夜雨聆风人工智能是最大的概念，凡是让机器表现出某种智能能力的技术，都可以放进这个大框里。
机器学习是实现人工智能的一条重要路线，它的核心是让机器从数据中学习规律，而不是完全依赖人类手写规则。
深度学习是机器学习的重要分支，它通过多层神经网络学习复杂特征，尤其擅长处理图像、语音、语言这类复杂数据。
大模型则是深度学习发展到一定阶段后的产物。它依赖更大的数据、更强的算力、更复杂的模型结构，最终让 AI 拥有了更强的语言理解、内容生成和任务泛化能力。
在语言任务中，机器翻译很快暴露出问题。简单句子还能处理，复杂语境就不行。
在视觉任务中，机器很难稳定识别真实世界里的物体。
在推理任务中，程序能处理封闭问题，却很难处理开放环境。
在神经网络方向，早期感知机也暴露出能力有限的问题，连一些简单的非线性分类任务都处理不好。
只要邮件标题里出现“免费”，就判断为垃圾邮件。
只要发件人地址里包含“spam”，就判断为垃圾邮件。
只要正文里出现“中奖”“优惠”“立刻领取”，就提高垃圾邮件概率。
规则式 AI 是人告诉机器怎么做。
机器学习是机器从样本中自己学会怎么判断。
互联网带来了海量数据。 GPU 等计算硬件提供了更强算力。 神经网络训练方法不断成熟。 深度学习模型在图像、语音等任务上开始展现压倒性优势。
在规则式 AI 里，你要手写猫的特征：耳朵、胡须、尾巴、形状。
在传统机器学习里，你可能要先设计图像特征，再让模型学习。
但在深度学习里，模型可以从大量图片中自动学习多层次特征。
RNN 像一个认真读书但容易健忘的人。它按顺序一个词一个词读，前面的信息会随着句子变长逐渐变弱。
CNN 更像一个擅长捕捉局部特征的人。它能看到相邻词之间的关系，但对全局语义理解不够自然。
你可以让它写一封邮件。
可以让它解释一个陌生概念。
可以让它把一段专业内容改成小白能看懂的版本。
可以让它帮你整理会议纪要。
可以让它写代码、改文案、列计划、做分析。
AI 正在从文本走向多模态过去模型主要处理文字，现在它越来越多地理解图片、音频、视频、表格、文档和代码。人类理解世界本来就是多模态的，AI 也正在朝这个方向靠近。 AI 正在强化推理能力过去很多模型擅长生成流畅回答，但复杂推理、长链路分析、多步骤任务仍然容易出错。现在，推理能力成为模型竞争的重要方向。 AI 正在更深地进入行业企业不再只问“模型有多强”，而是更关心它能不能稳定落地，能不能接入业务流程，能不能降低成本，能不能保证权限、安全、可控和可评估。 AI 正在向物理世界延展
从规则到学习，是方法的变化。
从单点模型到大模型，是能力边界的变化。
从专业系统到大众工具，是使用门槛的变化。
从生成内容到完成任务，是应用形态的变化。
一个是技术影响。开源推理模型让更多人能看到、研究和复用模型能力，推动了小模型蒸馏、行业模型定制、本地部署等方向的发展。
另一个是产业影响。企业在选择大模型时，不再只问“哪个模型最强”，而是会同时考虑能力、成本、部署方式、数据安全、是否可控、是否能长期迭代。
比如，做投研分析，要看几十页研报。
做法律审查，要看完整合同和补充协议。
做产品复盘，要看用户反馈、数据报表和历史版本。
做代码开发，要理解整个项目结构。
做企业知识问答，要读大量内部文档。
会推理。模型开始在回答前进行更长链路的思考，数学、代码、逻辑和规划能力成为重点。
会看懂多种信息。文本、图片、音频、视频、文档、表格开始被放进统一处理框架里。
能处理更长资料。长上下文让模型更适合文档分析、代码理解、知识库问答和复杂研究任务。
能调用工具。模型不再只靠记忆回答，而是可以调用搜索、代码、数据库、函数、插件等外部工具。
开始走向自主执行。Agent 化让模型从“回答问题”进一步走向“完成任务”。
早期大模型解决的是“人如何用自然语言调用 AI”。
现在的大模型正在解决的是“AI 如何进入真实任务流程”。
下一阶段要解决的，则是“AI 如何在复杂环境中稳定、可控、低成本地完成长期任务”。
