2026.1.20总结

了解大数据基础

AI 发展历程与核心技术演进

一、AI 总体发展历程

阶段	时间	核心技术	主要特点
早期 AI（符号主义）	1950s–1980s	规则系统、专家系统	人工编写规则，逻辑推理能力强，通用性差
统计机器学习	1980s–2010s	SVM、KNN、决策树、朴素贝叶斯	模型从数据中学习，泛化能力更强
深度学习崛起	2012–至今	CNN、RNN、Transformer	端到端学习，自动提取特征，在图像、语音、NLP领域取得突破
大模型时代	2020–至今	GPT、BERT、Diffusion、多模态模型	预训练+微调范式，通用智能趋势明显

---

二、从机器学习到深度学习

1. 机器学习（Machine Learning）

定义：从数据中学习模型的技术

典型流程：

 人工提取特征（特征工程）

 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

主要模型：

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

对复杂结构数据（图像、语音、语言）学习能力差

2. 深度学习（Deep Learning）

核心：以神经网络为核心的学习方式，能自动从原始数据中提取特征

技术转折点：2012年AlexNet赢得ImageNet比赛，误差骤降，深度学习进入主流

关键技术：利用GPU、大数据训练多层神经网络

模型演进：CNN → RNN → LSTM → Transformer

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

规模越大，性能越强（规模化效应）

3. 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

---

三、从深度学习到大模型

1. 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能力
模型小、单一	参数百万级，能力受限

2. 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）参数
训练方式	监督学习	自监督 + 大数据预训练
模型能力	专用模型	通用模型（多任务、多模态）

3. 大模型的核心特点

特点	描述
通用性强	一个模型可应对NLP多个任务，甚至图像、语音等多模态任务
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	模型越大性能越强（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）

4. 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

---

四、AGI（人工通用智能）

1. 什么是AGI

定义：能像人类一样完成任意智能任务，具有跨任务迁移、推理与学习能力

核心特征：

持续学习、自我反思

具备动机与规划能力

能通用地理解世界和解决问题

2. 大模型与AGI的关系

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	有元认知能力

3. 大模型是AGI的演进阶段

演进路径：

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

AGI实现路径：大模型 + Agent架构 + 工具能力 + 记忆系统

---

五、AIGC（AI生成内容）

1. AIGC定义

全称：AI-Generated Content（人工智能生成内容）

含义：通过生成式AI自动生产文本、图像、音频、视频、代码等数字内容

定位：内容创作方式的范式变革

2. AIGC的典型应用

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、壁画、设计图	DALL·E, Midjourney, Stable Diffusion
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, 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

3. AIGC的技术基础

技术层	代表技术
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

4. AIGC与大模型、AGI的关系

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

5. 三者关系比喻

大模型 = "发动机"（提供核心能力）

AIGC = "发动机驱动下的应用（车）"（具体应用场景）

AGI = "驾驶员"（能理解上下文、做出决策、灵活运用工具）