文章目录
- 一、人工智能
-
- [1.1 介绍](#1.1 介绍)
- [1.2 机器学习](#1.2 机器学习)
-
- [1. 介绍](#1. 介绍)
- [1.3 深度学习](#1.3 深度学习)
一、人工智能
1.1 介绍
- 人工智能（Artificial Intelligence，简称 AI）通常指让机器在通常需要人类智能才能完成的任务上表现出智能行为的一类技术。这里的"智能"是功能性、可观察的：无论是写死的逻辑规则（如下棋程序的评估函数），还是复杂的神经网络，只要它能在相应任务上给出通常要人来做才行的结果，从工程角度就算人工智能。所以图灵测试那类"只看行为、不看内部"的判据，长期是 AI 的操作性定义。
- 但要区分模拟（simulation）与实现（realization）：模拟是"做出像的样子"，实现是"真的有"。当前主流的人工智能（深度学习、大语言模型等）属于弱人工智能，它追求的是在特定任务上达到甚至超越人类表现，而不涉及意识、主观体验或真正的"理解"；它模仿的是智能的行为，而非智能的本身。这两者能否跨越、如何跨越，正是强人工智能讨论的核心。
- 学术界给人工智能做了区分：
- 强人工智能（Strong AI）：目标是造出真正拥有心智与意识的机器------不只是行为像人，而是有主观体验、能真正理解自己在做什么。
- 弱人工智能（Weak AI / Narrow AI）：限定在特定领域或任务上表现出智能行为，可以做得和人一样好甚至更好，但不声称拥有意识或理解力。今天几乎所有落地应用（语音识别、推荐系统、图像分类、大模型）都属于这一类。
1.2 机器学习
1. 介绍
- 机器学习（Machine Learning，缩写 ML）是人工智能的一个子领域。它的核心思路是：不再由人手动编写决策规则，而是让计算机从大量样本中自动归纳出规律，并用这套规律去处理未曾见过的新数据。一句话概括，就是把"写规则"换成"喂例子"。
- 举一个恰当的例子。假设我们拿到一堆数据：（1，10.3）、（2，11.8）、（3，14.2）、（4，15.9）、（5，18.1）。这些点大致沿着一条直线分布，但没有任何一条直线能精确穿过每一个点。我们想做的是找到一条最接近这些点的直线，比如约等于 y = 2x + 8，然后用它去预测更多 x 对应的 y。在这个例子里，数据就是样本，这条直线就是从数据里学到的规律，而"哪条直线最接近"由损失函数来定义------机器学习要做的，就是通过这堆数据找到这个函数，并用它对没见过的数据做出预测。
- 而真实场景中机器学习要解决的问题，往往远没有这么简单。比如让计算机分辨玫瑰和菊花：这两种花不是靠几个手工参数就能轻易区分的------一张图片本身就包含十几万个像素值，类别之间的边界是非线性的、复杂的，很难用几条人写的规则描述清楚。我们的做法是：给计算机大量带标签的图片作为样本，每张图片配一个"玫瑰"或"菊花"的标签，标签是人工标注的，这也正是监督学习最贵的地方。然后用这些样本训练模型，直到它学到一个从图片特征到类别标签的映射，能对新的图片做出比较准确的判断。
- 这里要分清两个概念。 特征是描述样本的属性；标签是样本所属的类别（玫瑰 / 菊花） ，本质上是监督信号------告诉模型"这个样本的正确答案是什么"。而特征从哪来，正是传统机器学习和深度学习的分水岭：传统方法里，特征由人手工提取（颜色直方图、形状轮廓等），模型只负责"从人工特征到标签"这一段映射；深度学习方法里，特征由模型自己从原始像素中学出来，特征提取和分类器端到端一起训练，这就是所谓的表示学习。也正因如此，玫瑰/菊花这类原始图像任务今天几乎都走深度学习------不是神经网络比 SVM 强多少，而是不用再靠人去设计特征了。
SVM：支持向量机（Support Vector Machine）：在两类样本之间，找一条"分得开、且离两边都尽量远"的分界线。
- 总结：样本 = 特征 + 标签，特征是"输入描述"，标签是"正确答案"，模型学的就是"从特征推出标签"这件事。只不过在传统 ML 里，"特征"是人给的；在深度学习里，"特征"是模型自己学的------这就是两种路线的全部差别。
1.3 深度学习
- 深度学习（Deep Learning，简称 DL）是机器学习的一个分支。它通过构建多层神经网络，让模型从数据中自动学习特征并进行预测。
- 多层神经网络通常由输入层、隐藏层和输出层组成。输入层负责接收数据，输出层给出最终结果；隐藏层位于二者之间，其内部计算过程通常不直接呈现给使用者。网络的整体结构、层数和部分超参数通常仍由人设计或设定，而各层的参数则主要通过在数据上的训练自动学习得到。
- 例如，让模型识别玫瑰时，我们只需给它一张图片，而不必再人工提取特征。模型会在训练中自动学习从简单到复杂的特征：较浅的层可能学习边缘、颜色、纹理等信息，较深的层再逐步组合出形状、花瓣结构等更抽象的特征，最后输出识别结果。这里的"第一层分析颜色、第二层分析形状"只是形象化示意，实际网络中每一层学到的特征通常需要结合具体模型和数据分析。
- 深度学习模型可以看成一个不断嵌套的函数：输入数据依次经过每一层的变换，前一层的输出作为后一层的输入，最终得到预测结果。训练模型，就是调整这些函数中的参数，使整个嵌套函数能更好地拟合数据。