第一层：先搞清楚"AI和ML和DL"到底是什么关系

很多人一开口就把AI、机器学习、深度学习混着用，其实它们是完全不同层级的概念。

用"同心圆"来理解最直观——三个圈，一层套一层：

最外面的大圈：人工智能（AI，Artificial Intelligence）

AI是一个宏观概念，泛指"让机器表现出类似人类智能的能力"——能看、能听、能说、能推理、能决策。

注意，AI并不等于"深度学习"，更不等于"ChatGPT"。早在1950年代，人们就开始研究AI了，那时候既没有神经网络，也没有大数据，用的是硬编码的规则系统。比如"国际象棋程序"，就是早期AI的一种——只不过是人类把所有规则都手工写进去的，笨是笨了点，但确实算AI。

中间那个圈：机器学习（ML，Machine Learning）

机器学习是实现AI的一种方式。

区别在哪？区别在于：传统AI靠人写规则，机器学习靠机器自己从数据中找规律。

说人话就是：以前教机器识别猫，是程序员把"猫有尖耳朵、有胡须、有四条腿……"这些特征全部手写进去。机器学习的做法是：把一百万张猫的图片扔给机器，让它自己总结规律。

哪种更聪明？显然是后者，因为人类根本没法穷举现实世界的所有规则。

最里面的核心圈：深度学习（DL，Deep Learning）

深度学习是机器学习的一种方法，核心是用"多层神经网络"处理复杂数据。

为什么叫"深度"？因为网络层数很多，信息要经过很多层的加工处理，就像经过了很多道工序的流水线。这个"深"，不是指思想深度，是指网络的层数多。

深度学习在处理图像、语音、文字这些非结构化数据上，效果远超传统机器学习方法。2012年之后，深度学习横扫了几乎所有AI比赛，成了主流。

三者关系一句话总结：

AI ⊇ 机器学习 ⊇ 深度学习

深度学习是机器学习的一种，机器学习是AI的一种实现方式，AI是最大的那个框。

第二层：机器是怎么"学习"的？三种学习方式

机器学习这个词听起来很玄，其实类比人类学习，很好理解。

监督学习（Supervised Learning）——"看带答案的题目"

把一堆"已经标注好答案"的数据给机器看，让机器学会从输入推出输出。

就像小时候父母拿着图片卡教你认字："这是苹果，这是香蕉，这是汽车……"每张图都有标签，你的大脑在反复纠错中建立了认知模式。

现实中的邮件垃圾过滤就是监督学习：给机器看几百万封邮件，每封都标注"垃圾/正常"，机器学会了自己判断。

无监督学习（Unsupervised Learning）——"自己找规律"

不给标签，把一堆原始数据扔给机器，让它自己找规律和分组。

就像把一大堆玩具倒在地上，孩子没有人指导，自己把积木放一堆、把玩具车放一堆、把毛绒玩具放一堆——没人告诉他"这叫积木"，他只是发现这几个形状类似。

电商平台的"用户分群"用的就是无监督学习：没有人提前定义"这是价格敏感用户/这是品质用户"，算法自己从购买行为里发现了分组。

强化学习（Reinforcement Learning）——"在试错中进化"

机器在环境中不断尝试行动，做对了给奖励，做错了给惩罚，慢慢摸索出最优策略。

就像小朋友玩游戏，打倒怪物加分，掉进坑里扣血。不需要有人教，反复玩就知道哪些操作有效了。

AlphaGo就是强化学习的经典案例——没有人告诉它"这步棋好不好"，它和自己下了几百万盘棋，从失败中总结出了人类几百年都没摸透的棋局规律，然后打败了世界冠军。

（说实话，AlphaGo那场比赛是我对AI"真的认真起来了"的时刻。）

第三层：神经网络家族——谁擅长看图，谁擅长读文章

大概了解了"机器怎么学"，再往下一层：机器用什么结构来学？答案是神经网络。

神经网络（Neural Network，NN）——模拟人脑的计算模型

人脑有860亿个神经元，神经元之间通过突触连接，信号在其中传递、加工、做出反应。

人工神经网络也是类似的逻辑：由"节点（神经元）"和"连接（权重）"组成，数据从一端输入，经过多层处理，从另一端输出结果。

不同的是，人脑是生物电化学系统，机器里是浮点数矩阵运算。效果不同，但思路相通。

CNN（卷积神经网络，Convolutional Neural Network）——擅长"看图"

CNN是专门为图像设计的网络结构。

类比一下：你怎么识别一张照片里有没有猫？你的眼睛会先扫描局部特征——耳朵的形状、眼睛的位置、胡须的纹理——然后大脑把这些局部特征组合起来，判断"这是猫"。

CNN做的事情一样：用"卷积核"这个小窗口滑过整张图，提取局部特征，再逐层组合出更抽象的特征，最终做出判断。

人脸识别、医疗影像诊断、安防摄像头里的目标检测，都是CNN的主场。

RNN（循环神经网络，Recurrent Neural Network）——擅长"处理序列"

RNN是为有"前后顺序"的数据设计的。

文字有顺序，"我爱你"和"你爱我"意思完全不同；语音有顺序，音节顺序换了就变成另一个词。

RNN的核心特点是"有记忆"——处理当前信息时，会把前一步的状态也带进来，就像在听一段话时，你会联系上下文理解当前这个词的意思。

早期的语音识别、机器翻译都是RNN做的。不过RNN有个致命弱点：记忆太短，遇到长文本，前面的信息会"遗忘"。

Transformer——全能选手，现代AI的基石

2017年，Google发表了一篇论文《Attention is All You Need》（注意力就是你所需要的全部）。

这篇论文提出了Transformer架构，直接把CNN和RNN都干翻了，成为此后所有顶级AI模型的基础。

Transformer的核心是"注意力机制（Attention Mechanism）"。

说人话就是：读一段文字时，人不会对每个词平等对待——读"他昨天买了一本很贵的书"这句话，如果问你"书是什么时候买的"，你的注意力会自动聚焦在"昨天"这个词上。

Attention机制模拟的就是这个过程：让模型学会"读文章时，哪些词更重要，应该多关注"。

Transformer的另一个优势是可以并行计算，训练速度远快于RNN，因此可以喂给它巨量数据。

GPT、BERT、Claude、Gemini、DeepSeek……你所有听说过的顶级大模型，底层全是Transformer。

第四层：大语言模型（LLM）是什么？认识那几个大名字

有了Transformer这个强大的架构，加上海量的文本数据和超大规模的算力，就能训练出"大语言模型"，英文叫Large Language Model，简称LLM。

LLM的本质是：在海量文本上训练的、擅长理解和生成语言的超大规模模型。

来认识一下目前最重要的几个模型：

几个快速记忆点：

• 想写文章、做内容——ChatGPT/Claude都好用
• 想做深度分析、读超长报告——Claude是首选
• 想搜索带来源的答案——Perplexity专门做这个
• 想在中文场景用，不想付美元——Kimi/豆包/通义千问三选一
• 关注开源、想本地部署——DeepSeek是目前最强的选择

第五层：模型参数那些词，你不用懂原理，但要不被唬住

聊AI时经常会听到一堆参数词，让人头大。用"买车"来类比：

Token——AI的"字"

Token是AI读写文本的最小单位。AI处理文本时，不是按字母或汉字一个个读，而是按Token分割。

大概的对应关系：1个英文单词 ≈ 1个Token，1个汉字 ≈ 1-2个Token，一个标点符号也是一个Token。

为什么重要？因为API按Token计费，上下文窗口也按Token计量。聊的越多、消耗的Token越多，费用越高。

参数量（Parameters）——模型的"脑容量"

就像汽车的发动机排量。GPT-3有1750亿个参数（175B），GPT-4据估计超过1万亿参数，DeepSeek-V3约671B参数。

参数越多，模型的"记忆容量"和"理解上限"通常越高，但训练成本和推理成本也越高。

不过2025年的一个重要趋势是：小参数模型通过更好的数据和训练方法，性能已经接近甚至超过老一代大参数模型。参数量不再是唯一指标。

上下文窗口（Context Window）——模型的"工作台大小"

模型每次对话能"记住"多少内容，就是上下文窗口。GPT-4 Turbo是128K Token，大约相当于10万字。

超过这个限制，模型就"忘了"之前说的内容了。这就是有时候和AI聊得太长，它开始答非所问的原因。

Kimi的主要卖点之一就是超长上下文——早期版本支持200K Token，可以一次性读整本书或者整份财报。

Temperature（温度）——创意旋钮

控制模型回答的"随机程度"。

Temperature = 0：模型给出最确定的答案，几乎每次相同，适合写代码、做计算。

Temperature = 1 甚至更高：模型更随机，脑洞更大，适合写诗、做创意头脑风暴。

你可以把它理解为"认真模式"和"灵感模式"的切换开关。

Top-P——词汇多样性控制

配合Temperature使用，控制模型每次从多大范围的词汇候选中选词。Top-P=0.9意味着只从概率加起来达到90%的候选词中选，避免出现太奇怪的词。

这两个参数不理解也没关系，记住：代码类任务调低Temperature，创意类任务调高，就够用了。

第六层：模型是怎么被训练出来的？

这是理解AI能力来源的关键。用"培养一个新员工"来类比：

第一阶段：预训练（Pre-training）——"海量阅读打底"

想象你招进来一个应届生，第一件事不是让他马上干活，而是让他先把公司所有的文档、行业报告、教材全部读一遍。

大模型的预训练类似：用几乎整个互联网的文本数据（万亿级Token），让模型学会语言的基本规律——什么词常在一起出现、这句话接下来最可能是什么——本质是一个巨大的"完形填空"任务。

这个阶段不需要标注数据，完全无监督，但需要天量的算力。训练GPT-4据估计花费了超过1亿美元。

第二阶段：微调（Fine-tuning / SFT）——"岗位专项培训"

基础知识有了，下一步是针对特定工作做培训。

用标注好的高质量对话数据，教模型"遇到用户问题应该怎么回答"，让它学会对话格式、学会按指令行事。这一步叫监督微调（Supervised Fine-Tuning，SFT）。

第三阶段：RLHF——"让人给你打分"

Reinforcement Learning from Human Feedback，人类反馈强化学习。

让模型对同一个问题生成多个不同答案，然后由真人标注员给这些答案打分排序，再用强化学习把"高分答案的特征"强化进模型里。

这一步是让模型从"能回答问题"进化到"回答得好"的关键——更安全、更有用、更符合人类的期望。ChatGPT能让普通人也觉得好用，RLHF功不可没。

第四阶段：DPO——"更高效的好坏对比"

Direct Preference Optimization，直接偏好优化。

是RLHF的简化版——不需要单独训练一个打分模型，直接告诉大模型"这个回答A比回答B好"，用对比数据直接优化。

更简单、成本更低，2024年之后大量模型转向了DPO路线。