LLM → 模型/数据/训练/推理 → Token/Embedding/上下文 → 温度与采样 → 为什么模型会胡说
学完之后¶
你应该能分清：
- AI：人工智能的总称，让机器表现出智能行为
- 机器学习（ML）：AI 的一个分支，让计算机从数据里学规律
- 深度学习（DL）：机器学习的一条路线，用多层神经网络处理复杂模式
- LLM：深度学习在语言方向上的产物，大语言模型
- 模型 vs 应用 vs 平台：模型是引擎，应用是整车，平台是4S店
而且你应该知道：
- LLM 不会"思考"，它只是在预测下一个词
- AI 的输出不一定正确，涉及事实必须人工核查
- 温度、top-p 这些参数可以控制输出的随机性