一、前言

近期我完整学习了B站UP主《漫士沉思录》的AI系列教程，并结合个人理解整理了这套系统化人工智能学习笔记。在AI入门过程中，绝大多数新手都会陷入一个误区：跳过底层原理，直接上手大模型微调、模型部署、Prompt工程等实操内容，长期碎片化学习导致知识断层、概念混淆，只知代码用法，不懂智能本质。

为解决这一问题，本文将沿着人工智能本源思想→机器学习训练底层原理→经典神经网络架构迭代→传统语言模型演进→大模型逻辑→文生图/文生视频生成原理这条完整主线，层层拆解AI核心逻辑，帮助大家搭建完整、自洽的人工智能知识体系，彻底搞懂AI如何学习、如何推理、如何生成全新内容。

原版视频讲解体系完整、观点深刻，非常推荐大家前往B站观看学习。本文仅为个人学习梳理与笔记复盘，受个人学识限制，无法百分百还原UP主精准、深度的核心思想，仅作为个人学习记录与入门分享。

二、人工智能的本质与两大发展阶段

2.1 AI核心本质

人工智能在数学层面的底层本质，是构建一套参数可迭代优化的映射函数 f(x)=y：模型接收外部输入数据 x，依靠自身内部参数完成运算与特征转换，最终输出契合业务任务预期的结果 y。 行业内经典的智能化判定依据为图灵测试：在封闭人机交互场景中，若人类观测者无法区分对话对象是真人还是人工智能程序，则认为该模型在交互层面表现出等效人类的智能水平。

纵观发展历程，人工智能可以划分为两个完全不同的技术时代：

1. 专家规则系统（传统人工AI）

研发人员将行业经验、场景逻辑、判断规则逐条硬编码写入程序，实现“固定输入对应固定输出”的效果。该方案最大的弊端是无自主学习能力、无泛化能力，只能复刻已知场景的固定逻辑，面对未知场景无法自适应迭代，智能上限完全取决于编码人员的经验水平，不具备进化空间。

2. 机器学习范式（现代AI主流）

摒弃人工硬写规则的思路，通过搭建神经网络模型，投喂海量真实场景数据，依托优化算法让模型自主从数据中总结特征与规律。模型通过反向迭代持续修正内部参数，不断适配复杂场景，本质类似“训练生物学习技能”，通过海量样本试错收敛，最终达到最优任务效果，也是当前深度学习、大模型、AIGC的核心底层范式。

2.2 人脑与计算机的能力差异（深度学习诞生的核心动因）

人脑与计算机的核心能力天然对立、各有短板，这也是深度学习技术诞生的根本原因：

人类与生俱来擅长模糊感知、常识推理、抽象理解、歧义包容与创意联想。看图识物、听懂语音、理解自然语言这类感知任务，对人类而言无需刻意学习即可完成；但对传统计算机来说，这类任务维度高、语义模糊、无固定规则，实现难度极大。

反之，计算机极度擅长高精度数值迭代、海量重复运算、全局最优求解、无误差持久记忆，这恰恰是人类的短板，人类无法长期完成高强度、高精度的重复计算任务。

深度学习的核心价值，就是弥补计算机的感知短板：通过多层神经网络模拟人脑视觉、认知系统的分层特征提取机制，让计算机从原本只会“算数”的工具，拥有感知图像、语音、文本语义的能力。

三、机器学习底层：拟合、损失函数与梯度下降训练闭环

3.1 函数拟合与损失函数

机器学习训练的本质就是数据拟合。以多项式拟合为例，我们拥有一批离散的真实样本点，需要求解一组最优系数，构建拟合曲线，最大限度贴合数据分布规律，还原数据背后的潜在逻辑。

为了量化模型拟合效果，行业引入损失函数：用于精准计算模型预测值与真实标签之间的误差差距。损失数值越大，代表模型拟合偏差越大、学习效果越差；损失值越低，代表模型输出结果越贴近真实数据。

简言之，模型训练的唯一核心目标，就是持续迭代参数、最小化整体损失。

3.2 梯度下降 + 反向传播：神经网络的核心学习机制

深度学习能够自主学习，完全依赖「梯度下降 + 反向传播」的闭环训练机制，二者相辅相成，构成所有神经网络的优化核心。

梯度下降：损失函数可视为多维空间的误差曲面，梯度代表误差上升最快的方向。模型始终沿着梯度反方向小幅更新参数，逐步降低整体损失，是所有模型参数优化的基础策略，决定模型收敛的方向与速度。

反向传播：针对多层嵌套的神经网络，从输出端开始反向逐层求导，精准计算每一层权重、偏置参数对整体损失的贡献度，结合梯度下降算法完成全网络参数更新，让每一层网络都能参与学习迭代。

神经网络具备极强的拟合能力，能够精准适配训练集数据，但过度拟合会引发过拟合问题：模型不再学习通用规律，而是死记硬背训练样本，导致在陌生测试数据上表现极差、泛化能力孱弱。行业主流优化方案包含数据增强、正则化、Dropout、对抗样本训练等，用于缓解过拟合，提升模型通用能力。

四、神经网络架构迭代：从感知机到经典主流网络

4.1 网络起点：感知机（Perceptron）

感知机是深度学习最基础的人工神经元单元，可完成基础线性分类任务。通过搭配激活函数，为模型引入非线性变换，突破纯线性运算的局限。

但单一感知机存在致命短板：无法解决异或（XOR）非线性分割问题，证明单层网络表达能力存在硬性上限，无法处理复杂非线性任务，由此推动行业堆叠多层网络，开启深度学习迭代之路。

4.2 多层感知机 MLP（深度学习基础骨架）

多层感知机（全连接网络）通过堆叠多层感知机构建完整网络，依托多层非线性激活变换，彻底解决单层网络无法处理的线性不可分任务，是所有深度学习网络的基础骨架。

但MLP存在明显缺陷：全连接结构层间神经元全部互联，参数量极度冗余、计算成本极高，无法适配图像、等高维度数据，因此催生了专属视觉网络CNN。

4.3 卷积神经网络 CNN（计算机视觉基石）

CNN针对图像数据特性做了极致优化，依靠局部感受野+权值共享两大核心特性，大幅降低参数量。通过卷积核滑动扫描图像，自动分层提取视觉特征：浅层提取边缘、线条、纹理基础特征，中层组合局部轮廓，高层提炼全局语义与目标类别。

CNN是图像分类、目标检测、图像分割、图像生成等所有视觉任务的标配基础网络，后续衍生两大经典优化结构：

ResNet残差网络：引入跳跃直连分支，将浅层特征直接传导至深层，解决网络层数加深导致的梯度消失问题，支撑上百层超深度网络稳定训练。

DenseNet密集连接网络：每一层均与前文所有层级直接拼接连接，最大化复用前置特征信息，提升特征利用率与模型表达能力。

4.4 时序建模网络迭代：HMM→RNN→LSTM

自然语言、语音、时序传感数据具备极强的前后上下文依赖关系，无法用静态网络处理，行业依次迭代出三代时序建模方案：

HMM隐马尔可夫模型：传统统计学时序模型，依托状态转移概率、发射概率建模时序关联，早期广泛应用于语音识别、中文分词等场景，无端到端学习能力。

RNN循环神经网络：通过循环单元缓存上一时刻状态，实现时序上下文建模，适配串行数据。但长序列训练过程中极易出现梯度爆炸、梯度消失，无法捕捉远距离依赖关系。

LSTM长短时记忆网络：设计遗忘门、输入门、输出门三重门控结构，精准筛选、留存、丢弃时序信息，有效解决长序列梯度问题，稳定捕捉远距离上下文关联，在Transformer普及前，是NLP与语音任务的主流时序网络。

五、自然语言模型完整演进逻辑

5.1 语法不等于语义：传统NLP的天然缺陷

乔姆斯基曾提出经典例句：Colorless green ideas sleep furiously。该句子语法结构完整、成分划分清晰，但语义完全荒诞、无实际逻辑。

这一案例证明核心结论：符合语法规则，不代表具备语义理解能力。早期依靠人工语法规则的NLP方案，只能完成句式匹配，无法真正理解人类语言逻辑，存在天然上限。

5.2 传统语言模型与Token机制

n-gram统计语言模型：依托海量文本统计前文n个词语的共现概率，基于统计规律预测下一个词，仅能捕捉浅层表层关联，完全不具备深层语义理解与推理能力。

Token化：是大模型文本预处理的核心步骤，将连续的自然语言切分为模型可识别的最小计算单元，适配不同语种、专业词汇，是所有大模型输入前的标准处理流程。

5.3 现代大模型核心范式：自回归Token预测

以ChatGPT为代表的大语言模型，核心底层逻辑为自回归语言建模：基于已知上文内容，计算所有候选Token的概率分布，择优预测下一个最高概率Token，逐词迭代生成完整文本。

依托Transformer架构、海量互联网语料与超大参数量，模型在海量文本中自动学习人类语言语法、常识知识、逻辑推理与表达习惯。同时大模型具备极强的上下文跟随能力，可通过提示工程、微调等手段，进一步对齐人类需求与对话逻辑。

六、AIGC生成逻辑：AI如何实现文生图、文生视频？

结合前文所有底层逻辑，可完整串联AIGC生成模型的核心原理，当前文生图、文生视频的工业级主流底座为扩散模型（Diffusion Model）+高斯分布。

训练阶段：向清晰真实图像持续叠加高斯噪声，逐步破坏原图信息，让模型持续学习「纯噪声还原清晰图像」的逆向去噪逻辑。

推理生成阶段：以随机高斯噪声为初始素材，将用户输入的文本提示词编码为语义向量，用文本语义约束扩散模型的去噪方向，通过多轮迭代去除无效噪声，最终生成贴合文本描述的高质量图像。

文生视频则是在图像扩散模型的基础上，增加时序约束条件，控制每一帧图像的变化逻辑，保证帧间画面连贯、动作平滑，最终生成连续视频内容。其中高斯分布的均值与方差，是控制噪声特征、支撑扩散模型训练的核心数学基础。

七、总结

人工智能并非神秘的“智能魔法”，其本质是数学建模 + 数据驱动的最优拟合过程。从最基础的曲线拟合、损失优化，到神经网络分层特征提取，再到大模型的语义学习、扩散模型的视觉生成，所有AI能力都统一于一套“数据输入-特征学习-参数迭代-最优输出”的训练逻辑。

吃透这条从底层数学原理、网络架构迭代到大模型与AIGC的完整技术链路，能够彻底摆脱新手“只会调用API、不懂核心原理”的困境，真正建立系统化、可延伸的人工智能认知体系。

笔记说明

本文所有内容，均基于B站UP主「漫士沉思录」AI系列视频学习整理优化，将碎片化的学习笔记重构为结构化、体系化的入门知识，适合AI零基础、入门阶段开发者搭建整体认知框架。