在人工智能的浪潮中，你是否被各种专业名词所困扰？从AI到深度学习，从监督学习到无监督学习，这些词汇是否让你感到头皮发麻？别担心，本文将带你理清楚各种错综复杂的AI关系，让你轻松入门AI。作为小白入门AI的第一课，这篇文章将为你揭开AI的神秘面纱，让你对AI有更深入的了解。快来一起探索这个充满无限可能的新世界吧！
想学习AI，但是经常看到这些专业名词AI、生成式AI、AIGC、机器学习、监督学习，无监督学习，深度学习、强化学习等等各种AI专业词汇的困扰！
看到这些词汇，是不是还没开始学，头皮已经发麻！
还好，今天你刷到了小侠这期作品，今天我将用一张图带你理清楚各种错综复杂的AI关系。
AI的定义：
AI是指机器能够模拟人类的智能和行为，执行复杂的任务，如理解语言、识别图像、进行决策等。例如，自动驾驶汽车就是一种应用AI技术的典型例子，它可以通过感知环境、理解交通规则以及做出决策来实现自主驾驶。
通过定义，我们可以认识到AI就是替代人的机器，可以是软件形式也可以是硬件形式，软件形式比如装在手机里的AI聊天软件，脱离手机使用不了，硬件形式就如扫地机器人，只能解决特定问题存在。
对AI有了初步认识，接下来看看AI是如何训练出来的。
与传统软件或者硬件不同，AI并不是制作出来的，而是通过训练而来，因此与传统软件最大区别是AI可以自己决定做什么，回答什么，而传统软件要完成什么任务需要有人操作。
小侠前些天分享了一篇，里面就提到AI时代，为什么称AI为新的时代，原因就在于AI的出现，打破了我们当前生活方式和工作习惯，就如刚刚提到的，传统软件需要人操作，AI时代，软件操作并不一定由人来完成。
回到正题，提到训练AI就得提到机器学习相关知识，机器学习是指让机器自我学习和自我改进的一种技术，就像人类一样，可以从失败中成长，训练AI也和培养人一样，让机器从现有的知识里面进行学习。
看看上面这张图，机器学习里面包含监督学习、无监督学习、强化学习三种，这三种方式是让机器学习不同知识，掌握不同能力的三种训练方法，具体内容如下：
1）监督学习：
是指让机器通过已经标记好的数据或结果让AI进行学习，并做出正确判断，比如你教小孩子认识苹果，你给他看一个苹果，告诉他这是苹果，然后再给他看另一个，问他这是什么。通过不断的“教学”和“提问”，小孩子就能学会识别苹果，监督学习的原理和这个类似。
假设企业需要训练一个客服AI，让他准确回答客户问题，我们就可以通过类似方法训练AI，让他准确识别问题并找出对应答案反馈给用户。
2）无监督学习：
就是让计算机从一堆没有标记的数据中找出规律和结构，比如让小孩子从一堆没有名字的玩具中，自己分类和归纳出哪些玩具是车子、哪些是动物一样，通过多次的训练，AI自己找出规律并做总结，从而让AI具备掌握规律的能力。
假设你是一家电商公司的运营人员，你手头有一大堆用户的浏览、购买等相关数据，但是这些数据并没有明确的标签，比如哪些用户是喜欢买时尚衣服，哪些用户是喜欢买电子产品。 这时，你可以使用无监督学习的方法，让计算机自动根据用户的行为数据，将用户分成不同的群体，从而实现定制化营销的目的。
3）强化学习：
是指让计算机在不断尝试和错误中自我学习，通过相应的奖励机制让AI找到最佳结果的方法。 拿训练宠物狗举例，假设你有条小狗，你想让它知道按铃铛就能获取食物，起初宠物狗并不知道按铃铛与获得食物之间存在关系，当宠物狗按到铃铛，你就给他食物，不管他是有意识还是无意识，时间长了，宠物狗就会发现一个规律，只要按铃铛，主人就会给我食物。随后宠物狗会自我总结，验证自己的判断，尝试按铃铛是否会获取食物。
铃铛、食物一起组成了一个特定环境，在这种环境下宠物狗就能学习到获取食物的方法。 强化学习和训练宠物狗类似，就是给他奖励，做错了给与惩罚，作对了给与奖励，多次训练，AI就能找到规律并自我学习。
当然，有伙伴可能会问，狗获取食物对他来说是奖励，但是机器你总不能给他吃东西吧！
科学家也想到这个问题，方法也很简单，就是给AI设置积分，对了给分，错了扣分，大家平时用AI聊天工具是不是可以看到赞一下，踩一下的图标，其实这就是大家帮助企业强化训练他们AI的过程。
参与的越多，AI能力就越聪明。
以上三点是AI训练较为基础的部分，希望伙伴们看完这篇内容，面对这些专业词汇不再陌生。
再来看看下面这张图：
深度学习是在机器学习基础上进一步训练AI能力的方法，简单来说就是让AI模仿人类大脑，掌握学习和思考的过程，比如人类看到一张猫的照片时，我们会立刻认出这是一只猫。这是因为我们的大脑已经通过过去的经验和学习，积累了对猫的认识。深度学习也是这样，它会通过大量的图片数据来学习，逐渐识别出图片中的特征，最后就能准确地认出猫了。
生活中深度学习应用非常常见，例如刷脸支付，语音识别，自动驾驶等等场景，都是应用了AI深度学习的方法.
所以你会发现，新买的手机，扫脸解锁偶尔会出错，但是用的时间越长，出错的概率越低。
AI核心圈最里面的一个圈，大语言模型，也称之为LLM，简单理解就是语言类的AI模型。
目前我们常说的各种AI软件，背后就是用到大语言模型，他的主要特点是：
1）能够理解人类自然语言。
这点在以往任何软件中都没出现过，传统方式要识别人类语言意图，方式是识别语句中关键字，比如我要洗澡，洗澡为关键字，软件根据后台有关洗澡的答案反馈一个结果给用户。大语言模型则不同，他是通过深度学习中的 Transformer 架构来解决语义理解的问题，关于 Transformer 架构我们后面再做介绍。
2）能够生成人类语言结果反馈给用户。
与理解相反，就是AI能够根据理解的语义生成人类能够理解的语言反馈给用户，比如让AI写诗，写文章等等，都是这个能力的表现。
除大语言模型之外，还有一些垂直领域的模型，比如Stable Diffusion，擅长画画的绘画模型，本草擅长中医的中医模型等等。
以上是有关核心圈的基础知识，观看到这里的伙伴，大家都理解了吗？
如果觉得小侠分享还不错，评论区回复“666”支持一下。
接下来，我们看看大模型应用层相关知识，看看下面这张图：
先看看什么是AIGC？
AIGC与之相对的是UGC、PGC，AIGC指的是由AI生成的内容，包括文章，图片，音乐，视频等等。UGC、PGC分别指的是由用户（普通人）生产的内容和专业人士生产的内容。
作为信息时代，任何品牌，产品想要告知用户，都需要生产大量的内容发布到各大渠道，才能触达用户，比如通过直播带货，短视频带货等等方式，因此内容生产作为当前时代是非常重要的一种手段。
刚刚提到了大语言模型和其他垂直模型，不同模型可以生产不同内容，比如绘画的模型可以设计海报，写文章的模型可以输出营销软文，因此2023年作为AI最火热的概念AIGC就孕育而生。
生成式AI和Gen AI与AIGC本质上并没有什么区别，只是叫法上不一样。
文章后面会提到AI Agent，作为时下最热的两个方向，小侠个人看好的是AI Agent方向，AIGC个人认为，只是超热的概念，实际上并没有那么高价值。
这里小侠给想深入学习AI的伙伴提个醒，AI时代想抓住AI红利，重点研究学习方向一定要往AI Agent方向学习，AIGC只能说把AI当更高效的工具使用，并没有发挥AI真实价值。
而AI Agent方向，能够解决的问题实在太多，我们后面讲到大模型层知识的时候再具体细聊。
AI应用层是我们绝大多数粉丝接触最多的一个层级，伙伴们经常刷到的各种AI神器分享的视频，都是应用层的内容，应用层主要划分为：
1）AI效率工具。
有些是AI原生工具，比如火山写作，Stable Diffusion，即梦，可灵等等！这些都是基于AI单独开发出来的新型软件，传统软件是实现不了这些功能的，因此叫AI原生工具。另外一些是AI赋能，比如飞书，钉钉，剪映等等，这些原本就有，只是融合AI，让原本能力更加强悍。
2）聊天机器人。
英文名Chat Bot，这应该是大家接触最广，用的最多的AI软件，像豆包，通义千问，文心一言，Chat GPT等等，软件形式以自然语言交流为主，通过沟通方式解决用户问题。
3）Prompt工具及社区。
小白可能比较陌生，Prompt指的是提示词工程，意思就是整理能够让AI理解的命令，比如“假设你是一名律师”，“假设你是一名大学老师”等等，这种告诉AI的内容就是Prompt的知识。
为什么Prompt会是一门单独的知识，主要是因为很多场景下，需要一个精准的提示词才能够让AI完成目标任务你得让AI知道它是谁，要干什么，什么能干，什么不能干等等。还有一些特定任务安排上，也需要非常明确的提示词，AI才能真正理解你的用意，因此有对应的工具和社区。
像AI绘画玩家口中常说的炼丹，其实也是提示词工程的知识，只不过适用的模型是绘画类的模型。
4）开发者社区。
与提示词工程社区类似，都是让大家学习交流的地方，像小侠发布的【弼小侠AI基地】，也是这个定位。
5）应用开发工具。
主要是开发AI应用的平台，像小侠强烈推荐大家学习的Coze平台，Dify平台，这些平台都是用来开发AI应用的工具平台，里面包含了模型调用，插件调用，数据库，知识库等等各种开发所需要的功能。
与传统软件开发平台不一样，AI开发平台都提供无代码和低代码两种模式，特别适合新手学习，不用软件开发背景，掌握相关知识都能设计出自己或者企业用的AI。
以上是有关AIGC与AI应用层相关的知识，做个总结：
应用层是普通人能抓住AI红利的唯一机会，你可以是掌握了某些AI工具的具体使用方法，也可以是能够熟练利用AI应用开发工具设计AI软件，两种方式都能让你在AI时代找到赚钱的路径。
小侠强烈推荐的是大家务必掌握coze或者dify等AI应用开发的知识，有了AI应用开发能力，不仅能解决自身需求，还能解决企业AI数字化升级的问题。
下面我们再看看AI Agent与大模型层相关知识，看看下面这张图：
经常在网络上看到Agent相关内容，那到底什么是Agent呢？
先看看AI Agent的定义：
Agent是一种具有感知、决策、行动能力的自主系统，关注的是AI如何在复杂环境中执行任务和达成目标，生成式AI是其组成部分之一，但AI Agent的范畴远大于单纯的生成任务。
听起来是不是有点抽象？
简单理解Agent就类似传统意义机器人的简配版，相比机器人就是少了手，少了脚，不能帮你叠衣服、干家务，其他都可以帮你完成！
比如让AI帮你订机票，打电话给老婆告诉他今天晚上回来等等。
没有手和脚，AI到底能做什么？
前面提到软件形式的AI和硬件形式的AI，Agent相当于软件形式的AI。它能通过软件方式处理你安排他的任务，像我们日常工作大多数都是用手机、电脑办公，绝大多数场景都不需要用到硬件设备。
假设你是一个外卖小哥，给客户送外卖途中出现了一点小意外导致外卖无法准时送达，如果你手机里安装了Agent实现的AI助理，这个助理就能通过定位和时间等信息，帮你呼叫客户，告诉它外卖会延迟送达信息，并且帮你获取客户的理解，免得平台处罚。
这个场景下，就是应用了Agent的能力，他能让AI具备一定业务处理能力。
想要实现这个业务场景，需要让AI具备定位获取，电话获取，拨通电话，当前任务等能力和信息，我们可以借助前面提到的AI应用开发平台开发这类AI助理，给他配置相关技能，从而实现这种能力。
目前Agent发展速度非常快，相应技能和配套权限正在火速发展中，小侠去年接触到Coze平台，平台更新到今天，平台能调用的权限已经超过一万多种，足以满足大部分业务场景。
相比机器人，Agent会更加快到达我们日常生活和工作。小侠预计，最迟明年上半年，就有很多企业已经用上了私有AI解决公司实际业务问题。如果你的企业还没有考虑过AI赋能，小侠提醒，可以开始了解AI相关知识了。
提到AI，经常映入眼帘的就是各种大模型， 图中小侠罗列了一些主流的大模型，比如GPT-4，GPT-4o，豆包大模型，混元大模型，Gemin大模型还有Llama3大模型，这些可以理解为AI的大脑，主流的大模型都是大语言模型，解决语言类问题为主，适用场景广泛。
通用大模型有个弊端，就是啥都懂，但是啥都不精！
企业如果直接用通用大模型，感受相当于你用豆包APP或文心一言这种AI聊天工具，让他给你写一个会议报告，生成出来的东西初看蛮好，细看不能用的感觉。
主要原因是通用大模型训练时候主要目标是让模型具备基础能力，比如自然语言理解，数学推理，逻辑推理等基础能力，而没有针对具体业务场景单独训练，因此你让通用模型具体干某个活，它是干不好的！
这个时候就要需要我们对通用模型进行微调和配置相应技能，又回到刚刚说的Agent这里了，Agent主要解决的就是通用模型没办法胜任具体工作的问题。
垂直大模型主要是针对特定技能训练出来的模型，比如Stable Diffusion就是针对绘画技能训练出来的模型，其他能力不行，绘画却是一等一高手。后面我们会讲到Transfomer架构知识，会谈到Stable Diffusion训练方法和大语言模型的区别，这里不做扩展，大家只需知道垂直大模型主要就是针对特定场景单独训练而来就行。
这部分内容跟我们普通人关系不大，可以作为课外知识了解一下就行，具体看看下图：
基础层之所以称之为基础层，其主要解决的是AI最底层的东西，也是我们一般人接触不到的层级，主要划分可以分为：
1）AI芯片。
生产AI芯片的企业，作为AI起源地漂亮国，AI芯片目前也是他们最强，代表公司NVIDIA，NVIDIA在AI领域有如此之高的地位一个原因是他的芯片适合训练AI，另外一个就是他们的CUDA AI训练平台，可以理解为要生产一架飞机，其中发动机制造和飞机设计软件都在他们手里，所以NVIDIA的市值持续上涨。
当然，国内企业也正在这块发力，比如华为的昇腾，最近大家都看到有关华为手机AI能力的新闻了吧！相较于苹果等其他品牌的手机，华为从AI芯片到模型训练，都是自研实现，能有这么好的表现，作为中国人真的感到骄傲。
2）云计算平台。
数据服务，开源数据集，向量数据库，训练框架，推理和部署平台等等，这里就不做过多讲解，毕竟跟我们不搞科研的人关系真不大，感兴趣的可以私下了解，对普通人来说，更应该聚焦的是AI应用层和Agent方面的信息。
关于上面三部分知识点，我们有个大概认识就行，都属于AI训练相关知识。
1）Transfomer架构
Transformer架构是一种深度学习模型，专门设计用于处理序列数据，特别是在自然语言处理（NLP）任务中取得了巨大成功。
它是由Vaswani等人在2017年的论文《Attention Is All You Need》中首次提出的，并因其高效处理长距离依赖、并行计算能力和卓越性能而迅速成为NLP领域的标准模型之一。
主要组成部分包括：
自注意力机制，多头注意力，编码器和解码器几个部分组成。
对了这部分的知识很有意思，学习后相信你会对AI的未来更加有信心，另外Transformer架构不仅在语言处理上得以验证，在图片，音频，视频等领域也已经被验证可行，也就是说我们想象中的机器人已经被验证会到来。
2）NLP
NLP也就是自然语言处理是人工智能的一个分支，它涉及到计算机理解、解释和生成人类语言的技术。
NLP与Transfomer架构的关系就是NLP的实现通过RNN、LSTM、GRU、Transformer等模型实现，搞清楚这点就行。
3）CNN
这个也是非常常见AI名称，这里也简单做个介绍，CNN又称之为卷积神经网络是一种深度学习模型，主要用于图像和视频识别、分类和分割等任务。可以理解为类似Transfomer架构的一种结构，只是技术路线不一样。
另外Stable Diffusion绘画工具采用的是扩散模型的技术，英文叫Diffusion Models，也和Transfomer架构一样，是不同技术路线，都是让AI实现理解人类意图的技术方法。
好了，上述知识对于小白可能有点多，但是小侠真心希望大家都能理解并梳理清楚关系。我相信，看完小侠这期视频的伙伴，最起码对AI有个比较全面的认识，以后再遇到AI相关的知识或者课程推荐时，不至于一脸懵逼，啥都不知道，被当韭菜割了。