人工智能全景
人工智能是一套让计算机完成感知、理解、预测、生成、决策和行动的技术体系。它不是某个聊天产品,也不等同于大语言模型。规则系统、机器学习、深度学习、强化学习、生成式模型和智能体都属于这张技术地图中的不同部分。
例如用户问“订单没到,能退款吗”:规则负责检查退款资格,分类器把消息送到售后组,检索提供当前政策,大模型组织回答,订单接口返回实时状态。它们可以共同工作,责任也不同。
技术体系
| 层次 | 主要问题 | 典型技术 | 最终产物 |
|---|---|---|---|
| 问题与数据 | 要解决什么,事实从哪里来 | 任务建模、样本、特征、标签、数据治理 | 可计算的问题和可信数据集 |
| 学习与模型 | 机器如何从数据中获得规律 | 机器学习、神经网络、深度学习、强化学习 | 能预测、识别或生成的模型 |
| 能力与领域 | 模型能处理什么信息 | NLP、计算机视觉、语音、推荐、时序、多模态 | 面向某类输入输出的能力 |
| 应用与编排 | 如何接入业务和外部世界 | Prompt、RAG、工具调用、Agent、MCP | 可交互、可执行的应用 |
| 工程与治理 | 如何稳定运行并承担责任 | 部署、评估、监控、MLOps、权限、安全、成本 | 可上线、可维护的生产系统 |
这些是并行协作的职责,不是必须依次修完的课程。调用现成模型的应用无需自己预训练,但仍需定义任务、控制输入权限,并验证回答和外部动作。
AI、机器学习、深度学习和大模型
机器学习属于 AI,深度学习属于机器学习,大语言模型通常采用深度神经网络。生成式 AI 按“生成内容”划分,覆盖语言、图像和音频,并非大语言模型的同义词。
RAG 和 Agent 是应用机制:RAG 把检索结果带入模型上下文;Agent 在状态和反馈中选择下一步动作。它们会使用模型、搜索、规则和接口,不是模型谱系里的子类别。名词的进一步边界见概念词典。
人工智能如何产生结果
训练模型时,先定义样本与目标,再选择算法、拟合参数,并在独立数据上评估。神经网络常用反向传播;决策树、聚类和规则系统并不都沿用同一训练过程。
接入现成模型时,重点变成输入合同、检索、工具权限、输出验证和运行成本。例如退款助手的回答再流畅,也不能代替订单服务校验归属、金额、状态和重复请求。两条路径都需要评估与监控,但应用开发不必先从零训练模型。
主要技术分支
| 分支 | 典型输入 | 典型输出 | 常见场景 |
|---|---|---|---|
| 机器学习 | 表格、指标、用户行为 | 分类、分数、预测值 | 风控、销量预测、流失预测 |
| 自然语言处理 | 文本 | 分类、实体、摘要、回答 | 搜索、客服、文档处理 |
| 计算机视觉 | 图片、视频 | 类别、位置、分割区域 | 质检、识别、医学影像 |
| 语音技术 | 音频 | 文本、语音、说话人 | 转写、合成、语音交互 |
| 推荐系统 | 用户、物品、行为序列 | 排序列表 | 电商、内容、广告推荐 |
| 时间序列 | 按时间排列的观测值 | 趋势、异常、未来数值 | 容量、价格、设备预测 |
| 强化学习 | 状态、动作、奖励 | 行动策略 | 控制、博弈、资源调度 |
| 多模态 | 文本、图片、音频、视频 | 跨模态理解与生成 | 图文问答、视频理解、内容生成 |
详细边界见主要应用方向。
方案如何选择
| 问题特征 | 优先考虑 | 原因 |
|---|---|---|
| 规则少、稳定且责任明确 | 业务规则 | 可解释、可测试、成本低 |
| 有大量结构化历史样本,要预测概率或数值 | 传统机器学习 | 训练和推理成本低,效果容易评估 |
| 输入是图片、语音或复杂非结构化数据 | 深度学习 | 能自动学习高维表示 |
| 需要理解、总结、生成或处理开放语言 | 大语言模型 | 语言泛化和生成能力强 |
| 知识经常变化且必须给出来源 | RAG | 把外部资料作为当前依据 |
| 需要查询或修改外部系统 | 工具调用 | 让事实和动作来自受控接口 |
| 任务包含多个步骤且结果可以验证 | Agent | 能在反馈中继续执行和修正 |
选型顺序应从最简单、最容易验证的方案开始。能用规则稳定解决的问题,不必强行使用模型;单次工具调用能完成的任务,也不必包装成复杂 Agent。
推荐阅读路径
初次接触可先读发展脉络、概念词典与学习路线。已有具体任务时,按下面的场景进入对应专题。
深入模型可继续读机器学习与深度学习。应用编排包括 RAG 与工具调用、智能体、MCP和 RSI 递归自我改进;结果异常时从评估与排错定位问题所在的环节。
学完后应形成的能力
完整学习不是记住术语,而是能连续回答下面这些问题:
- 一个业务问题是否适合使用 AI,为什么?
- 输入、输出、数据来源和评估标准分别是什么?
- 规则、机器学习、深度学习、大模型应该怎么选?
- 模型为什么会答错,错误发生在数据、检索、模型还是工具层?
- 一个演示如何补齐权限、监控、评估和成本控制后上线?
- 模型、Prompt、索引或工具升级后,如何证明系统没有退化?
能把这些问题落到具体项目中,才算建立了完整的人工智能工程视角。
