> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/ai_beginner_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/ai_beginner_guide/di-yi-bu-fen-ai-ji-chu-ru-men/02_core_concepts/summary.md).

# 本章小结

### 本章小结

本章系统介绍了 AI 领域的核心概念，帮助读者建立了扎实的概念基础。

#### 核心要点回顾

**AI、机器学习与深度学习的关系**

* 三者是包含关系：AI ⊃ 机器学习 ⊃ 深度学习
* AI 是追求让机器表现智能的广泛愿景
* 机器学习是实现 AI 的主要手段，通过数据学习规律
* 深度学习使用多层神经网络，能自动提取特征，在超大规模数据下持续获益

**数据：AI 的燃料**

* 高质量数据和合适算法同等关键，但数据质量往往决定上限
* 数据是 AI 时代的核心资产，堪比“石油”
* GIGO（垃圾进，垃圾出）：劣质数据会导致模型输出错误
* 数据标注成本高昂，合成数据成为新趋势

**算法与模型**

* 算法是“菜谱”（通用方法），模型是“炒好的菜”（具体成果）
* Transformer 是算法，GPT 系列是模型
* 深度学习模型是“黑盒”，连科学家也难以解释内部逻辑

**训练与推理**

* 训练就是反复做题并订正，通过损失函数衡量偏差
* 训练的核心优化目标是让损失降到最低
* 推理是使用训练好的模型进行预测，成本远低于训练

#### 延伸思考

1. 为什么深度学习需要大量数据才能发挥优势？数据量不足时有什么替代方案？
2. AI 模型的“黑盒”特性，对金融风控和医疗诊断等领域会带来哪些风险？
3. 模型越大越好吗？大模型和小模型各有什么优缺点？

#### 下章预告

### 下一章将介绍 AI 技术的生态系统，包括主流的 AI 平台、开源框架、以及云端和边缘 AI 的发展趋势，帮助读者了解 AI 技术的实践环境和工具选择。

> 📝 **发现错误或有改进建议？** 欢迎提交 [Issue](https://github.com/yeasy/ai_beginner_guide/issues) 或 [PR](https://github.com/yeasy/ai_beginner_guide/pulls)。