聊技术方案时经常撞见这样的对话：「我们接了大模型」「用的是 AI 能力」。追问一句模型多大、什么范式训练的，对方就含糊了。这四个词嵌套关系分明，混用会直接误导选型。
四层概念，一层套一层
AI 是最大的圈：只要机器表现出类人的决策行为，不管底层是 if-else 还是神经网络，都算。学界把方向分成两支——强人工智能追求真正的心智与自我意识，弱人工智能只在特定领域把事做好。今天所有落地的产品，语音助手也好、对话模型也好，全是弱人工智能，模仿的是智能的行为，不是智能本身。
ML 是 AI 的一个子集，思路换了：不再手写规则，而是喂历史数据让算法自己拟合。本质就一行式子——给定输入 x 和输出 y，让机器找到 f(x) ≈ y。打车计费的例子最直观：人工规则直接写 y = 2x + 10；机器学习的做法是给一组公里数和费用的样本，让算法自己解出参数，得到同一条公式。x = 20 公里时预测 50 元，两种路径殊途同归。
特征、标签、样本、训练、推理这几个术语贯穿后续所有内容：输入叫特征，目标叫标签，特征加标签是样本，求参数的过程叫训练，拿训练好的模型算新结果叫推理。
DL 又是 ML 的分支，靠多层神经网络自动学特征。传统机器学习要人工设计特征，深度学习从像素开始逐层抽象——边缘、轮廓、部件、整体，一层比一层宏观。数学形态从 y = f(x) 变成多层嵌套 f(f(f(x)))，层数越多，中间特征越抽象，这就是「深度」二字的来源。
大模型排最内层：它不是新算法，是深度学习把参数、数据、算力三项同时拉满的产物。公式可以概括成——大模型 ≈ 深度神经网络 + 海量参数 + 海量数据 + 大算力 + 自监督预训练。
五种训练范式，重点盯自监督
| 范式 | 反馈信号 | 典型场景 |
|---|---|---|
| 监督学习 | 人工标注 | 鸢尾花分类、垃圾邮件识别 |
| 无监督学习 | 数据内在结构 | 用户聚类分群 |
| 半监督学习 | 少量标签 + 大量无标签 | 医疗影像辅助标注 |
| 自监督学习 | 数据自己造监督信号 | 大模型预训练 |
| 强化学习 | 环境奖励惩罚 | AlphaGo 自我对弈 |
自监督值得单独说：模型把数据遮一块再预测被遮的部分，或者给图像加噪再学去噪，监督信号零人工成本，所以能吃下整个互联网规模的语料——这是大模型能铺开的前提。半监督的伪标签要留个心眼：少量标注带出来的伪标签一旦有系统性错误，会被无标注数据成倍放大，医疗场景尤其致命。
任务侧的对应关系也理一下：分类和回归挂监督学习，聚类和关联规则挂无监督学习，序列预测挂监督或自监督——RNN、LSTM、GRU 到 Transformer 都服务这个任务族。
关于「深度」的两个纠偏
第一，层数不是越大模型的官方指标。原始 Transformer 是 6 层编码器加 6 层解码器，GPT-1 十二层，GPT-3 175B 版本九十六层，这些有据可查；网上流传的「GPT-4 约 120 层」从未获官方确认，属于推测。评估一个模型的规模，参数量和训练算力才是硬口径，混合专家架构下还要再拆一层——总参数和每次推理实际激活的参数是两个数，DeepSeek-V3 公布的 671B 总参对应约 37B 激活，拿总参数估算推理成本会差出一个量级。
第二，深度和效果不是线性关系。文本分类、结构化数据预测这类边界清晰的任务，梯度提升树常常比几十层的网络更准、更便宜。上大模型之前先问一句：任务复杂度配得上这个体量吗？
计算机视觉任务速查
| 任务 | 回答的问题 |
|---|---|
| 图像分类 | 图里是什么 |
| 目标检测 | 有什么，在哪 |
| 语义分割 | 每个像素属于哪类 |
| 实例分割 | 同类个体怎么区分 |
| 目标跟踪 | 视频里目标去哪了 |
| 关键点检测 | 形状的坐标锚点在哪 |
| OCR | 图里的文字是什么 |
验证自己是否真懂的三问
学概念最怕「看懂了」的错觉。三个问题自测：能各举一个监督和自监督的例子并说清反馈信号差别吗？能解释为什么伪标签在医疗场景危险吗？能说出总参数和激活参数为什么是两个数吗？三个都能答上来，这套体系才算进脑子。
想动手验证，本地起一个 7B 模型十分钟够了：ollama pull qwen2.5:7b 拉取，ollama run qwen2.5:7b 进入对话，随便问它一个分类问题，观察它输出的置信表达——你会直观感受到「概率生成」和传统分类器「硬判类别」的差别。概念理解到能动手验证，才算真正掌握。
评论0