🚀 CODING4KIDS · AI 零基础互动教程 · AI 入门系列

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!

🌳 适合 9–15 岁与零基础 📏 规则系统 vs 机器学习 🧠 多层神经网络体验 🛠️ 工程技术选型挑战

🤖 故事开场:小星参加 AI 家族聚会

机器人小星收到了一封闪闪发光的邀请函:“欢迎参加 AI 家族年度聚会!”
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。

🌍 人工智能(AI) —— 让机器完成智能任务的整个大家族
📏 规则与知识驱动方法 (如专家系统、逻辑规则、启发式搜索)
📊 机器学习(Machine Learning) (从数据样本或交互经验中学习规律)
🧠 深度学习(Deep Learning) (使用多层神经网络提取复杂特征表示)
✨ 许多现代生成式 AI (如大语言模型 LLM、扩散绘图模型等)
⚠️ 科学提醒:这是一张帮助入门理解的简化家族树。在真实工程里,不同技术常常组队配合:规则系统可能调用机器学习模型,生成式 AI 也不等于全部深度学习,而且并不是所有 AI 系统都需要训练庞大的神经网络!
01

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。

👆 选择示例与对应的技术路线,点击“检查分类”(注:部分类别存在包含关系,请选择最契合该句核心特征的一项)。
02

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:

如果 下雨 == 是 → 输出“提醒带伞” 否则如果 气温 ≥ 30°C → 输出“提醒防暑补水” 否则如果 气温 ≤ 15°C → 输出“提醒添衣保暖” 否则 → 输出“天气适宜外出”
👆 点击“运行规则”,观察规则系统的输出结果!

💡 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。

03

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!

⚠️ 实验启示:这个迷你分类器会寻找“重量距离最近的训练样本”来决定预测结果。试着故意添加几条错误标签(例如把 240g 标成“小果”),你会发现训练数据一旦被错误污染,机器学习的预测结果也会跟着跑偏!
04

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 $y$。

📥 输入层 $x$
➡️
🧮 隐藏层 1 (ReLU)
➡️
🧮 隐藏层 2 (ReLU)
➡️
📤 输出层 $y$

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”。

05

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。

👆 选择任务类型并点击“执行任务”,对比“做判断”与“做生成”的差异!
06

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!

👆 为每个需求挑选最合适的技术起点,点击“评估选型方案”!
💡 工程选型黄金法则:挑选技术方案时,要综合考虑任务复杂度、计算成本、响应速度、数据隐私与可解释性。能用一行简单规则可靠解决的问题,就不需要消耗大量电力去跑千亿参数大模型!
07

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。

🌍 1. 人工智能(AI)

研究与构建能够完成各类智能任务的计算机系统总称。

📏 2. 规则与搜索系统

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。

📊 3. 机器学习(ML)

让算法从历史样本数据或环境交互经验中自动归纳规律。

🧠 4. 深度学习(DL)

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。

✨ 5. 生成式 AI

能够根据输入生成全新文本、图片、音乐或视频的 AI 系统。

🤖 6. 智能体(Agent)

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。

08

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!

1. 人工智能(AI)与机器学习(ML)是什么关系?

2. 下面哪种系统不需要收集数据训练神经网络也能直接工作?

3. 深度学习(Deep Learning)通常使用什么核心结构来学习复杂规律?

4. 生成式 AI(Generative AI)最突出的特点是什么?

5. 在实验 3 的机器学习实验室里,如果训练数据的标签有很多错误,会导致什么结果?

6. 当我们要为一个现实问题挑选技术方案时,哪种想法最科学合理?

09

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?

✍️ 写下你的组合架构设计后点击“检查我的架构设计”!
💡 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)

✅ 1. 厘清 AI、机器学习、深度学习与生成式 AI 关系
✅ 2. 明白固定规则系统无需训练即可可靠执行逻辑
✅ 3. 理解机器学习依赖样本数据且受标签质量影响
✅ 4. 知道深度学习的“深度”源于多层神经网络计算
✅ 5. 掌握按实际需求、成本与风险做合理技术选型
Coding4Kids 专属少儿 AI 零基础互动系列教程 · AI 入门第 17 讲 · 认清 AI 家族全景,用最合适的方法解决真实问题 ✨

相关文章

← 返回教程列表
顶部