预计阅读：25 分钟 | 学习目标：用白话向任何人解释 AI/ML/DL 的区别、机器学习三种类型、神经网络的基本原理
一、AI、机器学习、深度学习：三层的同心圆
AI（人工智能）
└── ML（机器学习）
└── DL（深度学习）
└── LLM（大语言模型）← 2026年最火的东西
AI — 最外层
让计算机做人脑能做的事。包括简单的规则系统（if-else）到复杂的深度神经网络。
ML — AI 的核心子集
传统编程 vs 机器学习的本质区别：传统编程是你给规则+数据，计算机算结果。机器学习是你给数据+答案，计算机自己找到规则。
DL — 机器学习的「核武器版本」
核心区别：深度学习不需要人手工提取特征。传统 ML 你需要告诉模型「判断猫要看耳朵、尾巴、胡须」。深度学习只给像素点，它自己从底层发现「尖耳朵是个重要特征」。
二、机器学习的三种方式
监督学习（有标准答案）
给机器题目+答案，学会「看到题目就能猜出答案」。比如银行审批贷款：输入申请人信息，输出「批」或「不批」。
吴恩达的「A到B映射」框架：监督学习就是学一个从 A（输入）到 B（输出）的映射函数。
无监督学习（没有标准答案）
只给数据不给答案，让机器自己发现数据里的模式和分组。
强化学习（在试错中成长）
不告诉正确答案，只告诉「做对了」还是「做错了」。AlphaGo 自己跟自己下 100 万局棋，赢了+1 分输了-1 分。
三、深度学习为什么等到了 2012 年才爆发
三个条件同时满足：大数据（互联网数字化了知识）+ 强算力（GPU 并行计算）+ 好算法（反向传播 + 梯度下降）。
「训练」的本质：不断犯错 → 调整参数 → 再试 → 直到不怎么错了。这个循环执行几百万次。
四、从神经网络到大语言模型
2012: 深度学习识别图片（猫 vs 狗）
2017: Transformer 架构诞生（能处理序列数据——翻译、摘要）
2022: ChatGPT 发布（对话能力惊为天人）
2026: 全球模型竞赛（豆包/DeepSeek/Qwen/Kimi/混元）
Transformer 为什么是革命性的
之前（RNN）：AI 处理文本像「用吸管喝水」——一个字一个字读，读到后面忘了前面。
Transformer：每个词同时关注句子里的所有其他词。第 500 个字和第 3 个字有直接连线。「他」指的是 5 页前提到的「张三」——Transformer 不会忘。
ChatGPT 里的「T」就是 Transformer。
核心概念速查
| 概念 | 一句话 |
|---|---|
| 模型 | 训练好的「判断器」——输入→输出 |
| 参数 | 模型内部可调的旋钮，大模型有几千亿个 |
| 训练 | 让模型看数据、犯错、调整旋钮 |
| 推理 | 训练好之后只干活，不学习 |
| 过拟合 | 练习题背下来了但考试碰到新题就懵 |
| 泛化 | 碰到没见过的也能做对——AI 好不好用的真正标准 |
本文对应学习路线图第零层：AI 世界观。下一个学习目标：大语言模型深度解析：从GPT到DeepSeek。