人工智能（AI）基础入门指南

什么是人工智能

Artificial Intelligence，简称AI。

人工智能就像是赋予计算机一颗“聪明的大脑”，能模仿甚至超越人类完成某些任务。

1. 机器学习（ML）

计算机通过大量数据“自动提取规律”，分为以下学习方式。

2. 深度学习（DL）

采用神经网络算法的机器学习，即为深度学习，深度学习是机器学习的子集。神经网络作为深度学习的核心技术，是一种类人脑的神经元结构，配合反向传播算法实现学习效果，让机器在不断的学习中自行优化参数权重，以获得较好的输出结果，神经网络模型结构在持续创新优化，典型的神经网络模型如：

AI大模型

大模型，即大语言模型LLMs，如ChatGPT、Deepseek、豆包、Kimi等均为此类，可以处理复杂任务。在人工智能的发展中，大模型是最为核心的组成部分，如同计算机的CPU，人类的大脑。

形态分类

垂直行业模型：专用于特定行业，如推荐算法、自动驾驶、医疗判断、生物制药等领域的模型。根据行业数据训练，能力专一，通常能力强于通用模型。

大语言模型：如ChatGPT、DeepSeek、Claude、豆包、kimi、通义等。

多模态模型：是大语言模型的子集。部分大模型除文本能力支持外、还支持图片、音频、视频、文件等能力能力，如GPT的4V/4o等模型。部分本身非多模态的模型，可利用辅助模型技术上传解析图像文件，但效果不如原生多模态模型。

从DeepSeek看推理模型与生成模型

DeepSeek因性能出众，达到世界领先T0模型水平，且具备极其强悍的成本优势而爆火，同时，Deepseek采用宽松开源协议，允许免费商用。

DeepSeek分为V3模型（生成模型）和R1模型（深度推理模型）。生成模型根据概率预测，擅长日常对话、多语言处理等综合性场景，使用时要把它当成“小学生”，用详细提示词规范操作；推理模型在回答前会思考，生成思考链，擅长深度推理场景，沟通时要把它当成“伙伴”，问题要清晰明确。

DeepSeek核心技术优势

混合专家架构（MoE）：背后有多个擅长不同领域的专家模型组成智囊团，回答问题时挑选相关专家，减少运算量和成本。

多头潜在注意力机制（MLA）：采用高压缩率数据结构，优化内存使用，提升运行效率，降低成本。

FP8混合精度训练和数据蒸馏：高效利用内存资源，通过利用国内外开源模型蒸馏的高质量数据，提升训练效率，降低成本。

MTP并行预测：可并行推理预测，降低成本，提升推理速度。

跨硬件支持：可运行在非英伟达框架之上，如华为芯片，打破硬件垄断。

DeepSeek价值与局限性

价值：代表中国AI的巨大进步，打破西方对AI的固有认知；突破硬件封锁；多项工程创新降低成本；宽松开源政策推动世界技术进步。

局限性：核心优势在工程层面，相关技术非首创，虽能短期提升模型能力，但难以实现长期增长和代际差距，理论探索仍需加强。

AI发展

历史关键节点

AI所处阶段及概念

窄人工智能（弱人工智能）：当前AI所处水平，只能在部分领域超越人类，综合能力无法达到人类水平，不能独立完成复杂工作。

通用人工智能（AGI）：具备与人类相当的通用智能理解能力，能学习任何智力任务，理解世界物理规律，目前AI距离AGI还很远，存在大量技术问题，连发展路线都未明确。

超级人工智能（ASI）：智力水平全面超越人类，将带来文明级别的变革，但实现时间还很遥远。

AI未来发展趋势预测

技术突破方向：神经形态计算、进化算法（模拟自然选择优化）、多模态融合（如具身智能，通过AI与机器人结合让AI与物理世界产生真实连接以提升能力）、自主编程能力（优化AI生成代码的迭代能力）。

影响因素：量子计算若取得突破并应用于人工智能训练领域，数据、算力和算法三方面的结合将加速人工智能发展，影响AGI和ASI的实现速度。

人工智能新阶段时间预估：通过技术现状瓶颈、专家预测、历史预测偏差、技术发展趋势等因素预测，AGI通用人工智能预估在2030 - 2035年左右实现。超级人工智能在2060年之前实现概率不足50%，