Part 1. AI 导论与地形图¶
Section ID:
P1-indexVersion:v2026.07.20
Part 1 是在重新深入学习 AI 之前，先把整体地形重新搭起来的区段。它并不是从实现某个具体算法开始，而是先说明后面要读到的数学修复、机器学习、深度学习、LLM、生成式 AI、服务架构与项目实践，怎样被放进同一张连贯地图中。
在同一个 Part 内，重要概念的详细说明应尽量只留在一个主 Section。后续 Section 只重新接回当前问题所需的内容。如果阅读过程中某个术语再次变得不稳定，请先回到 概念词汇表，先看 Core Section，再沿着 Appears In 列表追踪它在后续语境中的回归位置。
这一 Part 的核心目的，是重建当人们说出 “AI” 时脑中应该浮现的范围。AI 并不只是某一种技术的名称，而是一个包含规则式方法、搜索、概率判断、数据驱动学习、深度学习、生成模型、代理式工具与社会责任的广阔领域。如果一开始就把这些都看成一团没有区分的整体，学习流程很快就会断掉。
Part 1 也是把个人直觉和零散经验重新连接回可复用标准概念的起点。它不会把私人印象孤立地保留下来，而是会把它们重组为之后还能继续检查和复用的一般化知识。
所以，Part 1 会先把地图画出来。
- 先明确 AI 这个词的范围。
- 回看历史与范式变化。
- 看清从规则到学习的移动。
- 建立模型、数据、学习与执行的基础语言。
- 连接深度学习与生成式 AI 的兴起。
- 把 LLM、prompt、embedding、RAG 与 agent 放到同一张大地图上。
- 同时保持对服务架构、伦理、版权、安全与预测问题的视野。
为什么先建立 AI 的整体地图¶
这一 Part 是把过去学过的 AI 导论，与当前 AI 地形重新连接起来的起点。
许多读者第一次接触 AI 时，规则式系统、搜索、知识表示、启发式、概率推理、数据挖掘和机器学习往往被当作彼此分离的话题。今天，这些话题又与深度学习、LLM、prompt、embedding、向量搜索、RAG、agent、工具使用、服务运维、版权和安全问题并列出现。
Part 1 不会试图一次把这些全都讲深，而是先让读者能够回答下面这些问题：
- AI、机器学习、深度学习与生成式 AI 到底有什么不同？
- 规则式方法与学习式方法有什么差异？
- 数据与模型之间是什么关系？
- 为什么必须把学习和模型执行分开？
- LLM 是整个 AI 的同义词，还是其中的一条技术支流？
- AI 服务只由一个模型构成吗？
- 为什么风险与责任必须和技术说明一起讨论？
区分 AI、机器学习和 LLM 的基准¶
读完 Part 1 后，目标不是掌握所有公式和实现细节，而是保留如下这种可工作的理解：
- 你可以解释 AI 这个词究竟能有多宽。
- 你可以区分 AI、机器学习、深度学习、生成式 AI 与 LLM 之间的大致关系。
- 你可以说明规则式方法、搜索、启发式、概率判断和学习式方法分别扮演不同角色。
- 你可以逐渐熟悉数据、特征、表征、模型、参数、学习与 inference 这些基础语言。
- 你可以在现代 LLM 使用场景中区分 prompt、embedding、向量搜索、RAG 与 agent。
- 你可以通过模型、应用、数据、工具、运维约束与责任这些视角来看待 AI 服务。
- 你可以保持把个人工作假设与标准解释分开的习惯。
AI 地形与后续学习的边界¶
Part 1 的职责是建立 AI 的整体地形，因此它会覆盖：
- AI、机器学习、深度学习、生成式 AI 与 LLM 之间的广义关系
- 规则式方法、搜索、概率判断与学习式方法各自所处的位置
- 数据、模型、学习、inference 与服务结构的基础语言
- 阅读 prompt、embedding、RAG、agent 与运维约束所需的大地图
它不会在这里试图完成以下内容：
- 各类算法的详细公式与实现
- 深度学习架构内部的计算过程
- LLM、RAG 与 agent 的服务级详细设计
这并不是回避，而是范围控制。Part 1 的责任，是先把“什么东西属于哪里”说清楚。更深入的解释会在后续 Part 中回收。
同时看工作假设、术语和服务责任¶
因为这是本书第一个正式主体 Part，它先建立后续 Part 都要依赖的共同阅读标准。
- 如何把个人工作假设连接到标准概念
- 如何同时阅读韩语与英语术语
- 如何不仅看模型本身，也看模型之外的服务与责任
如果先建立这些标准，之后再学习数学、代码、数据和模型结构时，就更不容易失去它们在整体地图中的位置。
按层位阅读 AI 术语¶
这一 Part 的术语很多、范围也很宽。最开始，比起死记单个技术名词，更重要的是先问：这个词属于哪个概念层级，它的输入输出是什么，它的结果会影响哪里。
| 先问的问题 | 为什么重要 | 在这一 Part 里最先应固定什么 |
|---|---|---|
这个词是 技术名称、问题类型，还是 服务部件？ | 在 AI 里，看起来相似的词往往属于不同概念层级。 | 先把 AI、机器学习、深度学习和 LLM 看成并不处在同一层上的术语。 |
系统的 输入 是什么，输出 又是什么？ | 先看到输入输出结构，再看算法名称，更容易读懂问题类型。 | 如果分类、预测、生成、推荐、搜索能通过输入输出结构被区分开，说明阅读方向是对的。 |
| 结果会影响到哪里？ | AI 并不会停在计算结果本身，它会连接到人的判断、系统行为、成本与安全。 | 建立不仅看模型，也看周边服务与责任的习惯。 |
把这个标准压缩成四句话，就是：
- AI 是一个宽广领域。
- 它包含多种问题类型与多种实现方式。
- 当前的 LLM 只是这张大地图中的一条技术支流。
- 在服务中，模型输出会继续影响真实的人与系统。
这一 Part 不会在每一章里用完全相同的密度重复所有概念。比如 model、input、output、feature、representation、parameter 这些核心词，会先在前面的 Section 里把位置固定下来，后面的 Section 则只重新接回当前问题场景所需的部分。所以当同一个词再次出现时，读者应区分：这次是在补充新定义，还是只是把同一个词放进了不同语境。
当下面这五条基准还留得住时，Part 1 的角色就最清楚：
| 先留下的基准 | 之后回收的位置 |
|---|---|
| AI 是宽广领域，而 LLM 只是其中一条支流。 | Part 6 |
| 学习和 inference 不是同一个东西。 | Part 2、Part 3 |
| 规则、搜索、概率与学习是不同的问题解决方式。 | Part 3 |
| 深度学习是学习表征的支流，而 Transformer 是其中一种结构。 | Part 5 |
| 在服务里，模型之外的数据、工具和运维判断同样重要。 | Part 6、Part 7 |
构成 AI 导论的 17 条脉络¶
Part 1 由 17 个 Chapter 组成。
它先澄清 AI 的范围，以及 AI、机器学习、深度学习和生成式 AI 的关系。接着，沿着符号主义 AI、规则式方法、搜索、知识表示、概率推理、机器学习与深度学习，一路走到生成式 AI 的整体脉络。
中段则处理“把问题变成模型”意味着什么，讨论输入输出、数据、特征、表征、参数、学习与 inference。这套语言是后续 Part 阅读数学、代码与模型文档之前必须先拥有的基础。
接着还会回看不确定性、概率、随机性、搜索空间、启发式、监督学习、无监督学习与强化学习。尤其在第 6、7 章里，会故意把常常混在一起的边界拆开：不确定性、概率和随机过程不是同一回事；启发式也不等于概率模型。Part 1 先把这些区分关上，后面的统计、评估与生成部分再继续把它们重新接回来。像 0.80 这样的分数该怎样读、校准与 confidence 该相信到什么程度、uncertainty estimation 怎样更细地讨论，这些内容在这里先只放到地图上，之后会在 Part 2 的概率统计和 Part 4 的评估与阈值决策中继续回收。
后面章节会进入深度学习范式的扩散、生成式 AI、LLM 的谱系、prompt、embedding、向量搜索、RAG、AI 服务架构、agent、MCP、harness 与运维约束。这里要先固定的一个边界是：生成式 AI 是按“生成什么”来归类的更宽范畴，包含文本、图像、音频、代码等；而 LLM 是其中处理语言数据的代表模型家族。这个区分会在 Part 6 里通过 token、Transformer、GPT 主线与 BERT 对比重新展开。最后几章则让伦理、版权、安全、现实应用与 AI 预测始终和技术说明绑在一起。
第 9 章也会特别谨慎地拆边界。像 CNN、GPU、YOLO、WaveNet 这样的案例，会放在“深度学习范式如何扩散”的背景位置；而 LLM 的直接谱系，则会放在语言模型、Seq2Seq、Attention 和 Transformer 这一边。这个边界如果不先固定，后面在 Part 5 和 Part 6 学 CNN、Transformer、GPT、BERT 时，就很容易把时间顺序和直接谱系混在一起。
同样的原则也适用于早期 AI 案例。Logic Theorist、GPS、MYCIN、DENDRAL 这些名字在这里的作用，只是帮助读者想起早期符号主义 AI 和规则式系统的代表案例，而不会被扩写成漫长的历史清单。
同一个术语在不同语境中的变化¶
重新学习 AI 最困难的地方，往往不是某一个概念本身有多难，而是同一个词在不同语境下会指向不同东西。所以，要稳定当前版的 AI 说明，并不靠无止境地比较多种语言词典，而是靠 OECD、英语世界词典、SEP、NIST 这类能支撑全书结构的核心参考基准。
例如，inference 在不同语境里可能指模型执行、reasoning、prediction 或 generation。model 可能指数学上的抽象、训练好的机器学习模型、通过 API 提供的 LLM，甚至更大的服务结构。parameter 也可能指模型内部权重、训练设置，或 LLM 服务里的生成设置。
Part 1 会先把这种 inference 混淆切开。它先把 inference 区分成 运行训练好的模型并产生输出的过程，把 reasoning 区分成 沿着依据走向结论的思考过程，把 prediction 区分成 模型给出的输出，把 generation 区分成 文本或图像等结果的生成过程，把 statistical inference 另放进统计语境。这个边界先在第 5 章关上，再在 Part 6 里通过 next-token prediction、看起来像 reasoning 的生成文本、以及评估语境继续接回来。
Part 1 通过建立共同语言来降低这种混乱。当术语和边界先固定下来以后，后面的数学、数据建模、机器学习、深度学习与 LLM 学习就不会显得那么散。同样基于这个原因，推荐、排序、控制、搜索服务、自动驾驶等例子，在当前版里都只作为帮助理解问题类型的简短学习场景，而不会扩写成很长的领域说明。
Part 2 之后会回收的概念¶
Part 1 并不是每项技术的终点，而是避免后续解释失去连接位置的起点。
- Part 2 会用公式、数组、代码与运行环境的语言，重新阅读 Part 1 中出现的术语。
- Part 3 会在这个基础上，把原始数据重建成样本、特征、基线与比较结构。
- Part 4 会进一步在这套结构上讲机器学习中的问题定义、训练与评估。
- Part 5 与 Part 6 则会回收深度学习、LLM 与生成式 AI 的完整解释。
在 Part 1 内部，也不会把每一章都关成一个“已经完整结束的知识块”。相反，它会持续连接：现在介绍的是什么，以及 后面在哪里重新回收为完整说明。
| Part 1 先固定的东西 | 这里先固定到什么程度 | 后面真正完整回收的位置 |
|---|---|---|
| model、data、parameter、learning、inference | 先知道模型接收输入、产生输出，学习会改变内部值 | Part 2 的公式与 Python 基础、Part 3 的数据建模、Part 4 的学习与评估 |
| supervised、unsupervised、reinforcement learning | 先知道它们的学习信号分别来自标签、结构和奖励 | Part 4 机器学习 |
| representation learning、CNN、RNN、Attention、Transformer | 先知道它们是为了回应不同数据结构问题而出现 | Part 5 深度学习 |
| generative AI、LLM、token、prompt、RAG、agent | 先知道一个生成式服务不会只靠单一模型就结束 | Part 6 LLM 与生成式 AI |
| 服务运维、评估与责任 | 先知道模型输出之后还会继续连到人、政策、成本与安全 | Part 6 的评估与运维、Part 7 的项目回顾 |
留到后续 Part 的计算与实现问题¶
因为 Part 1 的职责是画地图，所以它会有意把一些问题留到后面。
- 损失(loss)和梯度(gradient)到底是怎样计算的？
- 为什么深度学习架构会分化成 CNN、RNN 和 Transformer？
- 为什么 LLM 服务还需要 RAG、工具使用、agent 和 MCP 这类层次？
这些问题都会在后续 Part 中回收。
把 AI 看成宽广地形的状态¶
当 Part 1 结束时，AI 不应再像一个流行词，而应当看起来像由多层方法与技术谱系共同构成的广阔地形。
- 曾经有人尝试通过规则来解决问题。
- 曾经有人尝试通过搜索和启发式来减轻计算极限。
- 后来逐渐出现了从数据中学习模式的方法。
- 再后来，深度学习让“学习表征”这件事不断扩大。
- 现在，生成式 AI 与 LLM 让“生成输出”这条支流更为强势。
- 同时，也越来越需要把这些输出和工具、检索、服务与责任一起看待。
只要这份理解还在，后续更细的学习就还能继续追问“这个概念到底在大地图里的哪里”。Part 2 是把这张地图翻译成计算语言的第一步，后面的 Part 则会用更精确的正文说明，把这里建立起来的区分重新回收。
应该留下的确认基准¶
- 你可以解释 AI、机器学习、深度学习、生成式 AI 与 LLM 的广义关系。
- 你可以说明规则式方法与学习式方法的差异。
- 你可以说出数据、特征、表征、模型、参数、学习与 inference 的基本关系。
- 你可以解释为什么不确定性、概率、搜索与启发式会在 AI 说明里反复出现。
- 你可以解释 prompt、embedding、向量搜索、RAG 与 agent 之间的大致连接流程。
- 你可以把 AI 服务看成不仅有模型，也同时包含应用、数据、工具、运维约束与责任的结构。
- 你已经准备好把个人工作假设与标准解释分开。
来源与参考¶
本文是对 Part 1 的目的与学习路径进行整理的原创概览，不直接引用外部来源。