随着 AI 技术的快速发展，越来越多的产品经理开始考虑转型为 AI 产品经理，但复杂的 AI 概念和技术术语往往让人望而却步。本文将为你梳理人工智能领域的基础概念，希望能帮到大家。

你能正确区分它们之间的关联吗？

比如人工智能与机器学习、深度学习到底是什么关系？

深度学习与监督学习、无监督学习、强化学习，又是什么关系？

分类、回归、聚类、降维跟算法又有什么关系？

卷积神经网络（即CNN）跟循环神经网络（RNN）、对抗神经网络（GAN）有什么区别？

TensorFlow、PyTorch跟Bert、GPT是什么关系？GPT跟ChatGPT呢？

等等。

对于小白来说，单纯这些概念，足以让人眼花缭乱，目眩神怡，更不用说转型成为AI产品经理。

所以，今天就简单分享一些人工智能相关的基础概念——来自一位小白（即本人）的学习总结。

三代不同技术路线：专家系统、机器学习、深度学习

专家系统跟机器学习是人工智能的“两个儿子”（即它们属于“兄弟俩”），而深度学习是机器学习的“儿子”。

人工智能早期，因数据、算力、技术等局限性，让专家系统这类以人工编码规则和逻辑的技术路线，受到大家的“万千宠爱”，而机器学习则一直“备受冷落”。

直至深度学习这个“儿子”在2010年前后的突然爆发，才让这个分支，成为了人工智能领域的“掌上明珠”。

深度学习：模型、预训练模型、学习范式、算法、框架

当深度学习成为人工智能领域，集万千宠爱于一身的“掌上明珠”后，所有的不同概念就不约而同地进入到了我们的日常生活中。

我把它们从不同维度、不同作用进行分类，以便于让你更好理解——假设你是AI小白的话。

咱们先说模型——它相当于人工智能的“大脑”。

深度学习的基础是模仿人类的大脑，而大脑的核心是神经网络，它是由1700多亿个神经元所组成。如前文《如何转型为AI产品经理？思维篇》所分享的赫布学习理论所说：当一个神经元（前突触细胞）持续或重复刺激另一个神经元（后突触细胞）时，两个神经元之间的传递效能增加，形成一个细胞回路，大脑就会记住这两个事物之间的联系，我们也就学会了。

简单来说，你的大脑（即神经网络）就是你学习、决策与行动的模型，而人工智能也有自己的“大脑”（即模型）。

目前深度学习领域的有“模型四兄弟”（即卷积神经网络（即CNN）跟循环神经网络（RNN）、对抗神经网络（GAN）、自注意力机制（Transformer））。

它们出身各异，都有自己的“前世今生”，也有自己的局限性，甚至产生了兄弟之间的“手足自残”的状况（如Transformer代替RNN）。

目前国内市面上的大模型，几乎采取的模型都是Transformer，只是针对性的进行了调优或增强。比如文心一言是基于百度的ERNIE大模型技术，结合了Transformer架构和知识增强技术；通义千问是基于Transformer-XL进行改进支持多轮对话和多模态理解能力等。

第二，预训练模型——它相当于让人工智能的“大脑”提前完成了“预习”，我们可以叫它为“天才大脑”——即在出生时就自带大量知识。

2018年是预训练模型的井喷之年，我们目前所熟悉的预训练模型都发生在那年。它们是：ELMo（2018年2月）→ ULMFiT（2018年5月）→ GPT-1（2018年6月）→ BERT（2018年10月）→ GPT-2（2019）→ GPT-3（2020）。

它们都属于自然语言理解（NLP）领域的预训练模型，相当于提前把相关的知识进行了预先学习，让模型不只是“空壳”般的网络。

它们的演进逻辑是：静态词向量 → 动态上下文（ELMo） → 迁移学习（ULMFiT） → 生成式预训练（GPT） → 双向理解（BERT） → 大模型时代（GPT-3）→ 模型规模持续扩大（如GPT-4）→ 多模态融合（文本+图像+语音，如GPT 4o）。

比如ELMo引入了上下文词向量，ULMFiT推动了迁移学习在NLP中的应用，GPT展示了自回归预训练的潜力，BERT通过双向Transformer和掩码任务取得了突破，而GPT-3则展示了大规模模型的强大生成能力。

第三，学习范式——它是人工智能的学习模式或方法，类比于你用什么样的方式方法进行学习。

人工智能领域主要有四种学习范式：监督学习、无监督学习、半监督学习、强化学习。

它们的演进脉络是：从规则驱动（专家系统）→ 监督学习（数据驱动）→ 无监督/强化学习（探索自主性）→ 混合范式（半监督、自监督）。

比如专家系统是依赖人类专家，提前预设所有规则，监督学习则是以标记数据进行驱动学习，无监督学习是不依赖标记数据，自主进行聚类/降维分析，半监督学习则是依赖少部分标记数据和大量未标记数据学习，强化学习是通过行为的奖励或惩罚进行自主学习等。

第四，任务类型——它是人工智能要解决的问题类型，类比于你学习的目的是要解决哪类问题。

人工智能领域的常见任务有四类：分类、回归、聚类、降维。其中分类和回归属于监督学习类，而聚类跟降低属于非监督学习类。

不同的任务类型对应不同应用场景，对应也有不同的算法来实现。

比如区分不同的图像（即图像分类），看它是小猫，还是小狗，则任务类型就是分类；

或根据客户的基础信息、使用网站信息等，将客户进行细分后，对应进行定制化的营销活动推荐，则任务类型就是聚类。

第五，算法——它是人工智能用于解决问题的“工具”。

不同的任务需要不同的算法，就像你去干不同的活儿，也需要不同的工具组合一样。

比如分类任务，结果可能是离散的，则可采取的算法有：决策树、支持向量机（SVM）、随机森林等；

如果是聚类任务，则可采取的算法有：K均值、层次聚类等；

如果是回归任务，则可采取的算法有：线性回归、决策树回归等。

最后，框架——它是人工智能的“地基”。

你的模型、预训练模型、学习范式等，都依赖它作为你的基础，类比于你的日常工作，可能都需要用电脑一样。

我们常见的深度学习框架有两个：TensorFlow、PyTorch。

TensorFlow是由 Google 开发的开源深度学习框架，主要用于构建和训练神经网络模型。它支持分布式计算和大规模数据处理，适合工业级应用和大规模分布式训练。

PyTorch是Meta（即Facebook）开发的开源深度学习框架，以其动态计算图和灵活性著称，适合快速原型开发和学术研究。它有两个的关键子库：

1. TorchVision：专注于计算机视觉（即CV）任务，提供了丰富的数据集加载器、预处理工具和模型架构；
2. TorchText：专注于自然语言处理（即NLP）任务，提供了文本数据的加载、预处理和分词等功能。

同时，还有一个Hugging Face Transformers属于“样板间”，它是一个基于 PyTorch 和 TensorFlow 的自然语言处理库，提供了大量预训练模型（如 BERT、GPT、RoBERTa 等），支持多种 NLP 任务。

它通过封装 PyTorch 和 TensorFlow 的 API，简化了模型的加载、训练和部署过程，并支持跨框架的模型转换，以及提供了丰富的工具和接口，如 transformers 库，用于加载预训练模型并进行微调。

目前国内的大模型厂家，绝大多数都是基于PyTorch框架（如智谱清言、百川智能、云雀、DeepSeek等），或者兼容PyTorch框架（如通义千问），而只有极少数是完全自研（如文心一言是自研的PaddlePaddle）。

写在最后

人工智能所涉及的名词、概念非常多，今天总结了一些比较常见且容易混淆的概念，希望对你有所启发。当然，由于我自身知识的局限，如有不正确之处，还请多多指教。

我们用几句话，简单总结今天所讲到的概念：

1. 人工智能是一个大家族，专家系统跟机器学习是家族的“兄弟俩”，而深度学习是机器学习的“儿子”。
2. 人工智能的模型是“大脑”，分CNN、RNN、GAN、Transformer。现在主流AI产品，基本都采取的是Transformer模型。
3. 人工智能的预训练模型是“天才大脑”，让“大脑”在出生时，就自带大量的知识。比如ELMo、 ULMFiT、 GPT、BERT等，都属于预训练模型。
4. 人工智能的学习范式是“学习方法”，保证让“大脑”进行有效学习，成长为自主决策的“人”。比如监督学习、无监督学习、半监督学习、强化学习都是不同的学习方法而已。
5. 人工智能的目的是解决问题，而一般常见的有四类任务：分类、回归、聚合、降维。同时，它们又对应有N种不同的算法，负责解决问题。
6. 人工智能一般是需要有基础框架做“地基”的。

比如TensorFlow/PyTorch都是深度学习的“地基”，而它们还提供了对应的“装修材料”（比如TorchVision/TorchText就是PyTorch的“装修材料”），以及对应装修完成的“样板间”（比如Hugging Face就是TensorFlow/PyTorch的“样板间”，提供了丰富的预训练模型以及API接口）。