AI 的总体发展历程

阶段	时间	核心技术	特点
早期 AI（符号主义）	1950s–1980s	规则系统、专家系统	人工编规则，推理逻辑强，通用性差
统计机器学习	1980s–2010s	SVM、KNN、决策树、Naive Bayes	模型从数据中学习，泛化更强
深度学习崛起	2012–至今	CNN、RNN、Transformer	端到端、自动提特征，突破图像/语音/NLP
大模型时代	2020–至今	GPT、BERT、Diffusion、多模态	预训练+微调，通用智能趋势

---

从机器学习到深度学习

---

机器学习（Machine Learning）

机器学习是从数据中学习模型的技术。典型流程：

• 人工提取特征（Feature Engineering）
• 输入特征给模型（如 SVM、逻辑回归、随机森林）
• 模型学习输入与输出的映射关系

示例模型：

• 监督学习：KNN、SVM、决策树、随机森林
• 无监督学习：K-Means、PCA
• 强化学习：Q-Learning

局限：

• 需要手工设计特征（如图像的边缘、颜色直方图）
• 对复杂结构数据（图像、语音、语言）学习能力差

---

深度学习（Deep Learning）

深度学习是以神经网络为核心的学习方式，它能够自动从原始数据中提取特征。

技术转折点：

• 2012 年 AlexNet 赢得 ImageNet 图像识别比赛，误差骤降，深度学习进入主流
• 利用 GPU、大数据训练多层神经网络
• 后续演变出 CNN、RNN、LSTM、Transformer 等模型

核心优势：

• 不再依赖人工特征设计
• 能直接处理图像、语音、文本等原始数据
• 越大越强，规模化带来性能跃迁

机器学习与深度学习对比

项目	机器学习（ML）	深度学习（DL）
特征提取	人工提取	自动学习
模型复杂度	中等	极高（百万~十亿参数）
数据需求	相对较少	需要大规模数据
硬件依赖	低	高（依赖 GPU/TPU）
应用范围	结构化数据	图像、语音、NLP 等非结构化数据

---

从深度学习到大模型

---

深度学习瓶颈

问题	描述
任务特定	模型只能解决一个任务，迁移性弱
监督学习依赖强	训练需要大量标注数据
推理能力差	缺乏常识和复杂推理
模型小、单一	模型参数百万级，能力受限

---

大模型时代的三大转变

项目	深度学习时代	大模型时代
模型规模	百万到千万参数	数十亿到数千亿（甚至万亿）
训练方式	监督学习	自监督 + 大数据预训练
模型能力	专用	通用（多任务、多模态）

---

大模型的核心特点

特点	描述
通用性强	一个模型可以应对 NLP 多个任务，甚至图像、语音等模态
Few-shot / Zero-shot 能力	无需训练或仅需少量样本就能解决新任务
可拓展性	模型越大越强，性能近似线性增长（Scaling Laws）
多模态能力	支持文本、图像、音频、视频等输入输出（GPT-4o、Gemini）
工具化能力	能调用外部工具（如搜索、计算器、API）

---

大模型引发的变革

AI 2.0（深度学习）	AI 3.0（大模型）
训练任务特定模型	训练通用基础模型
依赖标签	使用自监督数据
小模型拼接多系统	单一大模型解决多任务
专家调参	自动对齐、人类反馈训练

---

AGI

什么是 AGI

AGI（Artificial General Intelligence，人工通用智能） 指的是一种：

• 能像人类一样完成任意智能任务；
• 能进行跨任务迁移、推理与学习；
• 具有持续学习、自我反思、动机与规划能力 的智能系统。

简单说：AGI ≠ 只能对话/写代码/生成图像，而是能像人一样通用地理解世界和解决问题。

---

大模型与 AGI 的关系图谱

方面	大模型（LLMs）	AGI
通用性	高，跨任务能力强	极高，任意任务都能适应
推理能力	有限（依赖上下文）	强，能自主构建知识链
学习能力	静态模型，需微调	持续学习，自适应变化
记忆能力	上下文窗口临时记忆	长期记忆 + 知识持久化
意图/动机	无真正意图	有目标、有自我决策能力
工具能力	通过函数调用拓展	工具内化、灵活使用
自我反思	无	有元认知（知道自己知道什么）

大模型是AGI的阶段

我们可以用一个“进化图”来表示：

人工智能 → 机器学习 → 深度学习 → 大模型 → 智能体（Agent）→ AGI

• 大模型是“逼近 AGI”过程中的基础能力载体
• 如果说 AGI 是目标，那么 大模型 + Agent 架构 + 工具能力 + 记忆系统 是通往它的路径

---

AIGC

AIGC 是什么

AIGC（AI-Generated Content），即 “人工智能生成内容”，指的是通过 AI（尤其是生成式模型）自动生产文本、图像、音频、视频、代码等数字内容 的过程。

• AIGC = AI Generated Content
• 属于 内容创作方式的一种范式变革
• 相对传统内容（人创作）与 PGC（专业内容）/UGC（用户内容）

---

AIGC 的典型内容类型

类型	示例	常用模型
文本生成	写文章、写诗、摘要、对话	GPT-4, Claude, GLM
图像生成	插画、头像、壁纸、设计图	DALL·E, Midjourney, SD
音频生成	背景音乐、配音、拟人声音	MusicLM, TTS 模型
视频生成	动态广告、数字人、短片	Sora (OpenAI), Runway
代码生成	自动补全、脚本生成	Copilot, CodeWhisperer
3D生成	模型、数字资产	DreamFusion, GET3D

---

AIGC 背后的技术基础

技术层	代表
模型架构	Transformer, Diffusion Model
训练范式	自监督预训练、RLHF、人类对齐
多模态融合	文本 + 图像、语音 + 视频
工具链	Prompt 编写、API调用、模型微调
基础设施	GPU、TPU、vLLM、LoRA、推理加速器

---

AIGC 与大模型、AGI 的区别和联系

概念	定义	关系
AIGC	AI 生成的内容	是大模型的 直接应用产物
大模型	基础语言/图像模型	为 AIGC 提供核心能力（如 GPT）
AGI	通用人工智能	AIGC 是它可掌握的“技能”之一，但远非全部

---

比喻理解：

• 大模型是“发动机”
• AIGC是“发动机驱动下的应用（车）”
• AGI是“驾驶员”——能开车、会换挡、能理解上下文目的地