【AI学习之旅02】AI全景图一张图看懂AI生态——机器学习/深度学习/大模型关系与术语扫盲前言AI领域术语满天飞机器学习、深度学习、大模型、LLM、Transformer……这些概念到底什么关系本文用一张全景图帮你彻底理清AI生态全貌扫清术语障碍一、一张图看懂AI技术栈┌─────────────────────────────────────────────────────────────────────┐ │ AI 技术全景图 │ ├─────────────────────────────────────────────────────────────────────┤ │ │ │ ┌─────────────────────────────────────────────────────────────┐ │ │ │ 应用层 Applications │ │ │ │ 智能客服 | 自动驾驶 | 医疗诊断 | 推荐系统 | 代码助手 | AIGC │ │ │ └─────────────────────┬───────────────────────────────────────┘ │ │ ▼ │ │ ┌─────────────────────────────────────────────────────────────┐ │ │ │ 大模型层 LLM / Foundation Models │ │ │ │ GPT-4 | Claude | Llama | 文心一言 | 通义千问 | DeepSeek │ │ │ │ RAG | Agent | Prompt Engineering | Fine-tuning │ │ │ └─────────────────────┬───────────────────────────────────────┘ │ │ ▼ │ │ ┌─────────────────────────────────────────────────────────────┐ │ │ │ 深度学习层 Deep Learning (DL) │ │ │ │ Transformer | CNN | RNN | GAN | Diffusion │ │ │ │ PyTorch | TensorFlow | JAX │ │ │ └─────────────────────┬───────────────────────────────────────┘ │ │ ▼ │ │ ┌─────────────────────────────────────────────────────────────┐ │ │ │ 机器学习层 Machine Learning (ML) │ │ │ │ 线性回归 | 决策树 | SVM | 随机森林 | XGBoost | 聚类 │ │ │ │ Scikit-learn │ │ │ └─────────────────────┬───────────────────────────────────────┘ │ │ ▼ │ │ ┌─────────────────────────────────────────────────────────────┐ │ │ │ 基础设施层 Infrastructure │ │ │ │ Python | NumPy | CUDA | GPU/TPU | 云计算 | Docker │ │ │ └─────────────────────────────────────────────────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────────────┘ 核心关系一句话总结人工智能(AI) ⊃ 机器学习(ML) ⊃ 深度学习(DL) ⊃ 大语言模型(LLM)它们是层层包含的关系每一层都是上一层的子集二、核心概念详解——从基础到前沿1️⃣ 人工智能Artificial Intelligence, AI属性说明定义让机器模拟人类智能的技术总称诞生时间1956年达特茅斯会议目标让计算机具备感知、推理、学习、决策能力三大流派符号主义规则驱动、连接主义神经网络、行为主义强化学习通俗理解AI是最大的伞下面包含了所有让机器变聪明的方法。2️⃣ 机器学习Machine Learning, ML属性说明定义从数据中自动学习和改进的算法集合核心思想用数据 算法 → 训练出模型 → 做预测/决策代表算法线性回归、决策树、SVM、随机森林、K-Means代表工具Scikit-learn、XGBoost、LightGBMML三大学习范式┌─────────────────────────────────────────────────────┐ │ 机器学习三大范式 │ ├──────────────┬──────────────┬───────────────────────┤ │ 监督学习 │ 无监督学习 │ 强化学习 │ │ Supervised │ Unsupervised │ Reinforcement │ ├──────────────┼──────────────┼───────────────────────┤ │ 有标签数据 │ 无标签数据 │ 环境奖励信号 │ │ 分类/回归 │ 聚类/降维 │ 游戏/机器人控制 │ │ 例房价预测 │ 例用户分群 │ 例AlphaGo │ └──────────────┴──────────────┴───────────────────────┘通俗理解机器学习 统计方法的自动化升级版不需要手写规则而是让机器自己从数据中找规律。3️⃣ 深度学习Deep Learning, DL属性说明定义使用多层神经网络进行学习的机器学习方法核心突破可以自动提取特征无需人工特征工程关键架构CNN图像、RNN/LSTM序列、Transformer文本代表工具PyTorch、TensorFlow、JAX、KerasDL经典网络架构演进年代架构领域代表应用2012AlexNet(CNN)计算机视觉ImageNet分类冠军2014VGG/GoogLeNet图像识别更深的网络结构2015ResNet视觉任务残差连接解决梯度消失2017TransformerNLP注意力机制革命2020ViT视觉Transformer用于图像2022Diffusion Model生成Stable Diffusion/Midjourney通俗理解深度学习是机器学习的加强版用多层神经网络模拟人脑神经元能处理更复杂的问题如图像、语音、自然语言。4️⃣ 大语言模型Large Language Model, LLM属性说明定义参数量巨大数十亿~万亿的预训练语言模型核心技术Transformer架构 自注意力机制训练方式大规模语料预训练 微调(Fine-tuning)/指令微调代表模型GPT-4、Claude-3、Llama-3、文心一言4.0、DeepSeek-V3LLM关键技术组件┌──────────────────────────────────────────────────────────┐ │ LLM 技术栈 │ ├──────────────────────────────────────────────────────────┤ │ │ │ ┌─────────────┐ │ │ │ Transformer │ ← 核心架构自注意力机制 │ │ └──────┬──────┘ │ │ ▼ │ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ │ │ Pre-training│ → │ SFT/RLHF │ → │ Inference │ │ │ │ 预训练 │ │ 指令微调 │ │ 推理部署 │ │ │ └─────────────┘ └─────────────┘ └─────────────┘ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ 生态工具链 │ │ │ │ Hugging Face | LangChain | vLLM | Ollama | LlamaIndex│ │ │ └─────────────────────────────────────────────────────┘ │ └──────────────────────────────────────────────────────────┘通俗理解LLM是深度学习在NLP领域的终极形态通过海量数据和超大算力训练出来的超级大脑能理解和生成人类语言。三、AI术语速查表——新手必背50词 基础概念类术语英文一句话解释人工智能AI让机器具备智能的总称机器学习ML从数据中自动学习的方法深度学习DL用多层神经网络的学习方法大语言模型LLM超大规模预训练语言模型参数量Parameters模型中可学习的权重数量训练Training用数据调整模型参数的过程推理Inference用训练好的模型做预测过拟合Overfitting模型在训练集表现好但泛化差欠拟合Underfitting模型连训练数据都没学好泛化能力Generalization在未见数据上的表现能力 模型架构类术语英文一句话解释神经网络NN模拟人脑神经元的计算模型卷积神经网络CNN专门处理图像的神经网络循环神经网络RNN处理序列数据的神经网络Transformer-基于注意力机制的革命性架构注意力机制Attention让模型关注重要信息的机制编码器-解码器Encoder-Decoder序列到序列的经典结构自回归Autoregressive逐个生成下一个token的方式扩散模型Diffusion通过去噪过程生成数据的模型 训练方法类术语英文一句话解释预训练Pre-training在大规模通用数据上的初步训练微调Fine-tuning在特定任务上进一步训练指令微调SFT用指令-回复对优化模型RLHFRLHF人类反馈的强化学习对齐提示工程Prompt Engineering设计输入提示来引导模型输出上下文学习In-context Learning通过示例让模型学会任务RAGRAG检索增强生成结合外部知识库AgentAgent具备自主决策能力的智能体 工具平台类术语英文一句话解释PyTorch-Meta开源的深度学习框架TensorFlow-Google开源的深度学习框架Hugging Face-AI模型社区和工具平台LangChain-开发LLM应用的框架向量数据库Vector DB存储和检索向量嵌入的数据库GPUGPU并行计算的图形处理器AI训练必备CUDA-NVIDIA的GPU并行计算平台Docker-容器化部署工具四、常见误区澄清 ❌→✅误区1“AI就是ChatGPT”❌错误ChatGPT只是AI的一个应用产品✅正确AI是一个庞大的技术体系ChatGPT属于LLM应用层的冰山一角误区2“机器学习和深度学习是一回事”❌错误两者范围不同✅正确DL是ML的一个子集DL用神经网络ML包含更多传统算法误区3“大模型什么都能做”❌错误大模型不是万能的✅正确大模型擅长语言理解和生成但在数学推理、实时性要求高的场景仍有局限误区4“学AI必须数学很好”❌错误入门不要求高深数学✅正确先动手实践用到再补数学。Python基础高中数学即可起步误区5“AI会取代程序员”❌错误AI是工具不是替代者✅正确AI提升效率但需要人去设计、调试和整合。会用AI的人将取代不用的人五、各阶段学习重点对照表学习阶段核心知识关键技能推荐资源入门期Python基础、NumPy/Pandas数据处理、可视化Python官方教程、廖雪峰ML期统计基础、经典算法特征工程、模型调优吴恩达ML课程、Sklearn文档DL期神经网络原理、反向传播PyTorch/TensorFlow李沐《动手学深度学习》LLM期Transformer、注意力机制Prompt Engineering、Fine-tuningAndrej Karpathy系列、Hugging Face实战期RAG、Agent、部署FastAPI、Docker、云服务LangChain文档、实战项目六、写在最后“不谋全局者不足谋一域。”在深入学习具体技术之前先建立对AI生态的全局认知非常重要。这张全景图就是你后续学习的地图每学一个新概念都能知道它处于哪个位置、和哪些概念有关联。下一篇文章预告《环境搭建从零配置AI开发环境》我们将手把手搭建Python开发环境、安装Jupyter Notebook和常用AI库为实战做好准备延伸阅读推荐《深度学习》花书Hugging Face NLP Course李沐《动手学深度学习》Andrej Karpathy - Neural Networks: Zero to Hero有不懂的术语欢迎评论区提问我会逐一解答本文为【AI学习之旅】系列第2篇持续更新中…作者AI学习者 | 发布日期2026年7月