AI 基础入门 · 第1课
AI 是什么：从图灵测试到生成式 AI
你天天跟 ChatGPT、豆包聊天，但你说得清"AI""机器学习""深度学习""大模型"到底是什么关系吗？这一课不堆术语，用大白话把AI 七十年的演进史串成一条线，让你一眼看懂：AI 不是突然冒出来的，它是一代一代叠上去的。学完这一课，你再听到"生成式 AI""基础模型"这些词，心里就有底了。
① 小白第一课怎么学（4 步走，约 60 分钟）
这一课是整个 AI 基础板块的"地图"，先建立全局观，后面九课都是在这张地图上挖细节。
1建立直觉（10 分钟）
读②③：AI 不是魔法，是"让机器做通常需要人智能才能做的事"。
2理清四层关系（15 分钟）
读④：AI ⊃ ML ⊃ DL ⊃ GenAI，大圆套小圆，别搞混。
3看演进时间线（15 分钟）
读⑤：从 1956 达特茅斯会议到 2022 ChatGPT，七十年三起两落。
4刷题自测（20 分钟）
做⑦⑩，错题回⑥看易错点。
本课小目标学完你要能：① 画清 AI/ML/DL/GenAI 的包含关系；② 说出 AI 发展史上三个里程碑；③ 举例说明 AI 现在能做什么、还做不好什么。
② 一图看懂：AI 到底是什么
读法：左边是"大圆套小圆"的包含关系——AI 是最大的筐，机器学习是 AI 里"靠数据学习"的那一支，深度学习是机器学习里"用神经网络"的那一支，生成式 AI 又是深度学习里最近这几年爆发出来的新方向。右边是现状：能干很多事，但不是万能。
③ 本质直觉：AI 就是"让机器模仿人的判断"
一句话定义：人工智能（Artificial Intelligence, AI）就是让机器去做那些"如果由人来做，就需要用到智能"的事。比如认出一张猫的照片、听懂一句话、下一盘棋——这些事人一看就会，但让计算机做，就需要"智能"。
关键转折：以前是"人写规则"，现在是"机器学规律"。早期 AI 靠程序员手写 if-else：如果照片里有尖耳朵就判定是猫。但现实世界太复杂，猫有几千种、光线有无数种，规则写不完。于是有了机器学习：不手写规则，而是给机器看几万张"这是猫/这不是猫"的照片，让它自己总结出判断规律。
深度学习再进一步：以前学规律要人手设计"特征"（比如"耳朵形状""花纹"），深度学习用多层神经网络自动从像素里挖出特征，人都不用告诉它"先看耳朵"。
生成式 AI 再进一步：以前的模型只会"判断"（这是猫还是狗），生成式 AI 能"创造"（根据文字画出一张猫的图、接着你这句话往下写一段）。ChatGPT 就是后者——它不是在查数据库，而是在逐字"预测下一个词"。
为什么这一层一层能叠上去每一次进步都在解放人：第一次不用手写规则了（ML），第二次不用人手设计特征了（DL），第三次模型不仅能判断还能创造了（GenAI）。底层算力、数据量、算法三样东西凑齐，才催生出今天的大模型。
④ 完整体系：四层关系 + 关键术语对照
AI / ML / DL / GenAI 到底谁包含谁
| 层级 | 全称 | 大白话 | 典型例子 |
|---|
| AI | Artificial Intelligence | 让机器表现出"智能"的一切努力，最大的筐 | 专家系统、机器人、人脸识别、下棋 |
| ML | Machine Learning | AI 的一个分支：不手写规则，靠数据学规律 | 垃圾邮件分类、房价预测、推荐系统 |
| DL | Deep Learning | ML 的一个分支：用多层神经网络学，自动挖特征 | 图像识别、语音识别、AlphaGo |
| GenAI | Generative AI | DL 的最新分支：能生成新内容，不只会判断 | ChatGPT、文生图 Sora、代码助手 |
必懂术语速查
| 术语 | 一句话解释 | 类比 |
|---|
| 模型 Model | 训练好的"规律文件"，输入新数据就能出判断 | 一个训练好的"大脑"，带出厂参数 |
| 训练 Training | 用大量数据反复调整模型参数，让它越做越准 | 学生刷题库，对答案改错题 |
| 推理 Inference | 训练好之后，拿新问题去问它、它给答案 | 学生上考场做题 |
| 参数 Parameter | 模型内部那一堆可调的数字，学的就是它们 | 大脑里几百亿个"旋钮" |
| Token | 模型处理文字的最小单位，大概半个字到一个词 | AI 眼里的"词块" |
别被名字绕晕别人说"AI"可能指 ML，说"深度学习"可能指大模型，说"大模型"可能指 ChatGPT。记住：越往下越具体，越往大模型越新越强。日常对话里"AI 很厉害"，九成说的是"生成式 AI / 大模型"。
⑤ 演进时间线：七十年三起两落
1956 · 达特茅斯会议（AI 诞生）
一群科学家聚在一起，第一次提出"人工智能"这个词。
当时的人很乐观，觉得二十年内机器就能做任何人脑能做的事。结果算力和数据都跟不上，第一次 AI 寒冬来了——经费砍光，没人信了。
1997 · 深蓝战胜国际象棋冠军
IBM 的"深蓝"打败了国际象棋世界冠军卡斯帕罗夫。
这是 AI 的高光时刻，但深蓝靠的是暴力穷举（算 2 亿步/秒），不是真正的"智能"。棋类之外它啥也不会。
2012 · AlexNet 引爆深度学习
两个大学生用深度神经网络把图像识别错误率砍了一半，赢了 ImageNet 比赛。
这一年 GPU 算力够了、互联网图片数据够了，深度学习正式起飞。之后语音识别、人脸识别、自动驾驶接连突破。这是第二次高潮。
2017 · Transformer 论文发表
Google 发表《Attention Is All You Need》，提出 Transformer 架构。
这是今天所有大模型（GPT、Claude、Gemini、DeepSeek）的共同地基。它让模型能"一次读很多字、重点关注关键部分"，长文本能力大爆发。
2022 · ChatGPT 发布（生成式 AI 爆发）
OpenAI 的 ChatGPT 上线，五天用户破百万，两个月破亿。
普通人第一次发现：原来 AI 能像人一样聊天、写东西、改 bug。生成式 AI 从实验室走进千家万户，这就是你今天看到的这波浪潮。
一句话总结演进从"人写规则"到"机器学规律"，从"小数据小模型"到"大数据大模型"，从"只会判断"到"能生成内容"——每一步都是算力、数据、算法三者共振的结果。
⑥ 高频错误诊断（4 条）
错误 1：把 AI 和机器学习画等号AI 是最大的筐，机器学习只是其中一支。传统的专家系统、机器人控制也叫 AI，但不是机器学习。
错误 2：以为大模型"什么都懂"大模型的知识截止到训练那天，而且它不是在"查资料"，是在"预测下一个字"，所以会一本正经地编（幻觉）。
错误 3：把训练和推理搞混训练是"刷题改错题"（贵、慢、要 GPU 集群），推理是"上考场做题"（便宜、快、单次调用）。你跟 ChatGPT 聊天是在推理，不是在训练它。
错误 4：觉得 AI 会自己变聪明模型训练完就"冻结"了，你跟它聊一万句，它自己不会学到新东西。要更新知识得重新训练或外挂 RAG（后面第6课讲）。
⑦ 考点真题演练（4 题）
考点分布
| 考法 | 出题形式 | 应对 |
|---|
| 四层包含关系 | 问哪个范围最大 | AI ⊃ ML ⊃ DL ⊃ GenAI |
| 训练 vs 推理 | 问聊天属于哪个 | 聊天是推理 |
| 里程碑 | 问 Transformer 哪年 | 2017 年 |
| AI 能/不能 | 问哪个是幻觉 | 编造不存在的事实 |
真题基础1. 下面哪个概念范围最大、包含其他三个？
真题中档2. 你打开 ChatGPT 问"今天天气如何"，这属于模型的哪个阶段？
真题中档3. 今天所有主流大模型（GPT/Claude/Gemini）都基于哪篇论文提出的架构？
真题拔高4. 大模型"一本正经地胡说八道"指的是什么现象？
⑧ 必背知识点卡
四层关系：AI ⊃ ML ⊃ DL ⊃ GenAI 大圆套小圆
AI 定义：让机器做需要人智能才能做的事 不是只有聊天
ML 核心：不手写规则，靠数据学规律 从"编程"到"教"
DL 核心：多层神经网络自动挖特征 不用人手设计
GenAI：能生成新内容，不只做判断 ChatGPT/文生图
训练 vs 推理：刷题改错题 vs 上考场做题 训练贵、推理便宜
里程碑：1956 诞生 / 2012 AlexNet / 2017 Transformer / 2022 ChatGPT 记住年份
⑨ 应用输出：给朋友讲清"AI 到底是什么"
实战场景：朋友问"ChatGPT 到底算不算真的 AI？"
① 先画圈：AI 是最大的筐，ChatGPT 属于最里面那层"生成式 AI"，它是 AI 的一种最新形态。
② 再说怎么来的：它是用海量文字训练出来的大模型，本质是在"预测下一个最可能出现的词"，不是真的懂你说的话。
③ 客观说短板：它会幻觉、知识有截止日期、不会自己学习，所以重要信息一定要核对来源。
④ 给建议：把它当成一个"读了很多书但偶尔会记错的超级助手"，让它干活、你把关，效率最高。
口述全链路"AI 是让机器做智能事的大筐；机器学习是其中靠数据学规律的一支；深度学习是机器学习里用神经网络的一支；生成式 AI 又是深度学习里能创造新内容的最新方向。今天的 ChatGPT 就是生成式 AI 的代表，靠 Transformer 架构和海量数据训练出来。"
⑩ 分层练习 16 题（基础 6 + 中档 5 + 拔高 5）
▍基础 6 题
基础1AI 的中文全称是什么？
人工智能（Artificial Intelligence）。
基础2AI、ML、DL 哪个范围最大？
AI 最大，ML 和 DL 都是 AI 的子集。
基础3机器学习和传统编程最大的区别？
传统编程是人写规则；机器学习是给数据和答案让机器自己学规律。
基础4大模型和你聊天属于训练还是推理？
推理（Inference），模型已经训练完了，现在在做题。
基础5ChatGPT 是哪一类 AI 的代表？
生成式 AI（Generative AI），属于深度学习的最新分支。
基础6Transformer 架构是哪一年提出的？
2017 年，Google 论文《Attention Is All You Need》。
▍中档 5 题
中档7为什么说深度学习"自动挖特征"是个突破？
以前 ML 要人手设计"看耳朵形状""看花纹"这类特征；DL 用多层网络自己从像素中学出该看什么，省了大量人工。
中档8什么是模型的"参数"？
模型内部那一堆可调的数字（几十亿到上万亿个），训练就是在调整它们，让预测越来越准。类比大脑里的"旋钮"。
中档9AI 发展史上为什么会有"AI 寒冬"？
早期预期太高但算力、数据跟不上，实际成果达不到承诺，经费砍光、热度消退。历史上经历过两次。
中档10深蓝和今天的 ChatGPT 本质差别在哪？
深蓝靠暴力穷举棋步，只会下棋；ChatGPT 靠神经网络学语言规律，能跨领域生成文本。前者是专用系统，后者是通用模型。
中档11什么是 AI 的"幻觉"（Hallucination）？
模型生成看似合理但实际错误或编造的内容，因为它是在"预测下一个词"而非"查事实"。
▍拔高 5 题
拔高12为什么说"大模型训练完就冻结了"？和聊天机器人的记忆矛盾吗？
模型权重本身不变，你跟它聊天不会改它；所谓"记忆"是把对话历史塞进每次的输入（上下文），不是改模型。两者不矛盾。
拔高13生成式 AI 和判别式 AI 的根本区别？
判别式学"边界"（这是猫还是狗），输出类别；生成式学"分布"，能采样出新的样本（画一只没见过的猫）。前者做判断，后者做创造。
拔高14大模型为什么需要"海量数据 + 海量算力"？
参数动辄几千亿，要让这些参数收敛到好用的状态，必须用海量文本（万亿 token）反复训练，这就需要 GPU 集群和巨额电费。
拔高15AI 现在能下围棋赢冠军，为什么还做不好"帮我安排明天的三件事"？
围棋规则明确、有确定胜负信号；日常规划涉及常识、模糊目标、多约束，缺乏明确的对错反馈，AI 的训练信号不足。
拔高162022 年 ChatGPT 爆发的三要素是什么？
① Transformer 架构（2017）提供了技术底座；② GPU 集群算力跟上；③ RLHF（人类反馈强化学习）让模型学会说人话、对齐人类偏好。
⑪ 记忆口诀 + 7 天复习计划
三句口诀
① 四层关系：AI 最大，套 ML，套 DL，最里面是 GenAI。
② 训练是刷题，推理是考试；训练贵、推理便宜。
③ 记住四个年份：56 诞生、12 深度学习起飞、17 Transformer、22 ChatGPT。
| 天 | 任务 | 自检 |
|---|
| 第 1 天 | 读②③④，画四层包含关系图 | 说清谁包含谁 |
| 第 2 天 | 背知识点卡 + 基础 1-6 | 基础全对 |
| 第 3 天 | 读⑤时间线，做中档 7-11 | 能讲清演进 |
| 第 4 天 | 做拔高 12-16 | 区分训练/推理 |
| 第 5 天 | 做⑦真题 4 题 | 限时每题 2 分钟 |
| 第 6-7 天 | 合上书口述四层关系和三句口诀 | 不看资料全说对 |
📌 知识链路
前置知识（先学）
·
算法与AI总览：从这里进入整条"AI 基础入门"通关线。
本节位置
整条 AI 基础入门线的第 1 站：先搞懂"AI 是什么、训练 vs 推理"这两个最顶层概念，后面所有名词都挂在这根主干上。