索引（Index）是数据库中一种特殊的数据结构，类似于书籍的目录。它通过建立特定列（或列组合）的快速访问路径，帮助数据库系统高效定位数据，避免全表扫描。

它通过保存数据在不同时间点的多个版本，让不同事务在同一时刻可以看到不同版本的数据，以此来减少锁竞争，提高数据库的并发性能，同时保证事务的隔离性。在不同的事务隔离级别下，InnoDB根据事务的开始时间和记录的隐藏列信息来判断哪些版本的数据对当前事务是可见的。事务会对读取的数据加共享锁，对写入的数据加排他锁，事务之间是串行执行的，避免了所有并发问题，但会导致并发性能极低。事务可以读取到其他事务未提交的

大模型优化技术主要包括量化、蒸馏、剪枝和微调。量化通过降低参数精度（如32位→8位）提升效率；蒸馏将大模型知识迁移到小模型；剪枝移除冗余参数实现轻量化；微调技术（如Adapter、LoRA）则高效适配下游任务。这些技术的本质分别是精度-效率权衡、知识迁移、模型稀疏化和任务适配，共同解决大模型资源消耗高、部署难的问题。

手工设计特征（胡须长度、眼睛形状等）：从数据中学习规律，而不是被显式编程。：由“神经元”连接而成的计算模型。：深度学习 ≈ 人工智能代名词。：神经网络第一次热潮。

当初我学机器学习，一看到这些复杂的表格和术语就头疼。直到有一天，我意识到，这三种学习范式其实就像我们人类不同的学习方式，我才恍然大悟。现在，我希望以这段心路历程，带你用全新的视角理解它们。想象你被丢进一个完全陌生的市场，没有任何商品标签。你正在用什么范式面对你的知识、你的工作、你的人生困境呢？这个问题的答案，或许比任何算法选择都更有价值。所以，理解这三大范式，不仅仅是记住一张表格。它是在理解机器如

选向量数据库就像——没有“最好”的车，只有“最适合你”的车。要看预算、用途、驾驶技术、维护成本……

本文系统梳理了人工智能领域的关键概念及其层级关系。人工智能（AI）是总括概念，机器学习（ML）是其子集，通过数据自动学习；深度学习（DL）作为ML的分支，采用神经网络；基础模型（FM）是在海量数据上预训练的大模型；大语言模型（LLM）是FM的一种，专注自然语言处理，GPT是其代表架构；生成式AI（Generative AI）则涵盖跨模态内容生成，包括文本、图像、音频和视频。这些概念呈现清晰的树状层

手工设计特征（胡须长度、眼睛形状等）：从数据中学习规律，而不是被显式编程。：由“神经元”连接而成的计算模型。：深度学习 ≈ 人工智能代名词。：神经网络第一次热潮。

人工智能（AI）的发展经历了多个阶段，从早期的符号推理到现代的深度学习和大模型。：大数据 + GPU 计算 + 深度学习，AI 进入实用化阶段。AI 的发展仍在加速，未来十年可能迎来更颠覆性的变革。：基于规则和专家系统，但受限于计算能力和知识表示。：计算能力不足、数据匮乏，AI 研究资金减少。：以逻辑推理为主，依赖数学和符号计算。

RNN是一种强大的序列建模工具，适合处理各种时间序列和自然语言数据。然而，传统RNN在处理长序列时存在梯度消失问题，随着LSTM和GRU等改进模型的引入，RNN的性能得到了极大提升。无论是在自然语言处理、语音识别，还是时间序列分析等领域，RNN都发挥了重要作用。