例如，现代计算机视觉和自然语言处理几乎完全建立在机器学习的基础上。因此，这些分支之间的界限变得越来越模糊。之外，它还包含许多其他重要领域。人工智能的目标是让机器模拟人类的智能行为。希望这个清晰的梳理能帮助您更好地理解AI的知识体系！CNN, RNN, Transformer等。用符号和逻辑表示知识。让机器理解和生成语言。

深度学习与深度神经网络的关系。

工具的统一化深度神经网络已经成为解决感知类问题（视觉、语音、语言）和许多决策类问题的通用、强大工具。范式的转变：各领域的研究重点从“如何设计和表示知识/特征”转向了“如何设计网络结构和损失函数，以便让模型从数据中自己学习”。界限的模糊：正因为都使用深度学习作为底层工具，计算机视觉、自然语言处理、语音等领域正在快速融合，催生了多模态人工智能——即让AI能同时理解和生成图像、文本、语音等多种信息。在今

假设一个神经元有3个输入：x1x2x30.50.10.8x1​x2​x3​0.50.10.8其权重为：w1w2w30.4−0.20.6w1​w2​w3​0.4−0.20.6偏置为：b0.1b = 0.1b0.1激活函数使用 ReLU。加权求和z0.5∗0.40.1∗−0.20.8∗0.60.1z0.5∗0.40.1∗−0.20.8∗0.60.1计算z0.2。

大语言模型 = Transformer架构 + 海量互联网文本 + 千亿级参数 + 巨额算力最终产出：一个能够进行对话、翻译、写作、编程、推理的通用语言系统。

将原始文本变成词向量的过程，通常被称为。：当模型在完成它的主要任务（如预测下一个词、完形填空）时，它会通过。首先，我们需要将连续的文本切分成模型能够处理的基本单元（称为。这个过程经历了从简单到复杂，从“无知”到“有语义”的演进。分词后，我们会得到一个包含所有可能出现的基本单元的。大模型训练时原始的文本资料是如何变成词向量的？算法，不断地调整这个嵌入表格里的每一个数字。它是整个深度学习模型能够理解语

大模型词的分割是怎么定的？比如之前文章中的例子中，为什么把“人工智能”放一起，而不是分割为两个词“人工” 和“智能”？这个问题，它直接命中了自然语言处理中的一个关键挑战：分词。为什么是“人工智能”而不是“人工”和“智能”，这背后并没有一个唯一正确的“上帝法则”，而是不同方法和权衡下的结果。简单来说，分词策略的选择是在 “语义完整性” 和 “灵活性” 之间做权衡。让我们来拆解主流的几种分词方法，您就

权重矩阵：就像三个不同的**“提问模板”“索引制作规则”** 和“内容提炼指南”。模型通过阅读全世界的文本（训练），学会了这些模板、规则和指南应该长什么样。输入词向量X：就像是原始的文本材料。计算 Q, K, V：就是研究员根据他学会的“模板”和“规则”，针对眼前的“原始材料”，提出具体的问题、制作索引卡和提炼出内容卡片。注意力计算：就是研究员拿着他的问题，去翻阅所有的索引卡，找到最相关的几张，然

当我们输入一个问题时，模型并不是在一个巨大的数据库里“查找”答案，而是在“计算”出一个答案。它利用从训练数据中学到的“世界模型”，为你动态地、合乎逻辑地编织出一个回答。的，这意味着它一次只生成一个词，并且将新生成的词作为下一步的输入。在使用大模型时，当我输入一个问题时，它又是怎么找到答案的？输入序列变为 "法国的首都是?当你输入“法国的首都是？所以，当你向大模型提问时，你实际上是在。用户输入: "

你不是在创造一个全新的大脑，而是在用一个高度专业化的知识库去“精雕细琢”一个已经具备基本智力的模型，使其成为某个特定领域的专家。用一本书训练一个大模型，虽然在计算上可能不现实（除非你有超算中心），但从原理上，这个过程清晰地展示了现代大模型训练的完整流程。（称为“步”或“轮”），直到模型在书的内容上表现良好，损失值下降到可接受的水平。如果我手头现在有一本书，需要训练大模型读懂这本书，那么实际的训练操