1.人工智能**（AI）**
人工智能（Artificial Intelligence），英文缩写为AI。
本质： 对人类智能的模拟。 让机器能像人一样思考、决策、行动。大白话人工智能就是让机器变得"聪明"点，能做点人干的事儿。
学界对AI的定义存在两条路：
-
强人工智能：目标是制造出真正拥有心智、意识、能理解自身存在的机器。
-
弱人工智能：专注于在特定领域表现出智能行为，像人一样做得好，甚至更好。
2.机器学习（ML）
机器学习（Machine Learning），英文缩写为ML,是人工智能的一个子领域，其核心不再是手动编写规则，而是通过数据训练算法，让计算机从历史样本中自动总结规律，用以预测或决策新问题。
本质：给定输入 x和输出 y，让机器自己找到那个函数f(x) ≈y。
举一个栗子~
|--------|----|----|----|-------|
| X（公里数） | 1 | 2 | 3 | x |
| Y（费用） | 12 | 14 | 16 | y |
设 y=ax+b，然后代入2组数据，可以求出来a=2,b=10。然后我们根据规律求出来x = 20公里的时候y费用是50块钱。
再举一个栗子~
比如机器学习现在需要识别图片，那么传统机器学习是无法直接读懂原始图片的数据，我们大致需要以下步骤：
- 人工定义、提取特征：我们程序员需要提前写好规则、手动筛选图片关键特征。比如人为设定：人拥有头部、双眼、双手、人体轮廓、肤色等固定特征。 同时过滤掉无效信息，比如图片的背景、光影、多余杂物。
- **喂特征给模型训练：**我们把人工提取好的、标准化的特征数据，输入给机器学习模型。模型只负责一件事：学习「这些特征组合=人类」的对应关系。
- **新图片识别推理：**遇到新图片时，依旧先靠人工代码提取特征，再由模型根据学过的规律，判断这张图是不是人。
缺点：特征上限由人类决定。 我们能想到的特征是有限的！如果人物遮挡脸部、侧身、倒立、穿搭特殊，我们手写的特征规则就会失效，模型直接识别错误，泛化能力极差。
3.深度学习**（DL）**
深度学习属于机器学习的子集，二者目标都是学到函数 f(x)≈y。
深度学习（Deep learning），英文缩写为DL,是一种机器学习的分支，它是通过构建多层神经网络来实现自主学习和预测的能力。即你喂海量数据，神经网络会自主逐层拆解、学习规律
举一个栗子~
同样是「图片识别人」任务，深度学习的流程完全不同：
-
直接输入原始数据 不需要任何人定义五官、轮廓等特征，直接把一张张完整的图片像素数据，批量喂给神经网络模型。
-
模型分层自动学习特征 神经网络会自主逐层拆解、学习图片规律：
- 底层网络：识别基础像素特征（线条、边角、明暗）
- 中层网络：组合出具象特征（眼睛、嘴巴、四肢）
- 高层网络：整合整体特征，形成「人类」的完整认知
如果用数学语言描述深度学习的本质，它不再是简单的 y=f(x)，而是：y=f(...f(f(x))...)
后置知识：
f(x)≈y
-
x：输入 / 特征（传统机器学习），原始数据，例如图片像素
-
y：标签 / 目标输出，我们想要的正确答案，如标签"是人"
-
f：模型 / 映射函数，机器最后学到的一套计算规则
-
f(x)：模型用输入x算出来的预测输出 5. f(x)≈y：模型预测结果尽量接近真实标签
4.生成式人工智能**（GenAI）**
生成式人工智能（Generative AI，简称GenAI）是人工智能（AI）的一个分支，它能够根据用户的输入，自主地创造全新的内容，例如文本、图像、音频、视频和代码等。它标志着AI从"分析世界"到"创造世界"的跨越。
输入：你的指令（Prompt）
模型：在海量数据上训练出来的大模型
输出：全新的、原创的内容
它不是从数据库里"搜"出来的，而是根据学到的规律"生成"出来的。
5.大语言模型**（LLM）**
"大语言模型"（Large Language Model，简称 LLM）是当前人工智能领域的核心突破，它通过海量的文本数据训练，参数规模达数十亿以上，使机器能够像人类一样理解、生成和处理语言。大语言模型可以理解为：一个通过海量文本训练而成的、拥有巨量参数的、能理解和生成人类语言的概率模型。
6.关系
