人工智能入门：从机器学习到大语言模型的认知框架

人工智能入门：从机器学习到大语言模型的认知框架

人工智能的核心本质是让机器通过海量数据与计算，在学习能力基础上获得迁移能力，最终实现能够跨领域解决复杂问题的通用人工智能（AGI）。

引言与背景

学习人工智能的痛点

• 许多同学对人工智能充满兴趣，但常被复杂概念和数学公式吓退，觉得门槛过高、不知从何学起。
• 本视频的目标是以简单清晰的方式，结合实际案例，逐步建立对人工智能的认知。

人工智能的常见学习路径

• 通常的人工智能课程体系顺序为：机器学习 → 深度学习 → NLP/CV → 大语言模型。
• 在进入正式技术学习之前，需要先讨论一个根本问题：什么是智能？机器的智能从何而来？

核心要点

智能的定义

追溯智能的历史根源

• 制造会思考的机器是人类最古老的梦想之一，早在两千多年前古希腊神话和中国的《列子》中就有相关记载。
• 但这些早期尝试主要停留在空想阶段，没有变成现实的条件。
• 直到计算机发明后，人们逐渐意识到计算机除了计算之外，还有模拟人类思考的巨大潜力。

人工智能发展关键时间线

专用智能 vs 通用智能

• 局限性：AlphaGo虽然击败了人类围棋冠军，但不会下五子棋或军棋，只能执行单一任务。
• 专用人工智能：只能在特定任务上表现出色，难以像人一样具备跨任务、跨场景的迁移能力。
• 通用人工智能（AGI）：具备人类的理解、推理和学习能力，能够在不同领域解决各种问题的系统。

人类智能的案例：泛化能力

• 经典案例：一个小孩被热水杯烫了一次后，不仅会避开那个杯子，还会警惕所有冒着热气的物体。
• 人类不需要把所有有害事物都试一遍才知道其危险，而是能够从有限经验中抽取规律，在陌生环境中做出正确判断。
• 泛化能力正是智能的核心特征之一——学习能力 + 举一反三的迁移能力。

详细解析

人类如何识别物体：仿生学启示

人类识别苹果的案例

• 我们可以轻松识别苹果，却说不出苹果的精确几何参数、颜色或纹理定义。
• 识别过程的本质：见的次数足够多后，大脑自动从海量样本中提取特征。
• 大脑中的神经元连接在反复刺激中自行调整，最终形成虽模糊却足够精准的概念。

为什么“模糊”反而更重要？

• 我们记忆的特征并非极其精准，而是稍微模糊的。
• 正因特征模糊，才能识别从未见过的品种（如颜色不同、形状不同），甚至抽象出简化图形。
• 现代AI的仿生方向正是如此：给计算机足够大的数据量，让其也能“模糊地”学习。

人工智能的40年弯路：符号主义

专家系统路线

• 早期AI走的是专家系统路线，工程师以上帝视角写代码，通过写规则定义整个世界。
• 在一些领域取得了一定成功，如客服系统、医院影像识别等。
• 但这一路线注定无法实现AGI，因为世界过于复杂，规则永远写不完。

关键问题

• 被咬了一口的苹果、坏了一半的苹果、光影变化的苹果，这些还算苹果吗？
• 无法穷举完整个世界的所有规则，规则驱动的方法注定实现不了AGI。
• 这一阶段被称为符号主义。

连接主义：让机器自主从数据中学习

机器学习的正式定义

• 亚瑟·塞缪尔在1959年提出了机器学习的定义：一种无需精准编程就能让计算机获得学习能力的领域。
• 核心理念：让机器不再依赖人类硬编码的规则，从海量数据中自行归纳特征、自主学习。

为什么1959年提出，经历很久才实现？

• 虽然机器学习概念提出得早，但大语言模型的实现需要两大前提条件：

1. 海量数据

• 随着互联网的发展，人类知识被大规模数字化（维基百科、社交网络、数字化典籍页面记录等）。
• 这些数据为AI提供了规模空前的训练集，打破了早期AI数据不足的瓶颈。
• 没有足够数据，机器就无法学习（“它看的苹果太少学不会”）。

1. 超强算力

• 深度神经网络训练涉及数十亿、百亿甚至万亿级别的参数优化。
• 每次权重更新都需要海量的矩阵运算，过去的计算机性能不足。
• 直到近年GPU快速发展、谷歌TPU的突破，硬件才足以支撑如此庞大的运算任务。

机器学习与模型的本质

从数学视角理解模型

• 在数学中，平面坐标系上分布的点可以通过函数 Y=f(X) 来模拟，从而预测下一个点的大致位置——这就是函数的作用。
• 机器学习的本质也是拟合一个函数，只不过远比简单的函数更为复杂：
• 输入一张图片X → 输出分类Y（苹果/非苹果）
• 输入一段语音X → 输出对应文字
• 输入一句话的前半句 → 输出后半句

模型的精确定义

• 模型 = 机器学习找到的那个超级复杂的函数。
• 训练AI模型，本质上是在海量的参数空间中，通过不断试错与优化，搜索到最能解释数据背后规律的函数。

机器学习的核心任务

拉马努金公式的启示

• 印度天才数学家拉马努金写出的计算π的公式（含有9801、1103、396等数字）非常无厘头，当时的数学家都不明白，但计算π却极为精准。
• 这显示了世界背后存在各种深藏的规律，但由于人脑算力与记忆有限，难以穷尽所有秩序。
• 机器学习正是将寻找世界规律这件事规模化、可重复化，突破人脑算力与记忆的极限。
• 在庞大的参数空间中，通过海量计算持续逼近能描述世界规律的函数——这就是机器学习核心的任务。

方法与路径

人工智能发展的三个阶段

这是学习人工智能的主脉络：

第一阶段：通用机器学习

• 不再依赖预设规则，让机器从数据中学习概率。
• 典型案例：邮件分类——机器并不知道什么是垃圾邮件，但通过统计词频组合（如“恭喜”“中奖”同时出现）判定垃圾邮件。
• 局限性：高度依赖人工设计的特征，本质上是在人划定的框架内优化。

第二阶段：深度学习

• 在机器学习基础上衍生，主要模拟人脑的神经网络。
• 典型架构是深度神经网络（DNN）。
• 对算力要求更高，能够完成更复杂的任务。
• 典型案例：结合强化学习的AlphaGo、人脸识别、智能驾驶。
• 局限性：仍是专用智能，缺乏泛化迁移能力，不能跨任务。

第三阶段：大语言模型（生成式AI）

• 之前AI主要做的是“选择题”（判断是或非、往南走或往北走），而大语言模型则可以“写作文”，具备推理和创造能力。
• 核心机制基于Google在2017年发布的论文《Attention Is All You Need》提出的Transformer架构。
• 通过不断预测下一个token，即可完成各种生成式任务。
• 这是人类离AGI最近的一次。

为什么语言模型率先突破？

初期判断的逆转

• 最初，研究者认为识别图片的计算机视觉（CV）领域最有可能实现通用人工智能。
• 但最终是语言模型（NLP领域）率先取得了突破。

“语言即世界”哲学观点

• 奥地利哲学家维特根斯坦的观点：“我的语言之界限，即我世界之界限”。
• 语言是世界的压缩——人类几千年的文字记录编码了对世界的全量认知：
• “所以”编码了因果律
• “但是”编码了逻辑转折
• 讲述故事时编码了时间、空间、人类情感、社会规范等
• 通过学习人类的语言，AI就能认知到人类的世界。

大语言模型的工作机制

• 大语言模型的任务极其简单：根据已有prompt或输入，不断预测下一个输出（用token更精准）——一个词一个词地往外蹦。
• 看似简单，但为了精准预测下一句，模型被迫理解各种深层逻辑：
• 要预测物理题答案 → 必须学会物理规律
• 要预测代码的下一行 → 必须学会编程
• 要预测故事结局 → 必须理解人物动机
• 通过学习人类所有文字，大语言模型学到了人类对世界的全量认知，进而涌现出惊人能力：理解逻辑因果、具备常识、进行推理创作代码，甚至模仿人类情感。

限制与待确认问题

语言模型是否足以实现AGI——存有争议

空间智能派的观点

• 持反对意见者的身份：斯坦福大学的李飞飞、图灵奖得主杨立昆（Yann LeCun）等人。
• 李飞飞的核心论点：
• 语言只是最近50万年才诞生的事物，相对于地球生命历史“年轻的就像昨天”。
• 语言是世界的镜子，但并非世界本身。
• 大语言模型仍旧困在像素与符号（图片与文字表达）的统计规律之中。
• 空间智能的进化基础：
• 从寒武纪开始，各种生物看见这个世界已有5亿年。
• 看见世界驱动了大脑的爆发——无论是捕食还是逃生，都需要感知与猎物/天敌之间的距离、相对速度、重力、预测轨迹等。
• 这是一个有空间概念的智能。
• 实现AGI的必要条件：AI必须理解物理世界的一致性（如球推下桌子就会掉下去），否则无法真正理解世界。
• 李飞飞的实践：创建了World Labs，致力于构建具有物理一致性的世界模型。

语言智能与空间智能的关系——缺乏定论

• 语言智能和空间智能可能都不可或缺，实现AGI可能的路径仍属未知。
• 原文观点：对实现AGI，应采取拭目以待的态度。

总结

人工智能的根本认知

• 智能 = 学习能力 + 迁移能力。
• 当前时代，数据与经验可被大规模获取，算力也因互联网发展和摩尔定律的推动而充足。
• 关键问题在于：如何将这些数据变成可学习的任务，让机器在反复试错中总结出对世界的认知函数（模型）。

学习路线图

接下来的学习核心是理解如何实现这一过程：

• 从机器学习出发
• 到深度学习
• 再到NLP与大语言模型

这构成了从感知到认知、从专用到泛化的完整智能演进路径。