先解决一个最基础、但也最容易混淆的问题：AI、ML、DL、GenAI、AGI，它们到底是什么关系？
很多人以为它们是并列的，或者是一个路线上的几个阶段。其实不是，它们是套娃结构：
人工智能（AI）
└── 机器学习（ML）—— 让机器从数据中学习，不靠人写规则
└── 深度学习（DL）—— 用多层神经网络，ML 里最成功的一支
├── 计算机视觉（CV）—— 让机器看懂图像
│ ├── 人脸识别
│ ├── 自动驾驶
│ └── OCR 文字识别
└── 自然语言处理（NLP）—— 让机器理解语言
└── 大语言模型（LLM）—— 当前 AI 的主角
└── 生成式 AI（GenAI）—— 能创造新内容的 AI
├── 文本生成（ChatGPT、Claude）
├── 图像生成（Midjourney、DALL·E）
├── 视频生成（Sora）
└── 音频生成（Suno）几个容易搞混的点：
那 AGI（通用人工智能） 呢？它不在上面这张图里。图上所有东西都是窄 AI（Narrow AI）——只擅长特定领域。AGI 是一个还没实现的愿景，指的是"在所有领域都能像人一样思考和推理的 AI"。它是远处的山头，不是我们脚下的路。
→ 下一篇会深入讲 LLM 是怎么工作的，为什么它跟之前的 AI 不一样
如果你去搜 LLM 的原理，会看到一堆看不懂的词：Transformer、Attention、自监督学习…… 但说到底，大模型的本质比你想象的要简单。
这是 AI 科学家 Andrej Karpathy 用来说服普通人的方法。一个训练好的大模型，拆到最简就是两个文件：
一个参数文件（比如 140GB）—— 里面是几十亿到几千亿个数字。这些数字是模型在训练过程中"学到的知识"，编码了它对语言和世界的理解。一般用参数数量来称呼模型大小，比如 7B 就是 70 亿个参数，70B 就是 700 亿个。参数越多，模型理论上越聪明，但需要的 GPU 也越多。
一段推理代码（可以简化到几百行）—— 定义怎么读取那些数字、怎么用它们来预测下一个词。这段代码实现了"输入一句话 → 按参数计算 → 输出下一个词"的循环。
所有大模型都遵循一个通用的生产流程：
预训练 → 对齐 → （可选）微调行业在 2020 年发现了一个关键规律：模型的能力跟参数规模、训练数据量之间存在可预测的正比关系，而且没有见顶的迹象。这就是 Scaling Laws。它告诉业界：只要堆算力、堆数据，模型就会变聪明。 这个发现直接驱动了过去几年的"大模型军备竞赛"。
这后来有一个修正——光堆参数不行，数据质量同样重要。参数再多，训练数据质量不高，能力提升也会变慢。
→ L3 会深入讲 Prompt Engineering、RAG、Agent、微调这几种应用范式的适用场景和取舍
理解边界比理解能力更重要。转型AI的人要知道"什么事可以交给 AI，什么事别指望 AI"。
| LLM 的边界 | 对你的产品意味着什么 |
|---|---|
| 会编造事实（幻觉） | 关键信息不能完全信任，需要验证机制 |
| 知识不实时 | 截至训练时间。需要 RAG 补充最新信息 |
| 数学不精确 | 涉及精确计算的要靠代码，不靠模型 |
| 上下文窗口有限 | 长对话需要自己管理记忆 |
| 不擅长精确指令 | 复杂指令会遗漏细节，prompt 要简洁分步 |
→ 理解这些边界后，L4 会讲怎么评估模型输出质量、怎么控制成本、怎么做安全设计
从最底层到最应用层，AI 涉及六个层次：
应用层：各种 AI 产品和行业解决方案
工具层：LangChain / Dify / Coze / Ollama 等开发框架和平台
模型层：OpenAI / Anthropic / Meta / DeepSeek / Qwen 等模型厂商
算力层：阿里云 / AWS / Azure / 火山引擎 等云服务商
芯片层：NVIDIA / AMD / 华为昇腾 等硬件厂商
能源层：电力供应 / 数据中心散热 / 绿电越往下越重资产、越集中（一两个厂商卡住整条链），越往上越轻、创新空间越大。
但作为一个学 AI 的产品/业务/设计人员，你不需要天天盯着芯片和算力。简化来看：
模型层 → 谁造大脑
工具层 → 什么工具帮你用好大脑
应用层 → 你用 AI 解决什么具体问题你的战场在应用层。 不是去跟算法工程师卷模型能力，而是理解每种范式的适用边界、评估成本和效果、判断什么场景真正值得用 AI。
这张地图是第一步。
后续我会按这个路线逐步深入：
这篇文章没有很深的技术内容，它的目的是让你看到全貌。之后每一层都会往深走，但始终是在这张地图上去定位自己。
胸中有图，方向自清。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。