AI 基础用于建立人工智能的整体认知。学习这一部分的目标不是马上训练复杂模型，而是先分清 AI、机器学习、深度学习和大模型之间的关系，理解模型为什么能从数据中学习，以及模型输出为什么既有能力也有边界。

1. 核心概念地图

人工智能 AI
├─ 机器学习：从数据中学习规律
│  ├─ 监督学习：输入和标签成对出现
│  ├─ 无监督学习：从数据中发现结构
│  └─ 强化学习：通过奖励反馈学习策略
├─ 深度学习：用多层神经网络学习复杂表示
└─ 大模型：用大规模数据和参数学习通用能力

2. 可以展开的知识点

方向	重点问题	后续文章建议
AI 基本概念	AI、机器学习、深度学习、大模型有什么区别	AI、机器学习与深度学习
学习范式	监督、无监督、强化学习分别解决什么问题	机器学习三大学习范式
模型训练	模型如何从样本中学习规律	训练、验证与测试
模型推理	模型上线后如何根据输入生成输出	推理流程与模型服务
数据与特征	数据质量为什么影响模型效果	数据集、特征与标签
评估指标	如何判断模型效果好不好	准确率、召回率、F1 与 AUC

本章节目录

• AI机器学习深度学习与大模型
• 机器学习三大学习范式
• 训练验证测试与评估
• 数据集特征标签与泛化
• 模型推理与部署基础

3. 基础术语速查

术语	含义
样本	一条用于训练或测试的数据
标签	样本对应的正确答案或目标值
特征	输入数据中可用于判断的信息
参数	模型内部学习到的数值
训练	用数据更新模型参数的过程
推理	用训练好的模型处理新输入的过程
泛化	模型处理未见过数据的能力
过拟合	模型过度记住训练数据，导致真实效果变差

4. 学习建议

1. 先理解“模型是从数据中学习函数”，不要只背算法名字。
2. 学会区分训练阶段和推理阶段，很多工程问题都来自这两个阶段的边界。
3. 关注数据质量、任务定义和评估指标，它们通常比模型名字更重要。
4. 不急着手写复杂算法，先能解释常见 AI 应用背后的基本流程。

5. Tips 快问快答

Q：AI、机器学习、深度学习是什么关系？

A：AI 是最大范围，机器学习是实现 AI 的重要方法，深度学习是机器学习中的一类方法，大模型通常建立在深度学习和大规模训练之上。

Q：模型是不是参数越多越好？

A：不一定。参数规模会提升能力上限，但真实效果还取决于数据、训练方法、任务匹配、推理成本和工程约束。

Q：业务开发者需要懂算法细节吗？

A：需要懂基本原理和边界，但不一定一开始就深入公式推导。能做正确选型、评估和系统集成更重要。