前言
人工智能（AI）作为当今科技领域最前沿的技术之一，正在深刻改变各行各业。从机器学习到深度学习，从自然语言处理到计算机视觉，AI的应用场景不断扩展。掌握AI核心知识点对于理解这一领域至关重要。
AI22个核心知识点速查手册
1. 神经网络
模拟生物神经系统的计算模型，由相互连接的节点（神经元）组成，能够学习数据中的复杂模式。
- 卷积：提取图像局部特征的滑动窗口操作
- 矩阵乘法：神经网络计算的核心，输入×权重
- 激活函数：引入非线性（ReLU、Sigmoid等）
- RNN：循环神经网络，处理序列数据，有记忆能力
- CNN：卷积神经网络，处理图像数据，层次提取特征
2. 拟合
模型在训练数据上表现良好
- 定义：模型学习数据规律的过程
- 欠拟合：学得太少，无法捕捉规律
- 过拟合：学得太死，记住噪声
- 解决：正则化、Dropout、增加数据
3. 泛化
模型在未见过的数据上也能表现良好
- 定义 ：模型对新数据的预测能力
- 核心：发现普适规律，而非死记训练集
- 评估：测试集性能、交叉验证
4. 检索增强生成（RAG）
结合检索系统与生成模型。先检索相关文档，再让 LLM 基于事实生成答案，提升准确性
- 定义：LLM + 外部知识检索
- 流程：索引 → 检索 → 增强 → 生成
- 优势：更新知识、减少幻觉、成本低
5. 深度学习
- 定义：多层神经网络自动学习特征
- 特点：端到端、层次化表示、数据驱动
- 关键：大数据 + 大模型 + 大算力
6. 智能体（Agent）
- 定义：能感知、决策、行动的AI系统
- 组件：规划 + 记忆 + 工具 + 行动
- 架构：LLM作为大脑，驱动完成任务
7. 监督学习
模型训练基于带标签的数据（如图片对应的分类标签）
- 定义 ：从标注数据学习映射
- 要素：特征、标签、损失函数、梯度下降
- 应用：分类、回归、检测
8. 无监督学习
模型训练基于无标签的数据，算法需要自主发现数据中的规律或结构（如聚类）
- 定义 ：从无标注数据发现结构
- 任务：聚类、降维、密度估计、生成
- 价值：数据探索、预训练
9. 强化学习
模型通过与环境交互，获取奖励信号来学习决策策略，常用于游戏、机器人控制
- 定义 ：通过环境交互学习最优策略
- 要素：状态、动作、奖励、策略
- 应用：游戏AI、机器人、RLHF（LLM对齐）
10. 向量数据库
用于存储海量高维向量的数据库。
- 定义 ：存储和查询高维向量的数据库
- 核心：嵌入 + 相似性搜索（ANN）
- 产品：Milvus、Pinecone、Chroma
11. 知识图谱
将知识组织成节点和关系的图结构，常用于构建智能体的语义理解能力
- 定义 ：实体-关系-实体的图结构知识库
- 形式：<头实体, 关系, 尾实体>
- 应用：搜索、问答、推荐、GraphRAG
12. Python
- 定位 ：AI领域主导语言
- 优势：语法简洁、生态丰富
- 核心库：NumPy、Pandas、PyTorch、TensorFlow
13. Token（词元）
- 定义 ：文本拆分的最小处理单元
- 分词：BPE、WordPiece（子词级）
- 注意：计费单位、上下文窗口限制
14. MCP（Model Context Protocol）
用于管理和监控模型上下文的协议，支持动态服务器管理
- 定义 ：AI模型与外部工具的开放协议
- 作用：标准化集成，类似"USB-C接口"
- 组成：MCP服务器 + MCP客户端
15. 机器学习
通过数据学习模型，以自动完成任务的技术。
- 定义：从数据学习规律，无需明确编程
- 三大范式：监督、无监督、强化学习
- 流程：数据 → 特征 → 模型 → 训练 → 部署
16. 自然语言处理（NLP）
研究计算机理解、生成、处理人类语言的AI分支
- 定义 ：计算机理解、生成人类语言
- 演进：规则 → 统计 → 神经网络 → 大模型
- 任务：翻译、情感分析、问答、对话
17. 多模态
能够同时处理和理解多种数据模态（文本、图像、音频、视频等）的AI系统。
- 定义 ：处理多种数据类型（文本、图像、音频、视频）
- 核心：跨模态对齐与融合
- 模型：CLIP、GPT-4V、Sora
18. 大语言模型（LLM）
基于Transformer架构、参数量巨大（数十亿至数万亿）、在海量文本上预训练的语言模型。
- 定义：基于Transformer、参数量巨大的语言模型
- 能力：上下文学习、指令遵循、推理涌现
- 代表：GPT、Claude、Llama、DeepSeek
19. 数据标注
为原始数据（图像、文本、音频等）添加结构化标签的过程，是监督学习的基石。
- 定义 ：为数据添加标签的过程
- 类型：图像标注、文本标注、语音转录
- 挑战：成本高、主观性、长尾分布
20. Transformer
基于自注意力机制的模型，能够并行处理序列数据，解决了 RNN 的长期依赖问题，是 GPT 系列模型的基础
- 定义 ：基于自注意力的深度学习架构
- 核心：多头注意力、位置编码、残差连接
- 变体：Encoder（BERT）、Decoder（GPT）、Seq2Seq（T5）
21. PyTorch
- 定义 ：Meta开发的深度学习框架
- 特点：动态图、调试友好、研究首选
- 生态：TorchVision、Lightning、Hugging Face
22. TensorFlow
- 定义 ：Google开发的深度学习框架
- 特点：静态图、工业级部署、跨平台
- 工具：TensorBoard、TFX、TensorFlow Lite
知识体系串联
AI（人工智能）
├── 机器学习（ML）
│ ├── 监督学习（7）→ 需数据标注（19）
│ ├── 无监督学习（8）
│ └── 强化学习（9）
│
├── 深度学习（5）→ 基于神经网络（1）
│ ├── 基础：CNN、RNN、Transformer（20）
│ ├── 框架：PyTorch（21）、TensorFlow（22）
│ ├── 应用：NLP（16）、多模态（17）
│ └── 大模型：LLM（18）→ Token（13）
│
├── 工程化
│ ├── RAG（4）= LLM + 向量数据库（10）+ 知识图谱（11）
│ ├── 智能体（6）：LLM + 工具 + 记忆 + 规划
│ └── MCP（14）：标准化工具集成协议
│
└── 基础设施：Python（12）编程 + 数据标注（19）
这22个知识点覆盖了从理论基础（拟合、泛化）到核心技术（深度学习、Transformer），再到工程实践（RAG、Agent、MCP）的完整AI技术栈。建议按基础概念 → 核心算法 → 框架工具 → 前沿应用的路径深入学习。