AI知识点 | 大模型技术演变

互联网让我们能找到信息，大模型让信息主动帮我们干活。

互联网时代，想要获取信息，我们需要主动搜索内容，比如搜索"如何认识大模型"？

能够得到的信息很有限，可能好几个网页都不一定有我们要的内容，甚至穿插广告。、

大模型时代，想要获取信息，我们只需要向大模型提问，大模型会帮我们汇总我们需要的信息。

人工智能到大模型的演变

大模型是目前人工智能发展的重要里程碑。

人工智能要做的是研究如何将机器拟人化，包括：学习、推理、自我修正、感知、语言处理等。

大模型是在这研究过程中，诞生的一门技术，也是目前前沿代表的技术。

人工智能的研究，按照技术实现经历的几个演变，总结来说就两个大的范畴：机器学习和深度学习。从两个大的分支又额外衍生出各种技术。

机器学习（Marchine Learning，ML）

机器学习是一门研究计算机如何在没有明确编程的情况下，通过对数据进行分析、学习、自动改进其行为或做出预测的学科。它旨在使计算机系统具备从经验中学习的能力，以适应新情况、解决问题或完成特定任务。

机器学习可以分为：监督学习、无监督学习、强化学习。通过一个孩子学认动物的案例，简单描述以下这三种技术。

监督学习（Supervised Learning

场景：你给孩子一堆动物卡片，每张卡片都标有名称（如"猫""狗""鸟"）。你指着卡片说："这是猫，它有尖耳朵和胡须；这是狗，它会汪汪叫……"

关键点：

• 有明确答案：每个样本（动物图片）都有对应的标签（名称）。

• 目标：孩子通过观察带标签的样本，学会归纳特征（如猫的胡须、狗的耳朵形状），未来看到新动物时能正确分类。

类比机器学习：

• 算法通过大量带标签的数据（输入图片+输出名称）训练模型，最终预测新数据的类别。

• 典型任务：图像分类、垃圾邮件检测。

无监督学习（Unsupervised Learning）

场景：这次你只给孩子一堆未标注的动物图片，让孩子自己观察并说："我觉得这些可以分成三组——有的有羽毛，有的有四条腿，有的生活在水里……"

关键点：

• 没有标准答案：孩子需要自行发现数据中的模式或分组（如按腿的数量、栖息地分类）。

• 目标：探索数据的内在结构，而非预测标签。

类比机器学习：

• 算法从无标签数据中寻找隐藏规律，比如聚类（将相似动物分组）或降维（用关键特征描述动物）。

• 典型任务：客户细分、异常检测。

强化学习（Reinforcement Learning）

场景：你让孩子玩一个动物分类游戏。每猜对一次（如正确指出"这是斑马"），就给一颗糖；猜错则扣一颗糖。孩子通过奖励/惩罚调整策略，最终学会快速准确分类。

关键点：

• 试错学习：没有直接教规则，而是通过环境反馈（奖励/惩罚）优化行为。

• 目标：最大化长期奖励（比如累积更多糖果）。

类比机器学习：

• 智能体（Agent）通过与环境交互（行动→反馈→调整）学习最优策略。

• 典型任务：机器人控制、游戏AI（如AlphaGo）。

深度学习（Deep Learning，DL）

深度学习是机器学习的一个子领域，通过多层次的神经网络结构（模仿人脑神经元连接）自动从海量数据中学习多层次的特征表示。它能够直接处理原始数据（如图像像素、文本字符），无需人工设计特征，逐步从低级特征（如边缘、纹理）抽象到高级特征（如物体、语义），最终实现高精度的识别、生成或决策任务。

目前最前沿的“生成式人工智能” 属于深度学习的一个子领域，在这一领域涌现很多热门模型和应用，如：DeepSeek、阿里千问、文心一言等等。