AI 基础知识入门

什么是人工智能？

人工智能 = 让机器像人一样 看 👁️ + 听 👂 + 说 🗣️ + 思考 🧠 + 做决定 ✅

打个比方：你让一部手机识别一张照片里是猫还是狗——这就是 AI。你让地图 App 算出一条最快的路——这也是 AI。

AI 的核心三要素

就像做菜需要 食材 + 菜谱 + 锅灶，AI 也需要三样东西：

💡 2020 年代 AI 爆发的根本原因，就是这三样东西同时达到了临界点——互联网积累了海量数据，科学家发明了更好的算法，显卡厂商造出了更强的芯片。

你身边的 AI（你可能每天都在用！）

AI 编程 vs 传统编程：有什么不一样？

传统编程：  程序员写规则 → 计算机照着规则执行
            "如果温度>30度，就开空调"

AI 编程：   给计算机看大量例子 → 计算机自己学会规则
            "给你 10000 张猫和狗的图片，自己学会分辨"

AI 三大门派（机器学习类型）

目前主流 AI 都靠「机器学习」实现。主要有三种学习方法：

① 🎓 监督学习 —「有答案的练习题」

怎么学：给 AI 一堆「题目 + 正确答案」，让它自己琢磨规律。

🧪 举个例子：

给你 10,000 张照片，每张都标好了「🐱 猫」或「🐶 狗」。你反复看，慢慢就知道猫耳朵尖、狗耳朵圆。新来一张没见过的猫照片，你一眼就能认出来。

📋 常见用途：

② 🔍 无监督学习 —「没有答案的素材」

怎么学：只给 AI 一堆素材，不告诉它答案，让它自己发现规律。

🧪 举个例子：

给你 10,000 个电商用户的购物记录，没告诉你任何人是什么类型。你自己看数据，发现有些人总买便宜货、有些人只买大牌、有些人每周都买——你自动把他们分成三类。

📋 常见用途：

③ 🎮 强化学习 —「玩游戏学经验」

怎么学：AI 自己动手试错，做对了给糖吃🍬，做错了打手心📏。

🧪 举个例子：

让 AI 学下象棋。它自己跟自己下几百万盘——赢了得 1 分，输了扣 1 分。下得越多，就知道什么走法容易赢。AlphaGo 就是这么打败世界冠军的。

📋 常见用途：🤖 机器人控制、🚗 自动驾驶、🎮 游戏 AI

AI 的能力分级

根据聪明程度，AI 分为三个等级：

💡 现状科普：即使是最强的 ChatGPT 或 DeepSeek V4，本质上也只是「超级文字接龙游戏」——它并不真正「理解」自己在说什么，只是根据上文猜哪个词最合适。但因为它见过的文字实在太多（几乎整个互联网），看起来就像真的懂了。

AI 大事记（一张图看 70 年）

大语言模型（LLM）是怎么工作的？

LLM = Large Language Model = 大语言模型

ChatGPT、DeepSeek、Claude、Gemini……这些你听过的 AI 产品，底层都是 LLM。

一句话说清

LLM 的本质 = 超级智能版的「输入法联想词」

你用输入法打「今天天」，输入法会猜「气不错」。LLM 做的是同一件事，但规模大了 1 亿倍——它读过互联网上几乎所有的书、文章、代码，所以它猜出来的不只是一个词，而是一整段有逻辑的回答。

举个例子：

你输入：「请用 Python 写一个排序算法，」
LLM 心里想：「根据我读过的几百万份代码，这里最合理的下文是……」
LLM 输出：「def bubble_sort(arr): ...」

LLM 是怎么「造」出来的？

造一个 LLM 需要三步，好比培养一个孩子：

🟢 第一步：预训练（读万卷书）
    ↓ 模型阅读整个互联网（数万亿字），学会语言和知识
    ↓ ⏱️ 耗时数月 | 💰 花费数亿人民币 | 🔥 用几万张显卡

🟡 第二步：指令微调（上学）
    ↓ 用优质的「问答对」教模型怎么回答问题
    ↓ ⏱️ 耗时数周 | 💰 花费几百到几千万

🔴 第三步：人类反馈强化学习（学做人）
    ↓ 人类对模型的回答「好评/差评」，模型学习什么回答更好
    ↓ 目的是让输出更有用、更安全

几个你一定要知道的概念

Transformer 到底是什么？

2017 年 Google 发了一篇论文叫《Attention Is All You Need》，提出了 Transformer 架构。所有现代 LLM 都用这个架构。

核心创新：注意力机制

📖 读句子时，有些词之间有关系，有些没有：

「小明把书包放在桌上，然后他拿出了书。」

👆 注意力机制能让模型知道：这里的「他」=「小明」，不是「书包」也不是「桌子」。

模型会计算每个词和其他所有词的「关联强度」，越相关的词注意力分数越高。

为什么 Transformer 这么牛？

AI Agent：从「聊天」到「做事」

AI Agent（AI 智能体） 是 2025~2026 年最重要的 AI 进化方向。

一张表看懂区别

🍎 一句话比喻：

普通聊天 AI = 🧙‍♂️ 被关在房间里的智者，能给你建议但不能动手

AI Agent = 🧑‍💼 有手有脚的管家，你说一句话它就帮你办完

Agent 的工作流程

你发消息「帮我查今天AI新闻并总结」
        ↓
🤖 AI 大脑思考：「用户要 AI 新闻 → 先搜索 → 再看结果 → 最后总结」
        ↓
🔍 搜索工具：搜索 "AI news today 2026"
        ↓
📥 收到结果：10 条新闻链接
        ↓
🤖 AI 再思考：「需要逐个阅读并提炼重点」
        ↓
📝 根据结果生成总结
        ↓
✅ 回复你：「今天的 AI 新闻有三大重点：……」

AI Agent 能做什么？

主流 AI 模型怎么选？（2026 年版）

国外模型

国产模型

价格对比（良心推荐）

DeepSeek V4.1-Flash 🟩🟩🟩🟩🟩  白菜价  每月几块钱
DeepSeek V4-Pro    🟩🟩🟩🟩⬜  便宜    每月几十块
GPT-5              🟩🟩⬜⬜⬜  很贵    每月几百上千
Claude Sonnet 4.6  🟩🟩⬜⬜⬜  很贵    每月几百上千

🎯 给普通用户的建议：日常用 DeepSeek V4.1-Flash 就够了，又快又便宜。写代码或复杂任务切换到 DeepSeek V4-Pro。国产模型的价格大约只有国外顶级模型的 1/10～1/20——这意味着 AI 已经从「奢侈品」变成了「日常消费品」。

提示工程：怎么让 AI 乖乖听话

提示（Prompt） = 你对 AI 说的话。一条好的提示能让 AI 的回答质量翻十倍。

黄金公式

🎭 [角色] + 📋 [任务] + 📂 [上下文] + 📝 [格式要求] + ⚠️ [约束条件]

6 种实用技巧

① 🎭 给 AI 一个身份

❌ 「帮我写一封邮件」
✅ 「你是一个有 10 年经验的商务谈判专家，请帮我写一封给供应商的邮件，
    要求对方降价 5%。语气要专业但不失礼貌。」

② 📚 给几个例子（Few-Shot）

先给 AI 看 2-3 个例子，它就能照猫画虎：

「以下是对几条评论的情感分析：
"这菜太难吃了" → 负面
"风景真美啊" → 正面
"还行吧，一般" → 中性
现在分析这句："绝对是我吃过最好吃的蛋糕！" → 」

③ 🧩 让 AI 分步思考（Chain-of-Thought）

❌ 「小明有 5 个苹果，给了小红 2 个，又买了 3 个，现在有几个？」

✅ 「让我们一步步分析：
   1️⃣ 开始有 5 个苹果
   2️⃣ 给了小红 2 个：5 - 2 = 3
   3️⃣ 又买了 3 个：3 + 3 = 6
   所以答案是 6 个。」

④ 📊 指定输出格式

「分析以下数据，用 JSON 格式输出：
   {"平均分": 85, "最高分": 98, "最低分": 62}」

⑤ ⛔ 告诉 AI 不要做什么（反面提示）

「用 100 字以内总结。不要用"首先/其次/最后"这种词。不要添加个人评价。」

⑥ 🔄 迭代追问

先要大纲 → 再展开某一点 → 再深入细节
「给我一个关于气候变化的文章大纲」
「请展开第三点」
「请用表格对比第一点和第三点的数据」

新手常犯的错误

2026 年 AI 趋势

趋势一：AI Agent 全面落地

AI 从「聊天」走向「做事」。40% 的企业计划在 2026 年用上 AI Agent。就像智能手机取代功能机——不是因为它能打电话，而是因为它能解决所有问题。

趋势二：国产 AI 全面崛起

DeepSeek、Qwen、GLM 等国产模型在性能上追平海外，价格只有 1/100。中国模型在 OpenRouter 上的全球使用占比已达 30%。

趋势三：语音 AI 新体验

AI 能实时对话、听懂语气和情感。语音交互正在成为 AI 的新入口——可能像 2007 年 iPhone 触屏那样改变一切。

趋势四：AI 用量暴增

全球 AI 消耗量从 2024 到 2025 年增长了 10 倍。一次简单对话 = 几百 Token，一个 AI Agent 完成任务 = 几十万 Token。AI 正在从「偶尔用用」变成「天天在用」。

AI 进化路线图

2022 🗣️  对话 AI    你问我答     → ChatGPT
2024 🧠  推理 AI    深度思考     → DeepSeek R1
2025 🛠️  工具 AI    会用工具     → Copilot
2026 🤖  Agent 时代  自主做事     → Hermes Agent

AI 的缺点（看这篇就够了）

了解 AI 的不足同样重要：

① 🤥 幻觉 —— AI 会睁眼说瞎话

AI 本质是猜词游戏，它没有「真相」的概念。它可能编造出看起来很像回事的假新闻、假数据、假论文。

🛡️ 怎么办：关键信息一定要自己验证，不要轻信 AI 的一面之词。

② 📖 真的懂了吗？—— 并没有

AI 能写出很漂亮的代码，但它可能完全不理解代码的逻辑。它在「模仿」而不是「理解」。

③ 🪟 记不住太长的话

即使是最强的模型，处理长文档时也会「忘记」中间的部分。一次性给它 100 页 PDF，它能记住大概 70% 就不错了。

④ ⚖️ 有偏见

训练数据里有什么偏见，AI 就会学到什么偏见。比如互联网上关于「医生」的描述大多是男性，AI 就可能认为医生 = 男性。

⑤ ☠️ 安全问题

如何确保 AI 按人类的意愿做事，不去做坏事？这是目前 AI 研究的头号难题。

使用 AI 的正确心态

AI = 🛠️ 强大的工具，不是 🔮 万能的答案机器

✅ 用它提高效率，节省时间 ✅ 把它当成「助理」，不是「专家」 ✅ 做好的东西自己检查一遍 ✅ 保持独立思考

📅 最后更新：2026-05-11 | 【AI 辅助编写】 | 📖 参考了 AI Agent 完全入门指南