这是系列的第 1 篇。整个系列写给零基础、想入行 AI 的朋友，每天一篇，30 天后你会做出 3 个能写进简历的项目。
这篇解决什么问题
很多人卡在入行 AI 的第一步，不是学不动，是被名词劝退了。打开任何一个教程，扑面而来的是"机器学习""深度学习""神经网络""大模型""LLM""Agent"，每个字都认识，连在一起就懵。
今天不写一行代码，把这几个词彻底讲透。看完这篇，你刷技术资讯至少能看懂 80% 的内容。
先记住一张图
四个概念是套娃关系：
人工智能 (AI)
└── 机器学习 (ML)
└── 深度学习 (DL)
└── 大模型 (LLM 等)下面一层层的拆。
人工智能：一个大目标
AI 就是"让机器干人才能干的事"。下棋、认图、翻译、写文章，都算。
注意，AI 是个目标，不是某个具体技术。实现这个目标的方法换了一茬又一茬------上世纪就有专家系统，工程师把规则一条条写死："如果对方走当头炮，你就跳马"。规则写了几万条，系统还是笨得像块砖。
这就引出了问题：人的很多能力，根本没法用规则描述。你说不清自己是怎么认出一只猫的，说不清的东西就没法写成规则。
机器学习：换个思路，让机器自己找规律
机器学习的想法很粗暴：别写规则了，给它看例子。
给它看一万张猫的照片，算法自己从里面总结出"猫长什么样"。这个过程叫"训练"，总结出来的东西叫"模型"。
你可以把模型理解成一个"猜答案的函数"：输入一张新图片，它输出一个猜测------是猫的概率 95%。
机器学习内部又分很多流派（决策树、支持向量机、贝叶斯......），零基础阶段不用管，面试要考再说。你只需要知道：机器学习 = 用数据训练模型，而不是用规则编写程序。
深度学习：机器学习里最能打的一个分支
深度学习是机器学习的一个分支，核心工具叫神经网络------一堆模拟（非常粗糙地模拟）脑神经元的数学结构，一层层叠起来。
"深度"指的就是层数多。
它厉害在哪？传统机器学习需要人工设计"特征"：想识别猫，工程师得先告诉算法"重点看耳朵形状、胡须分布"。深度学习把这步省了，把原始数据丢进去，它自己学出该关注什么。层数越多，能学到的东西越抽象------从"边缘"到"纹理"到"耳朵"再到"这是一只猫"。
2012 年之后，深度学习几乎横扫了图像、语音、翻译所有比赛的榜单，才有了后面所有故事。
大模型：深度学习堆到了极致
把神经网络的层数和参数堆到天文数字（千亿级别参数），用几乎整个互联网的文本喂它，就得到了大语言模型（LLM），比如 GPT、DeepSeek、通义千问。
它干的事本质上很简单：预测下一个字。
输入"今天天气真"，它算出下一个字大概率是"好"。一个字一个字往外蹦，蹦着蹦着，就有了写代码、做翻译、回答问题的能力。这件事为什么能涌现出这么多能力，说实话学术界也没完全搞明白，但这不妨碍我们用它。
到这里，四个词串起来了：
| 概念 | 一句话 |
|---|---|
| 人工智能 | 让机器干人干的事（大目标） |
| 机器学习 | 用例子训练，而不是写规则（实现手段） |
| 深度学习 | 用多层神经网络来做机器学习（最强分支） |
| 大模型 | 参数堆到千亿级的神经网络（产物） |
重要的事：你该入哪个门
看到这，零基础的你面临一个选择，这个选择比学什么都重要。
AI 行业的岗位粗略分两类：
算法岗：研究和改进模型本身。训练新模型、调参数、发论文。门槛是硕士起步、数学要好（线代、概率、优化），竞争已经卷成麻花。这条路不适合零基础 30 天入门，实话。
应用开发岗：把现成的大模型（通过 API 调用）组装成产品。做问答机器人、知识库检索、智能体应用。门槛是编程 + 懂大模型的使用方式，不要求你会训练模型。
打个比方：算法岗是造发动机的，应用开发岗是造汽车的。造发动机要博士，造汽车要的是懂发动机怎么用。
这个系列走的是第二条路。你要学的是 Python、怎么调大模型 API、怎么做 RAG、怎么做 Agent------恰好是市场需求大、门槛对普通人友好的一条路。
今天的作业
不用写代码，就一个思考题，评论区告诉我：
你想用 AI 解决自己生活或工作里的哪个具体问题？ 越具体越好。"让我效率翻倍"这种不算，"自动把我下载文件夹里几百个文件按类型整理好"这种才算。
Day 19 我们会做 RAG 知识库问答系统，到时候你们提的问题说不定就是我的素材。
明天预告
Day 2：《2026年零基础学AI，别踩这几个坑》------讲讲哪些弯路是完全可以绕开的：数学要不要先补、付费课值不值得买、哪些方向已经不值得挤。帮你把这 30 天的计划排得明明白白。
*系列目录：点击这里跳转