随着 AI 技術的(de)快速發展，越來(lái)越多的(de)産品經理開始考慮轉型爲(wéi / wèi) AI 産品經理，但複雜的(de) AI 概念和(hé / huò)技術術語往往讓人(rén)望而(ér)卻步。本文将爲(wéi / wèi)你梳理人(rén)工智能領域的(de)基礎概念，希望能幫到(dào)大(dà)家。

你能正确區分它們之(zhī)間的(de)關聯嗎？

比如人(rén)工智能與機器學習、深度學習到(dào)底是(shì)什麽關系？

深度學習與監督學習、無監督學習、強化學習，又是(shì)什麽關系？

分類、回歸、聚類、降維跟算法又有什麽關系？

卷積神經網絡（即CNN）跟循環神經網絡（RNN）、對抗神經網絡（GAN）有什麽區别？

TensorFlow、PyTorch跟Bert、GPT是(shì)什麽關系？GPT跟ChatGPT呢？

等等。

對于(yú)小白來(lái)說(shuō)，單純這(zhè)些概念，足以(yǐ)讓人(rén)眼花缭亂，目眩神怡，更不(bù)用說(shuō)轉型成爲(wéi / wèi)AI産品經理。

所以(yǐ)，今天就(jiù)簡單分享一(yī / yì ／yí)些人(rén)工智能相關的(de)基礎概念——來(lái)自一(yī / yì ／yí)位小白（即本人(rén)）的(de)學習總結。

三代不(bù)同技術路線：專家系統、機器學習、深度學習

專家系統跟機器學習是(shì)人(rén)工智能的(de)“兩個(gè)兒子(zǐ)”（即它們屬于(yú)“兄弟倆”），而(ér)深度學習是(shì)機器學習的(de)“兒子(zǐ)”。

人(rén)工智能早期，因數據、算力、技術等局限性，讓專家系統這(zhè)類以(yǐ)人(rén)工編碼規則和(hé / huò)邏輯的(de)技術路線，受到(dào)大(dà)家的(de)“萬千寵愛”，而(ér)機器學習則一(yī / yì ／yí)直“備受冷落”。

直至深度學習這(zhè)個(gè)“兒子(zǐ)”在(zài)2010年前後的(de)突然爆發，才讓這(zhè)個(gè)分支，成爲(wéi / wèi)了(le／liǎo)人(rén)工智能領域的(de)“掌上(shàng)明珠”。

深度學習：模型、預訓練模型、學習範式、算法、框架

當深度學習成爲(wéi / wèi)人(rén)工智能領域，集萬千寵愛于(yú)一(yī / yì ／yí)身的(de)“掌上(shàng)明珠”後，所有的(de)不(bù)同概念就(jiù)不(bù)約而(ér)同地(dì / de)進入到(dào)了(le／liǎo)我們的(de)日常生活中。

我把它們從不(bù)同維度、不(bù)同作用進行分類，以(yǐ)便于(yú)讓你更好理解——假設你是(shì)AI小白的(de)話。

咱們先說(shuō)模型——它相當于(yú)人(rén)工智能的(de)“大(dà)腦”。

深度學習的(de)基礎是(shì)模仿人(rén)類的(de)大(dà)腦，而(ér)大(dà)腦的(de)核心是(shì)神經網絡，它是(shì)由1700多億個(gè)神經元所組成。如前文《如何轉型爲(wéi / wèi)AI産品經理？思維篇》所分享的(de)赫布學習理論所說(shuō)：當一(yī / yì ／yí)個(gè)神經元（前突觸細胞）持續或重複刺激另一(yī / yì ／yí)個(gè)神經元（後突觸細胞）時(shí)，兩個(gè)神經元之(zhī)間的(de)傳遞效能增加，形成一(yī / yì ／yí)個(gè)細胞回路，大(dà)腦就(jiù)會記住這(zhè)兩個(gè)事物之(zhī)間的(de)聯系，我們也(yě)就(jiù)學會了(le／liǎo)。

簡單來(lái)說(shuō)，你的(de)大(dà)腦（即神經網絡）就(jiù)是(shì)你學習、決策與行動的(de)模型，而(ér)人(rén)工智能也(yě)有自己的(de)“大(dà)腦”（即模型）。

目前深度學習領域的(de)有“模型四兄弟”（即卷積神經網絡（即CNN）跟循環神經網絡（RNN）、對抗神經網絡（GAN）、自注意力機制（Transformer））。

它們出(chū)身各異，都有自己的(de)“前世今生”，也(yě)有自己的(de)局限性，甚至産生了(le／liǎo)兄弟之(zhī)間的(de)“手足自殘”的(de)狀況（如Transformer代替RNN）。

目前國(guó)内市面上(shàng)的(de)大(dà)模型，幾乎采取的(de)模型都是(shì)Transformer，隻是(shì)針對性的(de)進行了(le／liǎo)調優或增強。比如文心一(yī / yì ／yí)言是(shì)基于(yú)百度的(de)ERNIE大(dà)模型技術，結合了(le／liǎo)Transformer架構和(hé / huò)知識增強技術；通義千問是(shì)基于(yú)Transformer-XL進行改進支持多輪對話和(hé / huò)多模态理解能力等。

第二，預訓練模型——它相當于(yú)讓人(rén)工智能的(de)“大(dà)腦”提前完成了(le／liǎo)“預習”，我們可以(yǐ)叫它爲(wéi / wèi)“天才大(dà)腦”——即在(zài)出(chū)生時(shí)就(jiù)自帶大(dà)量知識。

2018年是(shì)預訓練模型的(de)井噴之(zhī)年，我們目前所熟悉的(de)預訓練模型都發生在(zài)那年。它們是(shì)：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(yú)自然語言理解（NLP）領域的(de)預訓練模型，相當于(yú)提前把相關的(de)知識進行了(le／liǎo)預先學習，讓模型不(bù)隻是(shì)“空殼”般的(de)網絡。

它們的(de)演進邏輯是(shì)：靜态詞向量 → 動态上(shàng)下文（ELMo） → 遷移學習（ULMFiT） → 生成式預訓練（GPT） → 雙向理解（BERT） → 大(dà)模型時(shí)代（GPT-3）→ 模型規模持續擴大(dà)（如GPT-4）→ 多模态融合（文本+圖像+語音，如GPT 4o）。

比如ELMo引入了(le／liǎo)上(shàng)下文詞向量，ULMFiT推動了(le／liǎo)遷移學習在(zài)NLP中的(de)應用，GPT展示了(le／liǎo)自回歸預訓練的(de)潛力，BERT通過雙向Transformer和(hé / huò)掩碼任務取得了(le／liǎo)突破，而(ér)GPT-3則展示了(le／liǎo)大(dà)規模模型的(de)強大(dà)生成能力。

第三，學習範式——它是(shì)人(rén)工智能的(de)學習模式或方法，類比于(yú)你用什麽樣的(de)方式方法進行學習。

人(rén)工智能領域主要(yào / yāo)有四種學習範式：監督學習、無監督學習、半監督學習、強化學習。

它們的(de)演進脈絡是(shì)：從規則驅動（專家系統）→ 監督學習（數據驅動）→ 無監督/強化學習（探索自主性）→ 混合範式（半監督、自監督）。

比如專家系統是(shì)依賴人(rén)類專家，提前預設所有規則，監督學習則是(shì)以(yǐ)标記數據進行驅動學習，無監督學習是(shì)不(bù)依賴标記數據，自主進行聚類/降維分析，半監督學習則是(shì)依賴少部分标記數據和(hé / huò)大(dà)量未标記數據學習，強化學習是(shì)通過行爲(wéi / wèi)的(de)獎勵或懲罰進行自主學習等。

第四，任務類型——它是(shì)人(rén)工智能要(yào / yāo)解決的(de)問題類型，類比于(yú)你學習的(de)目的(de)是(shì)要(yào / yāo)解決哪類問題。

人(rén)工智能領域的(de)常見任務有四類：分類、回歸、聚類、降維。其中分類和(hé / huò)回歸屬于(yú)監督學習類，而(ér)聚類跟降低屬于(yú)非監督學習類。

不(bù)同的(de)任務類型對應不(bù)同應用場景，對應也(yě)有不(bù)同的(de)算法來(lái)實現。

比如區分不(bù)同的(de)圖像（即圖像分類），看它是(shì)小貓，還是(shì)小狗，則任務類型就(jiù)是(shì)分類；

或根據客戶的(de)基礎信息、使用網站信息等，将客戶進行細分後，對應進行定制化的(de)營銷活動推薦，則任務類型就(jiù)是(shì)聚類。

第五，算法——它是(shì)人(rén)工智能用于(yú)解決問題的(de)“工具”。

不(bù)同的(de)任務需要(yào / yāo)不(bù)同的(de)算法，就(jiù)像你去幹不(bù)同的(de)活兒，也(yě)需要(yào / yāo)不(bù)同的(de)工具組合一(yī / yì ／yí)樣。

比如分類任務，結果可能是(shì)離散的(de)，則可采取的(de)算法有：決策樹、支持向量機（SVM）、随機森林等；

如果是(shì)聚類任務，則可采取的(de)算法有：K均值、層次聚類等；

如果是(shì)回歸任務，則可采取的(de)算法有：線性回歸、決策樹回歸等。

最後，框架——它是(shì)人(rén)工智能的(de)“地(dì / de)基”。

你的(de)模型、預訓練模型、學習範式等，都依賴它作爲(wéi / wèi)你的(de)基礎，類比于(yú)你的(de)日常工作，可能都需要(yào / yāo)用電腦一(yī / yì ／yí)樣。

我們常見的(de)深度學習框架有兩個(gè)：TensorFlow、PyTorch。

TensorFlow是(shì)由 Google 開發的(de)開源深度學習框架，主要(yào / yāo)用于(yú)構建和(hé / huò)訓練神經網絡模型。它支持分布式計算和(hé / huò)大(dà)規模數據處理，适合工業級應用和(hé / huò)大(dà)規模分布式訓練。

PyTorch是(shì)Meta（即Facebook）開發的(de)開源深度學習框架，以(yǐ)其動态計算圖和(hé / huò)靈活性著稱，适合快速原型開發和(hé / huò)學術研究。它有兩個(gè)的(de)關鍵子(zǐ)庫：

TorchVision：專注于(yú)計算機視覺（即CV）任務，提供了(le／liǎo)豐富的(de)數據集加載器、預處理工具和(hé / huò)模型架構；TorchText：專注于(yú)自然語言處理（即NLP）任務，提供了(le／liǎo)文本數據的(de)加載、預處理和(hé / huò)分詞等功能。

同時(shí)，還有一(yī / yì ／yí)個(gè)Hugging Face Transformers屬于(yú)“樣闆間”，它是(shì)一(yī / yì ／yí)個(gè)基于(yú) PyTorch 和(hé / huò) TensorFlow 的(de)自然語言處理庫，提供了(le／liǎo)大(dà)量預訓練模型（如 BERT、GPT、RoBERTa 等），支持多種 NLP 任務。

它通過封裝 PyTorch 和(hé / huò) TensorFlow 的(de) API，簡化了(le／liǎo)模型的(de)加載、訓練和(hé / huò)部署過程，并支持跨框架的(de)模型轉換，以(yǐ)及提供了(le／liǎo)豐富的(de)工具和(hé / huò)接口，如 transformers 庫，用于(yú)加載預訓練模型并進行微調。

目前國(guó)内的(de)大(dà)模型廠家，絕大(dà)多數都是(shì)基于(yú)PyTorch框架（如智譜清言、百川智能、雲雀、DeepSeek等），或者兼容PyTorch框架（如通義千問），而(ér)隻有極少數是(shì)完全自研（如文心一(yī / yì ／yí)言是(shì)自研的(de)PaddlePaddle）。

寫在(zài)最後

人(rén)工智能所涉及的(de)名詞、概念非常多，今天總結了(le／liǎo)一(yī / yì ／yí)些比較常見且容易混淆的(de)概念，希望對你有所啓發。當然，由于(yú)我自身知識的(de)局限，如有不(bù)正确之(zhī)處，還請多多指教。

我們用幾句話，簡單總結今天所講到(dào)的(de)概念：

人(rén)工智能是(shì)一(yī / yì ／yí)個(gè)大(dà)家族，專家系統跟機器學習是(shì)家族的(de)“兄弟倆”，而(ér)深度學習是(shì)機器學習的(de)“兒子(zǐ)”。人(rén)工智能的(de)模型是(shì)“大(dà)腦”，分CNN、RNN、GAN、Transformer。現在(zài)主流AI産品，基本都采取的(de)是(shì)Transformer模型。人(rén)工智能的(de)預訓練模型是(shì)“天才大(dà)腦”，讓“大(dà)腦”在(zài)出(chū)生時(shí)，就(jiù)自帶大(dà)量的(de)知識。比如ELMo、 ULMFiT、 GPT、BERT等，都屬于(yú)預訓練模型。人(rén)工智能的(de)學習範式是(shì)“學習方法”，保證讓“大(dà)腦”進行有效學習，成長爲(wéi / wèi)自主決策的(de)“人(rén)”。比如監督學習、無監督學習、半監督學習、強化學習都是(shì)不(bù)同的(de)學習方法而(ér)已。人(rén)工智能的(de)目的(de)是(shì)解決問題，而(ér)一(yī / yì ／yí)般常見的(de)有四類任務：分類、回歸、聚合、降維。同時(shí)，它們又對應有N種不(bù)同的(de)算法，負責解決問題。人(rén)工智能一(yī / yì ／yí)般是(shì)需要(yào / yāo)有基礎框架做“地(dì / de)基”的(de)。

比如TensorFlow/PyTorch都是(shì)深度學習的(de)“地(dì / de)基”，而(ér)它們還提供了(le／liǎo)對應的(de)“裝修材料”（比如TorchVision/TorchText就(jiù)是(shì)PyTorch的(de)“裝修材料”），以(yǐ)及對應裝修完成的(de)“樣闆間”（比如Hugging Face就(jiù)是(shì)TensorFlow/PyTorch的(de)“樣闆間”，提供了(le／liǎo)豐富的(de)預訓練模型以(yǐ)及API接口）。

專欄作家

邢小作，微信公衆号：産品方法論集散地(dì / de)，人(rén)人(rén)都是(shì)産品經理專欄作家。一(yī / yì ／yí)枚在(zài)線教育的(de)産品，關注互聯網教育，喜歡研究用戶心理。

本文原創發布于(yú)人(rén)人(rén)都是(shì)産品經理。未經許可，禁止轉載。

題圖來(lái)自 Unsplash，基于(yú)CC0協議

該文觀點僅代表作者本人(rén)，人(rén)人(rén)都是(shì)産品經理平台僅提供信息存儲空間服務。