AI 入门第 17 讲:AI 家族大集合——人工智能不只有大模型
会按规则提醒天气的程序、会过滤垃圾邮件的算法、会认出猫咪的神经网络、会写故事的大语言模型……它们用的是同一种技术吗?今天我们走进热闹的 AI 家族聚会,亲手画出一张真正清晰的 AI 家族全景地图!
🤖 故事开场:小星参加 AI 家族聚会
到了会场,小星遇见了按固定规则判断温湿度的空调管家、根据历史借阅数据推荐图书的算法、会识别猫狗照片的多层神经网络,还有会写童话故事的大语言模型。
小星惊讶地发现:“原来大家都属于人工智能(AI)大家族,但各自使用的看家本领却大不相同!”
人工智能(AI)是一个非常宽广的科学与工程领域;机器学习(ML)是其中让系统从数据或经验中学习规律的核心分支;深度学习(DL)则是利用多层神经网络进行学习的机器学习方法;而生成式 AI(Generative AI)重点强调“创造新内容”,现代生成式模型大多建立在深度学习之上。
第一章:实验 1 · AI 家族分类员——它主要属于哪种技术路线?
仔细阅读系统工作方式说明,判断该示例最突出的技术特点。
第二章:实验 2 · 规则机器人——不训练数据,也能做出实用程序吗?
体验符号与规则驱动系统:无需收集样本训练,严格执行人类编写的逻辑判断。
调节今日气温与降雨情况,点击“运行规则”,看看天气提醒机器人怎样按顺序执行代码:
💡 规则系统的优缺点:它的判断过程 100% 透明、稳定、极易解释;但面对像“识别一张手写数字图片”或“理解自然语言”这样难以用几条简单“如果……否则……”写死的问题,规则系统就会力不从心。
第三章:实验 3 · 数据学习实验室——机器学习和固定规则有什么不同?
不写死分界阈值,而是让算法直接参考已有的“重量—大小标签”数据样本做预测!
第四章:实验 4 · 神经网络层层传递——深度学习为什么叫“深度”?
观察输入数值 $x$ 依次流经两层隐藏层(加权求和 + ReLU 激活函数)最终算出输出 $y$。
注:深度学习(Deep Learning)中的“深度”指的是多层神经网络层层嵌套的计算结构,并不是说机器拥有了像哲学家一样“深邃的人类思想”。
第五章:实验 5 · 生成还是判断?——生成式 AI 与判别式分类 AI 的区别
分类 AI 负责从已有选项里做选择题,而生成式 AI 负责创造出新的文本、图像或音频。
第六章:实验 6 · AI 技术选型挑战——杀鸡一定要用牛刀吗?
优秀的 AI 工程师不会什么问题都硬塞给昂贵的大模型,而是按需选择最合适的工具!
第七章:知识地图——把 AI 家族六大成员放进同一张地图
厘清各个核心概念的边界,再也不会把所有 AI 混为一谈。
研究与构建能够完成各类智能任务的计算机系统总称。
人类编写明确逻辑规则或搜索策略,计算机严格按规则执行。
让算法从历史样本数据或环境交互经验中自动归纳规律。
利用多层人工神经网络学习图像、声音、文本的深层特征表示。
能够根据输入生成全新文本、图片、音乐或视频的 AI 系统。
围绕目标进行感知、规划、调用工具与行动的综合智能系统。
💡 进阶问答:符号规则系统和机器学习是水火不容的敌人吗?
绝不是敌人,而是黄金搭档!在许多现代系统(如自动驾驶、医疗辅助或智能体)中,工程师经常先用深度学习模型识别感知信息,再用严格的安全规则系统兜底控制边界,实现“数据学习 + 规则护栏”的优势互补。
第八章:知识闯关——6 道题挑战“AI 家族探索家”徽章
完成下面 6 道单选题,检验你对 AI 家族成员关系的掌握!
第九章:毕业任务——设计一个由不同 AI 成员组成的“校园图书馆助手”
学会让规则系统、传统机器学习与生成式 AI 各司其职、协同工作!
假如学校请你设计一套“智慧图书馆小帮手”,请规划:① 哪些工作交给固定规则模块?② 哪些工作交给机器学习推荐模块?③ 哪里才需要用到生成式大语言模型?④ 如何防止推荐偏见并保护同学借阅隐私?
💡 查看参考架构设计示范
🌟 参考方案「智慧图书馆三人组」:① 固定规则模块负责借书满 30 天自动发送到期提醒(稳定零差错);② 机器学习模块根据脱敏后的历史借阅统计推荐相似科普好书;③ 生成式大模型仅在同学主动提问时,帮忙把难懂的书籍简介概括成适合小学生阅读的导读卡;④ 安全护栏:不公开个人借阅记录,书籍信息以馆藏目录数据库为准。
🏆 AI 入门第 17 讲 · 核心知识打卡台
🌱 见习家族向导已掌握:0 / 5 个核心知识点(点击下方卡片点亮勋章)