Skip to content

约 4 分钟阅读

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。

客服系统中规则、分类、检索、生成与受控动作的关系

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。

监督神经网络从参数更新到部署推理的过程

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。

别急,先让缓存热一下。