第一节：这些 AI 术语到底是什么关系？
先解决一个最基础、但也最容易混淆的问题：AI、ML、DL、GenAI、AGI，它们到底是什么关系？
很多人以为它们是并列的，或者是一个路线上的几个阶段。其实不是，它们是套娃结构：
人工智能（AI）
└── 机器学习（ML）------ 让机器从数据中学习，不靠人写规则
└── 深度学习（DL）------ 用多层神经网络，ML 里最成功的一支
├── 计算机视觉（CV）------ 让机器看懂图像
│ ├── 人脸识别
│ ├── 自动驾驶
│ └── OCR 文字识别
└── 自然语言处理（NLP）------ 让机器理解语言
└── 大语言模型（LLM）------ 当前 AI 的主角
└── 生成式 AI（GenAI）------ 能创造新内容的 AI
├── 文本生成（ChatGPT、Claude）
├── 图像生成（Midjourney、DALL·E）
├── 视频生成（Sora）
└── 音频生成（Suno）几个容易搞混的点：
- ML 和 DL 不是"传统 AI"，它们是 AI 的底层技术，大模型本身就是 DL 的产物
- CV 和 NLP 是并列关系，人脸识别（CV）和对话模型（NLP）用了各自不同的架构，但底层都是 DL
- GenAI 是 LLM 这个枝上长出来的果实，不是跟 ML 并列的层级。ChatGPT、Claude 都属于 GenAI
那 AGI（通用人工智能） 呢？它不在上面这张图里。图上所有东西都是窄 AI（Narrow AI）------只擅长特定领域。AGI 是一个还没实现的愿景，指的是"在所有领域都能像人一样思考和推理的 AI"。它是远处的山头，不是我们脚下的路。
→ 下一篇会深入讲 LLM 是怎么工作的，为什么它跟之前的 AI 不一样
第二节：那大模型到底是什么东西？
如果你去搜 LLM 的原理，会看到一堆看不懂的词：Transformer、Attention、自监督学习...... 但说到底，大模型的本质比你想象的要简单。
大模型 = 两个文件
这是 AI 科学家 Andrej Karpathy 用来说服普通人的方法。一个训练好的大模型，拆到最简就是两个文件：
-
一个参数文件（比如 140GB）------ 里面是几十亿到几千亿个数字。这些数字是模型在训练过程中"学到的知识"，编码了它对语言和世界的理解。一般用参数数量来称呼模型大小，比如 7B 就是 70 亿个参数，70B 就是 700 亿个。参数越多，模型理论上越聪明，但需要的 GPU 也越多。
-
一段推理代码（可以简化到几百行）------ 定义怎么读取那些数字、怎么用它们来预测下一个词。这段代码实现了"输入一句话 → 按参数计算 → 输出下一个词"的循环。
训练 vs 推理
- 训练 ：拿海量文本（千万亿个词）去调整那几十亿个参数，让模型学会预测下一个词。成本极高------训练一个 70B 模型大约需要6000 张 GPU 跑 12 天，花费约 200 万美元。这还没算前面 3~6 个月的数据清洗时间。
- 推理 ：训练好的模型拿来用，你输入问题，它计算输出。这是每次调用花几分钱的阶段，也是你做 AI 产品真正关心的成本。
三步流程
所有大模型都遵循一个通用的生产流程：
预训练 → 对齐 → （可选）微调- 预训练 ：让模型学知识（就是上面说的那 200 万美元干的事）。数据来源主要是公开网页、论文、书籍等。不同模型的核心架构大部分相似，真正的差距主要在数据清洗策略------什么数据保留、什么去掉、各类数据怎么配比。这是各厂商的竞争力壁垒。
- 对齐 ：让模型说人话、有礼貌、不回答有害内容。靠人工标注员对模型的回答进行排序，告诉模型"这种回答好，那种不好"。对齐的成本中人力是最大头，甚至可能超过预训练的算力成本------这也是闭源模型比开源模型"聊起来更舒服"的主要原因。
- 微调 （企业自己做的）：在已经训练好的模型上，用你自己的业务数据继续训练一小步，让模型更懂你的业务。微调不教模型新知识，而是教模型"面对你的业务场景时，应该怎么回答"。
Scaling Laws
行业在 2020 年发现了一个关键规律：模型的能力跟参数规模、训练数据量之间存在可预测的正比关系 ，而且没有见顶的迹象。这就是 Scaling Laws。它告诉业界：只要堆算力、堆数据，模型就会变聪明。 这个发现直接驱动了过去几年的"大模型军备竞赛"。
这后来有一个修正------光堆参数不行，数据质量同样重要。参数再多，训练数据质量不高，能力提升也会变慢。
→ L3 会深入讲 Prompt Engineering、RAG、Agent、微调这几种应用范式的适用场景和取舍
第三节：LLM 能做什么，不能做什么
理解边界比理解能力更重要。转型AI的人要知道"什么事可以交给 AI，什么事别指望 AI"。
能做的
- 内容生成：写文章、写邮件、写方案
- 总结归纳：长文变短文、会议纪要
- 翻译润色：改语气、改风格、翻译语言
- 问答推理：基于知识回答问题
- 角色扮演：按设定的身份和规则对话
- 代码生成：写代码、解释代码
不能做的（当你设计产品时重点关注）
| LLM 的边界 | 对你的产品意味着什么 |
|---|---|
| 会编造事实（幻觉） | 关键信息不能完全信任，需要验证机制 |
| 知识不实时 | 截至训练时间。需要 RAG 补充最新信息 |
| 数学不精确 | 涉及精确计算的要靠代码，不靠模型 |
| 上下文窗口有限 | 长对话需要自己管理记忆 |
| 不擅长精确指令 | 复杂指令会遗漏细节，prompt 要简洁分步 |
→ 理解这些边界后，L4 会讲怎么评估模型输出质量、怎么控制成本、怎么做安全设计
第四节：整个 AI 产业链长什么样？
全产业链视角
从最底层到最应用层，AI 涉及六个层次：
应用层：各种 AI 产品和行业解决方案
工具层：LangChain / Dify / Coze / Ollama 等开发框架和平台
模型层：OpenAI / Anthropic / Meta / DeepSeek / Qwen 等模型厂商
算力层：阿里云 / AWS / Azure / 火山引擎 等云服务商
芯片层：NVIDIA / AMD / 华为昇腾 等硬件厂商
能源层：电力供应 / 数据中心散热 / 绿电越往下越重资产、越集中（一两个厂商卡住整条链），越往上越轻、创新空间越大。
PM 视角的三层
但作为一个学 AI 的产品/业务/设计人员，你不需要天天盯着芯片和算力。简化来看：
模型层 → 谁造大脑
工具层 → 什么工具帮你用好大脑
应用层 → 你用 AI 解决什么具体问题你的战场在应用层。 不是去跟算法工程师卷模型能力，而是理解每种范式的适用边界、评估成本和效果、判断什么场景真正值得用 AI。
写在最后
这张地图是第一步。
后续我会按这个路线逐步深入：
- 第 2 篇：核心原理------LLM 到底是怎么工作的（Token、Embedding、上下文窗口......）
- 第 3~6 篇：关键范式------Prompt Engineering、RAG、Agent、微调，分别解决什么问题、怎么选
- 第 7~8 篇：系统架构------评估、成本、安全、数据飞轮
- 第 9 篇：产品策略------PMF 判断、竞品分析、趋势洞察
- 第 10 篇+：项目实践------AI 垂直应用从 0 到 1 的案例拆解
这篇文章没有很深的技术内容，它的目的是让你看到全貌。之后每一层都会往深走，但始终是在这张地图上去定位自己。
胸中有图，方向自清。