Part 1 总结：AI 导论与整体地形回顾¶
Section ID:
P1-summaryVersion:v2026.07.20
Part 1 是在重新学习 AI 之前，先把整体地形固定下来的区段。它不是要先把细节算法实现完，或把公式深入证明完，而是先整理那些之后会反复出现的术语与视角。
这份总结不是把 Part 1 里的所有概念再长篇重复一遍的文档，而是一份帮助你重新想起“哪些概念在什么位置被当作基准线固定下来”的收尾页。如果术语又开始混乱，请回到 概念词汇表 和其中列出的代表 Section 一起查看。
这里最重要的目标，是不要把 AI 看成一个流行词，或者某个产品的名字。AI 是一个宽广领域，其中规则式方法、搜索、启发式、概率判断、数据驱动学习、深度学习、生成式 AI、LLM、agent、服务运维和社会责任彼此重叠。
重新抓住 AI 的整体地图¶
Part 1 的目的，不是把技术一次讲深讲完，而是建立一张共同地图，让后面各 Part 的学习不会失去方向。
把这张地图最短地重新抓回来，可以压缩成下面五行。
| 先留下的最低记忆点 | 后面会在哪个 Part 再次确认 |
|---|---|
| AI 是宽广领域，而 LLM 是其中的一条支流。 | Part 6 |
| 学习与模型执行是两个不同阶段。 | Part 2, Part 3 |
| 规则、搜索、概率与学习是不同的解题方式。 | Part 3 |
| 深度学习是一条表征学习的主线，而 Transformer 是其中的一种结构。 | Part 5 |
| 在服务里，模型之外的数据、工具与运维判断也要一起看。 | Part 6, Part 7 |
不把术语和服务经验混在同一层位¶
完成 Part 1 后，应该能不再把 AI 相关术语和服务经验混成同一层平面概念，而是能放回更大的地图里重新阅读。
从规则到服务责任的流程¶
Part 1 的流程可以整理成下面这样。
- 先整理 AI 这个词的范围。
- 再看规则式方法和符号主义 AI。
- 区分搜索、知识表示和概率推理。
- 进入从数据中学习模式的机器学习。
- 再连接到学习表征的深度学习。
- 把生成式 AI 和 LLM 放进同一张大地图。
- 接着读 prompt、embedding、RAG 和 agent。
- 同时保留服务架构和运维约束的视角。
- 最后把伦理、版权、安全、实务应用和前景检讨绑在一起。
这条流程并不表示旧技术消失了，新技术彻底取代了旧技术。更准确地说，是随着时代变化，成为中心的方式改变了，而有些概念换了名字或位置后仍然持续被使用。
例如，search 和 heuristic 在早期 AI 问题求解里很重要，但在现代 AI 里，它们仍会以缩小候选范围、降低计算成本的思路再次出现。probability 和 uncertainty 也会在解释预测、分类、生成结果时反复回来。
Part 1 里也先固定了一条重要边界。uncertainty、probability 和 stochastic 不是同一个词，heuristic 也和 probabilistic model 扮演不同角色。必须先把这种区分固定住，后面的 Part 才不会把分类分数、calibration、生成设置、prompt 启发式压扁成同一层。关于 calibration、confidence、uncertainty estimation 的细分差异，当前结构保持在 P4-6.4 补充学习的第一段说明和 P4-15.3 的服务判断连接里再展开。
生成式 AI 和 LLM 的关系也要按同样方式来读。generative AI 是更大的类别，可以生成文本、图像、音频、代码等新内容，而 LLM 是其中围绕语言建模与 Transformer 系列发展出来的一条代表性模型主线。这条边界会在 Part 6 通过 token -> Transformer -> GPT 主流脉络，以及 LLM 发展史、BERT 系列比较 这条背景轴再次确认。
第 9 章也用同样方式把直接谱系和外围证据分开。CNN、GPU、YOLO、WaveNet 被保留为深度学习扩散的外围证据，而 LLM 的直接谱系则放在语言建模、Seq2Seq、Attention、Transformer 这条线上。正因为这样，后面 Part 5 里对 CNN 与 Transformer 的说明，以及 Part 6 里对 GPT 与 BERT 的说明才不会互相冲突。
推荐、排序、控制、搜索服务、自动驾驶这些例子也应按同样原则来读。在 Part 1 里，它们只保留为 帮助区分问题类型的小场景，不会扩展成各自领域的技术史或实现细节。
符号主义 AI 与规则式方法的代表名字也一样处理。Logic Theorist、GPS、MYCIN、DENDRAL 只作为帮助抓住早期发展脉络的代表案例保留；即使是现代规则式系统，也只保留在权限、政策、流程这样的通用结构例子层级，避免 Part 1 读起来像案例目录。
必须记住的概念¶
从 Part 1 最应该长期保留下来的概念，是“区分”。
AI 这个词的范围也要这样记。当前版本里，先抓住 OECD、英语词典、SEP、NIST 共同呈现的核心就够了：AI 既是一个宽广领域，也是一类系统。更细的韩语圈、日语圈词典对照，被保留为可选补强，而不是这里的必做定义工作。
| 区分点 | 要记住的视角 |
|---|---|
| AI 与机器学习 | AI 是更大的领域，机器学习是从数据中学习模式的一种方法。 |
| 机器学习与深度学习 | 深度学习是机器学习里的重要主线，通过神经网络学习表征。 |
| 深度学习与 LLM | LLM 是深度学习中的一条强势发展支流，尤其围绕语言建模与 Transformer 系列成长。 |
| 学习与模型执行 | 学习会改变模型内部数值，模型执行则使用已经学好的模型。 |
inference 周边表达 | 先把 inference 读成模型执行，把 reasoning 读成思考过程，把 prediction 读成模型输出，把 generation 读成生成结果。 |
| Prompt 与模型 | Prompt 是指定模型行为的输入，不是完全控制模型内部知识与行为的装置。 |
| RAG 与 agent | RAG 是检索外部信息并补进输入的结构，agent 是把目标串成多个任务流程的结构。 |
| 模型与服务 | 真实 AI 服务不是只有一个模型，而是应用、数据、工具、权限、日志、评估和运维约束一起运作的结构。 |
一旦这些区分固定下来，后面各 Part 里的数学、代码、模型、数据、服务结构，就更容易重新放回整体地图里。
同一个 Part 里已经详细解释过的概念，这里不会再长篇重新定义。这页总结的职责，是把 应该记住什么 重新立起来，而不是替代代表 Section 的详细说明。
容易误解的地方¶
Part 1 特别要小心下面这些误解。
- 不要把 AI 和 LLM 当成同一回事。
- 不要把生成式 AI 讲成所有 AI 的最终形态。
- 不要把规则式方法只看成已经过时、已经消失的东西。
- 不要把启发式和概率模型混在一起。
- 不要把 label 只理解成答案。
- 不要把 embedding 误解成人可以直接读懂的语义定义。
- 不要把 prompt 误解成能完全控制模型的命令。
- 不要把 agent 定义成无限制自动执行的系统。
- 不要只靠个人猜测或 AI 自动生成的文字来写 AI 预测。
本书会通过同时检查韩语表达和英文原词，来减少这些误解。尤其像 inference、model、parameter、generation、level 这类词，都会随着语境改变意思，所以必须持续保持区分。
其中，inference 是最需要反复检查的词。在 Part 1 里，先把 inference 分成模型执行，把 reasoning 分成逻辑推理，把 prediction 分成模型输出，把 generation 分成生成内容。到了 Part 6，在读 next-token prediction、看起来像 reasoning 的回答、以及评价语境里的模型结果时，这条区分会再次变得必要。
Part 1 收束的地形与留到后面的细节计算¶
Part 1 主要集中在解释 AI 的整体地形和共同术语。因此，详细算法公式、深度学习内部计算、LLM 服务实现细节，都不会在这里结束，而会留给后面的 Part。
后续 Part 会回收的问题¶
Part 1 会有意把下面这些问题打开。
- 这些概念要怎样通过数学和代码再次确认？
- 机器学习和深度学习的共同计算结构是什么？
- LLM 和生成式 AI 在服务结构里是怎样运作的？
这些问题会在后面各 Part 里，通过实际说明和练习被回收。
进入 Part 2 前要确认的大区分¶
进入 Part 2 前，可以先检查自己能否回答下面这些问题。
- 能否用大图景解释 AI、机器学习、深度学习、生成式 AI、LLM 之间的关系？
- 能否说明规则式方法和学习式方法的差别？
- 能否大致说明 data、feature、representation、model、parameter、learning、model execution 之间的关系？
- 能否说明 uncertainty、probability、stochastic 不是同一个词？
- 能否说明 prompt、embedding、vector search、RAG、agent 各自扮演不同角色？
- 能否说明 AI 服务不是只由一个模型构成？
- 能否区分个人工作假设和有外部证据支撑的事实性主张？
这些问题不要求每一项都回答得完全准确。Part 1 的目标不是记住最终答案，而是先搭起一张之后能不断返回的地图。
读完 Part 1 后，下面这些事如果还不会，也是正常的。
- 还不能用公式解释损失函数和梯度，也没关系。
- 还不熟悉 Transformer 和 attention 的内部计算细节，也没关系。
- 还不能自己写出 RAG、工具使用、agent 的实现代码，也没关系。
- 真正重要的是，你能说出
问题是怎样被拆开的、模型负责到哪里、服务还要额外补什么这一层的大图景。
结束 Part 1¶
如果 Part 1 已经读完，你就准备好不再把 AI 当成一个单独的词，而是看成分布在多个层级上的概念集合。
接下来有两种态度很重要。
第一，不要丢掉个人直觉。过去学习时留下的记忆、实践中遇到的问题、最近使用工具时形成的感觉，都是很好的学习起点。
第二，也不要把这种直觉直接当成事实。要通过标准术语、外部证据、真实代码和小练习，不断调整理解。
这两种态度把 Part 1 的前后段落连在一起。前半部分需要的是，不把模型、数据、概率和服务结构压扁成同一层；后半部分需要的是，用证据去读偏差、安全、问责和预测相关句子的习惯。最终，Part 1 想留下的最低标准是：把 AI 讲清楚 和 有根据地阅读关于 AI 的说法，其实是同一种学习态度的两面。
从 Part 2 开始，就会带着这种态度去重新恢复数学、代码和数据计算。
来源与参考¶
本文是对 Part 1 全部内容的原创总结，不直接引用外部资料。