隨著 AI 技術(shù)的快速發(fā)展，越來越多的產(chǎn)品經(jīng)理開始考慮轉(zhuǎn)型為 AI 產(chǎn)品經(jīng)理，但復(fù)雜的 AI 概念和技術(shù)術(shù)語往往讓人望而卻步。本文將為你梳理人工智能領(lǐng)域的基礎(chǔ)概念，希望能幫到大家。

你能正確區(qū)分它們之間的關(guān)聯(lián)嗎？

比如人工智能與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)到底是什么關(guān)系？

深度學(xué)習(xí)與監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)，又是什么關(guān)系？

分類、回歸、聚類、降維跟算法又有什么關(guān)系？

卷積神經(jīng)網(wǎng)絡(luò)（即CNN）跟循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、對(duì)抗神經(jīng)網(wǎng)絡(luò)（GAN）有什么區(qū)別？

TensorFlow、PyTorch跟Bert、GPT是什么關(guān)系？GPT跟ChatGPT呢？

等等。

對(duì)于小白來說，單純這些概念，足以讓人眼花繚亂，目眩神怡，更不用說轉(zhuǎn)型成為AI產(chǎn)品經(jīng)理。

所以，今天就簡(jiǎn)單分享一些人工智能相關(guān)的基礎(chǔ)概念——來自一位小白（即本人）的學(xué)習(xí)總結(jié)。

三代不同技術(shù)路線：專家系統(tǒng)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)

專家系統(tǒng)跟機(jī)器學(xué)習(xí)是人工智能的“兩個(gè)兒子”（即它們屬于“兄弟倆”），而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的“兒子”。

人工智能早期，因數(shù)據(jù)、算力、技術(shù)等局限性，讓專家系統(tǒng)這類以人工編碼規(guī)則和邏輯的技術(shù)路線，受到大家的“萬千寵愛”，而機(jī)器學(xué)習(xí)則一直“備受冷落”。

直至深度學(xué)習(xí)這個(gè)“兒子”在2010年前后的突然爆發(fā)，才讓這個(gè)分支，成為了人工智能領(lǐng)域的“掌上明珠”。

深度學(xué)習(xí)：模型、預(yù)訓(xùn)練模型、學(xué)習(xí)范式、算法、框架

當(dāng)深度學(xué)習(xí)成為人工智能領(lǐng)域，集萬千寵愛于一身的“掌上明珠”后，所有的不同概念就不約而同地進(jìn)入到了我們的日常生活中。

我把它們從不同維度、不同作用進(jìn)行分類，以便于讓你更好理解——假設(shè)你是AI小白的話。

咱們先說模型——它相當(dāng)于人工智能的“大腦”。

深度學(xué)習(xí)的基礎(chǔ)是模仿人類的大腦，而大腦的核心是神經(jīng)網(wǎng)絡(luò)，它是由1700多億個(gè)神經(jīng)元所組成。如前文《如何轉(zhuǎn)型為AI產(chǎn)品經(jīng)理？思維篇》所分享的赫布學(xué)習(xí)理論所說：當(dāng)一個(gè)神經(jīng)元（前突觸細(xì)胞）持續(xù)或重復(fù)刺激另一個(gè)神經(jīng)元（后突觸細(xì)胞）時(shí)，兩個(gè)神經(jīng)元之間的傳遞效能增加，形成一個(gè)細(xì)胞回路，大腦就會(huì)記住這兩個(gè)事物之間的聯(lián)系，我們也就學(xué)會(huì)了。

簡(jiǎn)單來說，你的大腦（即神經(jīng)網(wǎng)絡(luò)）就是你學(xué)習(xí)、決策與行動(dòng)的模型，而人工智能也有自己的“大腦”（即模型）。

目前深度學(xué)習(xí)領(lǐng)域的有“模型四兄弟”（即卷積神經(jīng)網(wǎng)絡(luò)（即CNN）跟循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、對(duì)抗神經(jīng)網(wǎng)絡(luò)（GAN）、自注意力機(jī)制（Transformer））。

它們出身各異，都有自己的“前世今生”，也有自己的局限性，甚至產(chǎn)生了兄弟之間的“手足自殘”的狀況（如Transformer代替RNN）。

目前國(guó)內(nèi)市面上的大模型，幾乎采取的模型都是Transformer，只是針對(duì)性的進(jìn)行了調(diào)優(yōu)或增強(qiáng)。比如文心一言是基于百度的ERNIE大模型技術(shù)，結(jié)合了Transformer架構(gòu)和知識(shí)增強(qiáng)技術(shù)；通義千問是基于Transformer-XL進(jìn)行改進(jìn)支持多輪對(duì)話和多模態(tài)理解能力等。

第二，預(yù)訓(xùn)練模型——它相當(dāng)于讓人工智能的“大腦”提前完成了“預(yù)習(xí)”，我們可以叫它為“天才大腦”——即在出生時(shí)就自帶大量知識(shí)。

2018年是預(yù)訓(xùn)練模型的井噴之年，我們目前所熟悉的預(yù)訓(xùn)練模型都發(fā)生在那年。它們是：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）。

它們都屬于自然語言理解（NLP）領(lǐng)域的預(yù)訓(xùn)練模型，相當(dāng)于提前把相關(guān)的知識(shí)進(jìn)行了預(yù)先學(xué)習(xí)，讓模型不只是“空殼”般的網(wǎng)絡(luò)。

它們的演進(jìn)邏輯是：靜態(tài)詞向量 → 動(dòng)態(tài)上下文（ELMo） → 遷移學(xué)習(xí)（ULMFiT） → 生成式預(yù)訓(xùn)練（GPT） → 雙向理解（BERT） → 大模型時(shí)代（GPT-3）→ 模型規(guī)模持續(xù)擴(kuò)大（如GPT-4）→ 多模態(tài)融合（文本+圖像+語音，如GPT 4o）。

比如ELMo引入了上下文詞向量，ULMFiT推動(dòng)了遷移學(xué)習(xí)在NLP中的應(yīng)用，GPT展示了自回歸預(yù)訓(xùn)練的潛力，BERT通過雙向Transformer和掩碼任務(wù)取得了突破，而GPT-3則展示了大規(guī)模模型的強(qiáng)大生成能力。

第三，學(xué)習(xí)范式——它是人工智能的學(xué)習(xí)模式或方法，類比于你用什么樣的方式方法進(jìn)行學(xué)習(xí)。

人工智能領(lǐng)域主要有四種學(xué)習(xí)范式：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。

它們的演進(jìn)脈絡(luò)是：從規(guī)則驅(qū)動(dòng)（專家系統(tǒng)）→ 監(jiān)督學(xué)習(xí)（數(shù)據(jù)驅(qū)動(dòng)）→ 無監(jiān)督/強(qiáng)化學(xué)習(xí)（探索自主性）→ 混合范式（半監(jiān)督、自監(jiān)督）。

比如專家系統(tǒng)是依賴人類專家，提前預(yù)設(shè)所有規(guī)則，監(jiān)督學(xué)習(xí)則是以標(biāo)記數(shù)據(jù)進(jìn)行驅(qū)動(dòng)學(xué)習(xí)，無監(jiān)督學(xué)習(xí)是不依賴標(biāo)記數(shù)據(jù)，自主進(jìn)行聚類/降維分析，半監(jiān)督學(xué)習(xí)則是依賴少部分標(biāo)記數(shù)據(jù)和大量未標(biāo)記數(shù)據(jù)學(xué)習(xí)，強(qiáng)化學(xué)習(xí)是通過行為的獎(jiǎng)勵(lì)或懲罰進(jìn)行自主學(xué)習(xí)等。

第四，任務(wù)類型——它是人工智能要解決的問題類型，類比于你學(xué)習(xí)的目的是要解決哪類問題。

人工智能領(lǐng)域的常見任務(wù)有四類：分類、回歸、聚類、降維。其中分類和回歸屬于監(jiān)督學(xué)習(xí)類，而聚類跟降低屬于非監(jiān)督學(xué)習(xí)類。

不同的任務(wù)類型對(duì)應(yīng)不同應(yīng)用場(chǎng)景，對(duì)應(yīng)也有不同的算法來實(shí)現(xiàn)。

比如區(qū)分不同的圖像（即圖像分類），看它是小貓，還是小狗，則任務(wù)類型就是分類；

或根據(jù)客戶的基礎(chǔ)信息、使用網(wǎng)站信息等，將客戶進(jìn)行細(xì)分后，對(duì)應(yīng)進(jìn)行定制化的營(yíng)銷活動(dòng)推薦，則任務(wù)類型就是聚類。

第五，算法——它是人工智能用于解決問題的“工具”。

不同的任務(wù)需要不同的算法，就像你去干不同的活兒，也需要不同的工具組合一樣。

比如分類任務(wù)，結(jié)果可能是離散的，則可采取的算法有：決策樹、支持向量機(jī)（SVM）、隨機(jī)森林等；

如果是聚類任務(wù)，則可采取的算法有：K均值、層次聚類等；

如果是回歸任務(wù)，則可采取的算法有：線性回歸、決策樹回歸等。

最后，框架——它是人工智能的“地基”。

你的模型、預(yù)訓(xùn)練模型、學(xué)習(xí)范式等，都依賴它作為你的基礎(chǔ)，類比于你的日常工作，可能都需要用電腦一樣。

我們常見的深度學(xué)習(xí)框架有兩個(gè)：TensorFlow、PyTorch。

TensorFlow是由 Google 開發(fā)的開源深度學(xué)習(xí)框架，主要用于構(gòu)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。它支持分布式計(jì)算和大規(guī)模數(shù)據(jù)處理，適合工業(yè)級(jí)應(yīng)用和大規(guī)模分布式訓(xùn)練。

PyTorch是Meta（即Facebook）開發(fā)的開源深度學(xué)習(xí)框架，以其動(dòng)態(tài)計(jì)算圖和靈活性著稱，適合快速原型開發(fā)和學(xué)術(shù)研究。它有兩個(gè)的關(guān)鍵子庫(kù)：

1. TorchVision：專注于計(jì)算機(jī)視覺（即CV）任務(wù)，提供了豐富的數(shù)據(jù)集加載器、預(yù)處理工具和模型架構(gòu)；
2. TorchText：專注于自然語言處理（即NLP）任務(wù)，提供了文本數(shù)據(jù)的加載、預(yù)處理和分詞等功能。

同時(shí)，還有一個(gè)Hugging Face Transformers屬于“樣板間”，它是一個(gè)基于 PyTorch 和 TensorFlow 的自然語言處理庫(kù)，提供了大量預(yù)訓(xùn)練模型（如 BERT、GPT、RoBERTa 等），支持多種 NLP 任務(wù)。

它通過封裝 PyTorch 和 TensorFlow 的 API，簡(jiǎn)化了模型的加載、訓(xùn)練和部署過程，并支持跨框架的模型轉(zhuǎn)換，以及提供了豐富的工具和接口，如 transformers 庫(kù)，用于加載預(yù)訓(xùn)練模型并進(jìn)行微調(diào)。

目前國(guó)內(nèi)的大模型廠家，絕大多數(shù)都是基于PyTorch框架（如智譜清言、百川智能、云雀、DeepSeek等），或者兼容PyTorch框架（如通義千問），而只有極少數(shù)是完全自研（如文心一言是自研的PaddlePaddle）。

寫在最后

人工智能所涉及的名詞、概念非常多，今天總結(jié)了一些比較常見且容易混淆的概念，希望對(duì)你有所啟發(fā)。當(dāng)然，由于我自身知識(shí)的局限，如有不正確之處，還請(qǐng)多多指教。

我們用幾句話，簡(jiǎn)單總結(jié)今天所講到的概念：

1. 人工智能是一個(gè)大家族，專家系統(tǒng)跟機(jī)器學(xué)習(xí)是家族的“兄弟倆”，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的“兒子”。
2. 人工智能的模型是“大腦”，分CNN、RNN、GAN、Transformer。現(xiàn)在主流AI產(chǎn)品，基本都采取的是Transformer模型。
3. 人工智能的預(yù)訓(xùn)練模型是“天才大腦”，讓“大腦”在出生時(shí)，就自帶大量的知識(shí)。比如ELMo、 ULMFiT、 GPT、BERT等，都屬于預(yù)訓(xùn)練模型。
4. 人工智能的學(xué)習(xí)范式是“學(xué)習(xí)方法”，保證讓“大腦”進(jìn)行有效學(xué)習(xí)，成長(zhǎng)為自主決策的“人”。比如監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)都是不同的學(xué)習(xí)方法而已。
5. 人工智能的目的是解決問題，而一般常見的有四類任務(wù)：分類、回歸、聚合、降維。同時(shí)，它們又對(duì)應(yīng)有N種不同的算法，負(fù)責(zé)解決問題。
6. 人工智能一般是需要有基礎(chǔ)框架做“地基”的。

比如TensorFlow/PyTorch都是深度學(xué)習(xí)的“地基”，而它們還提供了對(duì)應(yīng)的“裝修材料”（比如TorchVision/TorchText就是PyTorch的“裝修材料”），以及對(duì)應(yīng)裝修完成的“樣板間”（比如Hugging Face就是TensorFlow/PyTorch的“樣板間”，提供了豐富的預(yù)訓(xùn)練模型以及API接口）。