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 或 PR。