AI SYSTEMATIC ENCYCLOPEDIA · 1943-2026

AI 前世今生

从思想源流、数学基础和模型训练,一直讲到产品、平台、行业、治理与职业。

以十章串起 AI 的历史、原理、技术、产品、行业与社会影响。深度词条连接机制、应用场景与原始来源,知识地图标明各领域的覆盖深度。

Course Architecture

十章目录:从起源到职业

AI 不是某个聊天机器人,也不是模型参数竞赛。完整系统由理论、数据、算力、模型、训练、产品、安全、组织与社会共同组成。

01

历史与三条思想主线 →

符号主义、连接主义、统计学习如何竞争、融合并推动产业。

学完能:按阶段讲清 AI 为什么兴起、遇冷和再次爆发。

02

基础原理与模型分类 →

从 Supervised Learning(监督学习)到 Self-supervised Learning(自监督学习),从 Neural Network(神经网络)到 Transformer 与 Diffusion Model(扩散模型)。

学完能:解释主流模型解决什么问题、为什么有效。

03

LLM 技术全链路 →

Data(数据)、Pre-training(预训练)、Post-training(后训练)、Evaluation(评测)、Inference(推理)、RAG、Tool Calling(工具调用)和 AI Agent(智能体)。

学完能:看懂模型发布、技术文章和常见架构图。

04

AI 产品从 0 到 1 →

场景选择、PRD、原型、模型选择、评测、上线、成本与监控。

学完能:设计一个有指标、有边界、能落地的 AI 产品。

05

主流平台案例 →

OpenAI、Anthropic、Google、Meta、DeepSeek、Qwen 与多模态生态。

学完能:从路线、产品和商业模式比较平台,而非只看榜单。

06

行业应用案例 →

金融、医疗、法律、教育、制造、零售、研发、营销等真实流程。

学完能:判断哪些任务适合 AI,哪些必须人工把关。

07

术语与阅读能力 →

把数学、模型、训练、工程、产品、安全和岗位术语串成体系。

学完能:阅读 AI 新闻、产品文档和方案时不再被名词淹没。

08

趋势、组织与人文 →

模型商品化、AI Agent(智能体)、On-device AI(端侧 AI)、劳动力变化、教育和认知影响。

学完能:区分已发生的结构变化和仍有争议的预测。

09

Safety、Compliance 与 Governance →

Hallucination(幻觉)、Bias(偏见)、Privacy(隐私)、Prompt Injection(提示注入)、权限、Red Teaming(红队测试)、审计和责任机制。

学完能:为不同风险等级设计对应控制措施。

10

岗位与职业规划 →

产品、应用、模型、数据、安全、设计六条路线和作品集方法。

学完能:把自己的背景映射成明确岗位和可证明的能力。

先框架,后热点

先用任务、数据、模型、评测、产品和治理六个维度组织信息,再看每日新闻。

用产品倒推技术

从一个可见功能出发,倒推模型、上下文、检索、工具、权限和成本。

能力与限制并看

任何模型能力都要同时问:在哪些数据、评测和条件下成立,失败代价是什么。

用作品验证学习

真正掌握不是记住术语,而是能解释、比较、评测并做出一个可运行的小系统。

Chapter 01 · History

AI 的前世今生:不是直线,而是周期

阅读专题长文

每次热潮都由思想突破、算力、数据和商业需求共同推动;每次降温都来自承诺超过能力、成本或可靠性。

开篇故事 两把黑伞,哪把是我的?

虚构示例 失物招领处原先按颜色和伞柄形状找伞。直到下雨那天,柜台收来了十几把黑色直柄伞。小周拿出旧照片,电脑把有相似划痕的两把排在最前。管理员却没马上交伞,而是请他描述伞带内侧的记号。

读故事背后的原理 →

符号主义

把智能理解为逻辑、规则和知识操作。优势是清晰可解释,短板是开放世界规则难以穷举。

逻辑专家系统知识图谱

连接主义

把智能理解为神经元连接权重的学习。数据和算力增长后,深度学习成为主导路线。

神经网络反向传播深度学习

统计与概率路线

把学习视为从数据估计规律和不确定性,支撑搜索、推荐、语音、风控与现代机器学习。

贝叶斯SVM概率模型
同一任务的三种比喻:轮廓模板、分类样本、通用表示再适配。
图解 · 教学示意

认出一把钥匙,有三条路线

规则
由人规定要检查哪些轮廓。换个角度,旧规则可能失效。
从样本学习
提供带标签的样本,让模型从差异中学习分类。
预训练再适配
先从广泛数据学习表示,再用于钥匙识别。三种路线今天仍可并用。
比较不同学习信号 →
1943

人工神经元的数学模型

McCulloch 与 Pitts 用简化神经元描述逻辑计算,连接主义的思想种子出现。

留下的主线:复杂智能能否由大量简单单元连接产生?

1950

图灵提出“机器能思考吗”

图灵把抽象哲学问题转成可观察的对话行为测试,并讨论学习机器的可能性。

留下的主线:我们到底用行为、能力、意识还是社会影响定义智能?

1956

达特茅斯会议与 AI 命名

“Artificial Intelligence”成为研究旗帜。早期研究者乐观地相信,推理与学习可以被精确描述并由机器模拟。

产业规律:统一名称能聚集人才和资金,也容易放大短期预期。

1957-1969

感知机、搜索与早期语言系统

感知机、逻辑理论机、通用问题求解器、ELIZA 与早期机器人相继出现。

现实约束:演示环境简单,真实世界的组合爆炸、常识和歧义远超预期。

1970-1979

第一次 AI 寒冬

机器翻译和通用推理未兑现宏大承诺,资金收缩;神经网络也因理论与算力限制降温。

寒冬原因:能力不可泛化、硬件不足、数据稀缺、评测与承诺脱节。

1980-1987

专家系统商业化

企业把专家经验编码为 if-then 规则,用于诊断、配置和金融决策,AI 首次形成规模化商业价值。

成功边界:规则稳定、范围明确、专家知识可表达的任务最适合。

1987-1993

第二次 AI 寒冬

知识获取和维护成本过高,专用硬件市场衰退,专家系统难以应对开放变化。

范式转折:行业逐渐从“人写规则”转向“机器从数据学习”。

1990-2005

统计机器学习成为产业底座

支持向量机、贝叶斯网络、HMM、决策树和集成学习支撑搜索、广告、推荐、语音和风控。1997 年 Deep Blue 战胜卡斯帕罗夫。

关键变化:互联网带来数据,问题被拆成可测量的预测任务。

2006-2011

深度学习重新积累

更好的初始化、训练方法、数据集、GPU 和开源软件逐渐成熟,神经网络从边缘回到主流。

重要启示:技术突破往往是多年工程条件累积后的临界点。

2012

AlexNet 引爆视觉革命

深层卷积网络结合 GPU 与 ImageNet 大幅提升图像分类效果,产业开始全面采用深度学习。

成功公式:算法 + 大数据 + 通用算力 + 标准评测。

2014-2016

生成、语音、翻译与 AlphaGo

GAN、序列到序列、注意力机制快速发展。2016 年 AlphaGo 展示深度网络、搜索与强化学习的组合力量。

组合创新:重大系统往往不是单一算法,而是多个技术模块协同。

2017-2019

Transformer 与 Pre-training(预训练)范式

Transformer 提升并行训练和长距离建模效率;BERT、GPT、T5 等证明先大规模 Pre-training,再适配任务的价值。

范式变化:从“一任务一模型”转向“一个 Foundation Model(基础模型)服务多任务”。

2020-2021

Scaling、LLM 与 Multimodal AI

模型、数据与计算规模继续增长,Few-shot(少样本)能力、代码生成、文本到图像和 Foundation Model(基础模型)概念进入主流。

新问题:能力增长同时放大成本、Bias(偏见)、版权、安全与集中化风险。

2022-2024

Generative AI(生成式人工智能)大众化

对话式产品把 LLM(大语言模型)变成大众界面;Multimodal AI、RAG、Tool Calling 与企业助手快速进入真实 Workflow(工作流)。

产品突破:自然语言成为软件的新入口,但可靠性仍需工程系统兜底。

2025-2026

Reasoning、AI Agent 与企业工程

竞争从“会生成”扩展到长任务、Tool Use(工具使用)、软件开发、多模态行动和企业集成。头部模型能力趋于密集,成本、可靠性、领域数据和 Governance(治理)成为差异点。

当前主战场:Context Engineering(上下文工程)、Evaluation(评测)、权限、Tool Orchestration(工具编排)、Observability(可观测性)与组织流程。

Chapter 02 · Foundations

从 AI 到大模型:概念之间是什么关系

阅读专题长文

最常见的认知混乱,是把 AI、Machine Learning(机器学习)、Deep Learning(深度学习)、Generative AI(生成式人工智能)与 LLM(大语言模型)当成同义词。它们其实是不同层级与不同用途的集合。

开篇故事 下雨那天,面包剩了一架

虚构示例 阿禾用过去四周的账本预测明早该烤多少面包。她把几天的记录单独留出来核对,预测都很接近。可到了周一傍晚,架上还剩一层。她翻回账本才发现:拿来学习和核对的那些天,竟然都是晴天。

读故事背后的原理 →
AI(人工智能)

最大集合:任何让机器完成感知、推理、学习、生成、规划或决策的系统。既包括规则系统,也包括 Machine Learning。

Machine Learning / ML(机器学习)

AI 的重要子集:模型从数据中学习规律。核心类型包括 Supervised Learning、Unsupervised Learning、Self-supervised Learning 和 Reinforcement Learning。

Deep Learning / DL(深度学习)

Machine Learning 的子集:使用多层 Neural Network(神经网络)学习表示。CNN、RNN、Transformer、Diffusion Model 都在这条线上。

Foundation Model(基础模型)

训练与迁移维度:在广泛数据上训练,可适配多类下游任务的模型。它不必以生成内容为目标;基础模型的范围与 LLM 不能画等号。

Generative AI(生成式 AI)

任务维度:生成文本、图像、音频等内容,不是 AI → ML → DL 之后必然出现的下一层。DDPM 与自回归语言模型是不同的生成路线。

Multimodal Model(多模态模型)

输入输出维度:涉及不止一种模态,可以做理解、检索或生成。比如 CLIP 连接图像和文本表示,但本身不是文生图生成器。一个模型可以同时属于多个维度。

容易混淆的三个区别

Inference / Reasoning
运行模型 / 多步推理能力
Inference 是运行已训练模型得到输出的过程;Reasoning 是解决多步问题的能力或行为。两者常被译为“推理”,但普通分类也有 Inference。推理时计算的研究
RAG / Fine-tuning
补充证据 / 更新参数
RAG 在回答链路中检索外部信息;Fine-tuning 用训练数据调整模型参数。它们可以组合使用,不能简单理解为“知识库大小不同”。报销证据链图解 · RAG 论文 · LoRA 论文
Benchmark / Metric
测什么 / 如何计分
Benchmark 包含任务、数据和评测协议;Metric 是计分方式。同一榜单也要确认版本、工具与预算,不能把一个分数当成全部能力。读懂 98% 准确率 · 真实代码任务 · 跨语言计分问题

Learning

模型到底在“学”什么

训练不是把书原封不动塞进数据库,而是调整参数,使模型能根据输入预测目标。它会学到语言模式、概念关系和部分可迁移能力,也可能记住具体片段。

Generation

模型到底如何“写”答案

语言模型先用 Tokenizer(词元切分器)把输入切成 Token(词元),根据 Context(上下文)计算下一个 Token 的概率,再逐步生成。复杂能力来自大规模 Training、模型架构、Post-training 和 Inference-time Compute(推理时计算)的共同作用。

Understanding

模型是否真的“理解”

“理解”取决于定义。模型能完成许多需要语义和推理的任务,但它的机制、经验和人类意识不同。产品判断应落到可观测能力与失败边界。

Model Families

不同模型,解决不同问题

不要问“哪个模型最好”,要问“任务是什么、数据是什么、风险和成本是什么”。

模型家族主要输入/输出典型任务优势主要限制
Traditional ML(传统机器学习)结构化特征 → 类别/数值风控、流失预测、销量预测成本低、可解释、适合表格数据依赖 Feature Engineering(特征工程),通用生成能力弱
CNN / 视觉模型图像/视频 → 标签/区域质检、医学影像、目标检测视觉任务成熟、部署选择多跨任务迁移和开放问答有限
LLM(大语言模型)文本/代码 → 文本/结构写作、问答、代码、分析通用、自然语言交互、Few-shotHallucination、成本、知识与权限边界
Multimodal Model(多模态模型)文图音视频 → 多种输出文档解析、看图问答、实时助手接近真实世界的信息形态Evaluation 复杂,细节识别可能不稳
Diffusion / Media Generation(扩散与媒体生成)文本/图像 → 图像/视频/音频设计、广告、影视、素材生成质量高、风格与编辑能力强一致性、版权、身份与真实性风险
RL & World Model(强化学习与世界模型)状态/行动 → 策略机器人、游戏、控制、规划能优化长期目标并与环境互动Reward Design、样本效率与安全难

Chapter 03 · Technology

大模型是怎样被做出来的

阅读专题长文

一个成熟 AI 系统并不是“模型 + 聊天框”。从数据授权到线上监控,每层都可能决定产品成败。

开篇故事 一张少盐的点菜单,会改写菜谱吗?

虚构示例 学徒练汤时,师傅每次尝完都让他调整用盐量。开店后,三号桌递来一张纸条:今天这碗少放盐。他照做了。第二天三号桌又来,却没带纸条。师傅问:你昨天是收到了一份订单,还是从此改了全店的配方?

读故事背后的原理 →
上图用样本调节机器旋钮,下图锁住旋钮处理新样本。
图解 · 教学示意

同一个模型,两种工作状态

Training · 训练
用样本计算误差,再更新参数。图中的旋钮代表模型参数。
Inference · 推理
参数保持不变,换一个输入就能得到新的输出。一次普通问答不是一次训练。
读 Inference 词条 →
1. 目标与评测
先定义模型要提升哪些能力、如何测量、什么风险不能接受。
任务集、基线、成功标准
2. 数据工程
收集授权数据,去重、清洗、分类、过滤,并建立数据来源与质量追踪。
文本、代码、图像、音频、偏好
3. Tokenization & Representation(词元化与表示)
把原始输入转成模型可计算的 Token、Vector(向量)或图像块。
Tokenizer、Embedding
4. 模型架构
选择 Transformer、MoE、多模态编码器、扩散或其他结构,决定容量和计算方式。
Attention、MoE、VLM
5. Pre-training(预训练)
在大规模数据上进行 Self-supervised Learning,获得通用语言、知识和表示能力。
Distributed Training、GPU/加速器
6. Post-training & Alignment(后训练与对齐)
通过 SFT、Preference Optimization、RL 和 Safety Training,把 Foundation Model 变成可用助手。
SFT、RLHF、DPO、RLVR
7. Safety & Evaluation(安全与系统评测)
测试事实、代码、Reasoning、多模态、Bias、Jailbreak、网络安全与高风险能力。
Red Teaming、System Card、Regression Set
8. Inference & Deployment(推理与部署)
通过 Quantization、Cache、Parallelism、Batching 和 Model Routing 降低 Latency 与成本。
Model Serving、KV Cache、Routing
9. Product & Governance(产品与治理)
把模型接入 Retrieval、Tools、权限、界面、Logging、HITL 和 Incident Response。
RAG、AI Agent、HITL、Audit

Inference Journey

一次问题到一次回答,中间发生了什么

点击步骤查看实际产品判断。最危险的误解,是把模型生成结果直接当成系统执行结果。

1. 接收输入

应用先接收用户文本、图片、文件或语音,并识别任务类型。

实践判断:例:用户上传合同并要求找出付款、违约和自动续约条款。

Pre-training(预训练)解决“会不会”

让模型获得语言、知识、模式和一定通用能力。成本高、周期长,通常由 Foundation Model 公司完成。

Post-training(后训练)解决“好不好用”

让模型理解 Instruction、Preference、Safety Policy、Tool Schema 与复杂 Reasoning 任务。

产品工程解决“能不能负责”

用证据、权限、评测、监控、人工复核和失败恢复把概率模型变成业务系统。

Chapter 04 · Product Engineering

从 0 到 1 做一个 AI 产品

阅读专题长文
图解:谁有权执行退款?

以下链路适用于知识助手、客服、分析、内容、代码、销售和内部自动化。每一步都应有明确产物。

开篇故事 客服说改好了,快递为什么还去了旧址?

虚构示例 顾客要求改收件地址。助手回复“改好了”,仓库却照旧发货。店长一查:助手读懂了新地址,但包裹已出库,订单系统拒绝修改。第二版把成功提示放到回执之后;同样的请求,这次顾客看到的是“未改成,包裹已出库”。

读故事背后的原理 →

选择高价值任务

判断:频率高、耗时长、输入输出数字化、可验证、错误可恢复。
产物:任务地图与机会评分。

定义用户与痛点

判断:谁在什么时刻遇到什么问题,现在如何完成。
产物:用户旅程与现状基线。

定义成功与禁区

判断:质量、时长、成本、采纳率和不可接受风险。
产物:指标树与风险等级。

设计人机分工

判断:AI 建议、AI 执行还是人最终确认;异常由谁接管。
产物:工作流和权限图。

准备数据与知识

判断:来源、授权、时效、格式、权限、缺口与更新责任。
产物:数据清单和知识治理方案。

选择模型与架构

判断:效果、速度、成本、上下文、多模态、私有化与供应商风险。
产物:模型短名单与架构图。

建立评测集

判断:覆盖常见、困难、边界和攻击场景,并定义评分者。
产物:黄金集与评测基线。

做最小可用原型

判断:先验证最危险假设,不提前堆功能。
产物:可运行 Demo 与失败样本。

加检索、工具与护栏

判断:哪里需要实时事实、真实操作、结构约束和人工确认。
产物:RAG/Agent 流程。

灰度上线

判断:小流量、可回滚、可降级,关键操作需要确认。
产物:发布计划与应急预案。

监控质量与成本

判断:任务成功、错误类型、延迟、token、人工接管和投诉。
产物:运营看板与告警。

迭代与治理

判断:把真实失败加入评测集,记录模型和提示版本。
产物:回归机制与责任制度。

Decision Framework

何时用 Prompt、RAG、Fine-tuning 或 AI Agent

它们不是互斥选项,而是解决不同问题的工具。先从成本最低、最可控的方案开始。

问题优先方案何时适合不解决什么
任务说明不清、格式不稳Prompt + 示例 + 结构化输出知识已在模型或输入中不会自动补充私有或实时知识
需要企业资料、最新事实和引用RAG知识频繁变化、可检索、需溯源无法保证检索到的资料本身正确
需要稳定风格、领域行为或小模型适配Fine-tuning(微调)有高质量数据和持续 Evaluation不适合频繁更新事实知识
需要执行多步任务和调用系统Workflow / AI Agent(工作流 / 智能体)步骤可观察、工具可控、失败可恢复不会天然获得安全权限和可靠计划
高风险且结果不可逆规则 + AI 建议 + 人工确认医疗、法律、金融、生产控制等不能用“模型更强”替代责任机制

产品指标

任务成功率、首次解决率、采纳率、完成时长、人工接管率、复用率、投诉率。

模型指标

正确性、有据性、指令遵循、工具调用准确率、安全通过率、延迟与稳定性。

商业指标

每任务成本、节省工时、转化提升、风险损失、维护成本和供应商切换成本。

Chapter 05 · Platform Cases

主流平台不是同一种公司

阅读专题长文

比较平台要看研究路线、产品入口、开发生态、部署方式和商业位置。模型榜单只是其中一层。

开篇故事 两家印刷店,同一份校样

虚构示例 出版社要重印一本乐谱。甲店的封面颜色最漂亮,乙店却先指出谱页里有一条极细的休止线。编辑没用两家的样册投票,而是把同一组难印的谱页交给两家,连同交期和返工办法一起比较。

读故事背后的原理 →

Case 01

OpenAI:模型、产品与开发平台一体化

OpenAI 的代表性不只来自模型能力,还来自 ChatGPT 把自然语言变成大众产品入口,并通过 API、工具、语音、视觉、代码与智能体把模型扩展成平台。

公开边界:具体训练数据与内部系统未完全公开阅读全链路案例
底座大规模 Transformer、多模态与推理模型家族,结合预训练和后训练。
对齐指令数据、人类偏好、安全训练与持续评测,使基础模型成为可交互助手。
产品ChatGPT 统一承载对话、文件、联网、语音、图像、代码和工具交互。
开发平台API、结构化输出、工具调用、检索、实时多模态与 Agent 开发能力。
商业模式消费者订阅、团队与企业产品、开发者按量调用及合作生态。
关键风险幻觉、敏感数据、工具越权、成本、供应商依赖和高能力模型治理。

Platform Matrix

平台选择的六个维度

模型名会变,选择维度相对稳定。每个项目都应该用自己的评测集重新比较。

维度闭源 API开放权重 / 私有部署企业套件
启动速度快,申请后即可集成需要部署与运维已有平台内通常较快
前沿能力通常最先获得新能力依具体模型和优化团队受平台版本和地区影响
数据控制依供应商条款与部署选项控制程度高,但责任也高可继承企业身份与治理
成本按量,低启动成本固定基础设施和运维成本订阅、席位与平台用量
定制Prompt、RAG、微调和工具可深入优化权重与推理适合标准办公和业务流程
主要风险供应商依赖、价格和数据边界许可、安全、升级和人才平台锁定、权限配置和影子 AI

Chapter 06 · Industry Cases

AI 的价值发生在具体流程里

阅读专题长文

以下案例不把“能生成”当成成功。每个场景都同时列出价值、需要的数据和必须控制的风险。

开篇故事 抄单快了,货车为什么还在等?

虚构示例 仓管员原先要把模糊的运单抄进系统。换上识别助手后,大多数单子一眼就能核对,货车却仍在门口排队。沿着一张单子走了一遍,她才看到:少数地址读不清的单子全部堆在主管桌上,没人知道该先处理哪张。

读故事背后的原理 →

Finance

金融

场景:研报摘要、客服辅助、反欺诈、授信材料整理、合规监测。
数据:交易、客户、规则、研究和实时市场信息。
价值:缩短分析与服务时间,扩大风险覆盖。

风险:错误建议、歧视、市场信息时效、可解释与审计。

Healthcare

医疗

场景:病历结构化、影像辅助、医学检索、随访、药物研发。
数据:病历、影像、指南、实验和生物数据。
价值:减少文书负担,辅助发现与科研。

风险:生命安全、隐私、偏差、临床验证和专业责任。

Legal

法律

场景:合同审查、案例检索、尽调、证据整理、初稿生成。
数据:法规、判例、合同模板和客户材料。
价值:提升检索和初审效率。

风险:虚构案例、法域时效、保密、律师最终责任。

Education

教育

场景:个性化辅导、备课、反馈、题目生成、语言练习。
数据:课程、能力图谱、作业和学习行为。
价值:更及时的反馈和差异化学习。

风险:依赖、作弊、未成年人隐私、内容质量与教育公平。

Manufacturing

制造

场景:视觉质检、预测维护、工艺助手、排产、机器人。
数据:传感器、图像、维修、工艺和供应链。
价值:减少停机和缺陷,沉淀经验。

风险:物理安全、边缘延迟、环境漂移和系统集成。

Retail

零售与电商

场景:推荐、客服、商品内容、需求预测、智能导购。
数据:商品、库存、交易、用户行为与反馈。
价值:提升转化、周转与服务覆盖。

风险:隐私、价格歧视、虚假描述和过度个性化。

Software

软件研发

场景:代码补全、重构、测试、迁移、文档、故障分析。
数据:代码库、Issue、文档、日志和构建系统。
价值:缩短反馈周期,降低重复劳动。

风险:漏洞、许可证、错误修改、凭证泄露和评审弱化。

Marketing

营销与内容

场景:洞察、创意、文案、素材变体、本地化、投放分析。
数据:品牌、受众、历史素材、渠道和转化。
价值:加速实验与多渠道适配。

风险:同质化、版权、品牌偏离、虚假宣传和内容泛滥。

HR

人力资源

场景:JD、人才检索、培训、员工问答和能力分析。
数据:岗位、技能、政策和员工材料。
价值:降低行政负担,支持内部流动。

风险:招聘歧视、监控、隐私和自动化不透明。

Public Sector

公共服务

场景:政策检索、材料辅助、热线、城市运营和公共数据分析。
数据:法规、办事指南、公开数据和内部流程。
价值:扩大服务覆盖,缩短办理时间。

风险:公平、申诉、透明、数字鸿沟和公共责任。

适合 AI

高频、文本/图像密集、可验证、有反馈、错误可恢复。

谨慎使用

数据稀缺、目标含糊、价值难量化、流程本身混乱。

必须人审

生命、自由、重大财产、法律权利和不可逆生产控制。

不该自动化

缺乏合法数据来源、责任无人承担、无法申诉或失败代价不可控。

Chapter 07 · Glossary

AI 专业术语全景词典

阅读专题长文

按基础、数学、模型、训练、工程、产品、安全和职业八类组织。36 个核心概念包含深度解释,其余条目标明为基础释义;中文、英文和缩写均可检索。

开篇故事 同一句“推理”,两张工单

虚构示例 会上,工程师说“推理太慢”,会计说“推理错了”。工程师盯的是用户要等多久才见到答案;会计指的是答案里把“含税”当成了“未税”。即使服务器快一倍,那张账单也不会自动变对。

读故事背后的原理 →

正在加载术语……

没有找到匹配术语,尝试更短的关键词。

Chapter 08 · Future

未来趋势:已确定的变化与仍未知的答案

阅读专题长文

预测不是事实。更好的方法是用公开数据识别结构性趋势,再为不同情景准备能力和治理。

开篇故事 自动填好表以后,月底还要做什么?

虚构示例 报销单能自动录入了。主管以为月底可以少排一个班。可到了月底,职员不再逐格抄金额,而是在打电话确认:两张相同的车票是重复提交,还是两个人同行?录入省下的时间,和处理例外花掉的时间,原来是两笔账。

读故事背后的原理 →
170M世界经济论坛估计,宏观趋势到 2030 年可能创造 1.7 亿个岗位。查看报告口径
92M同期可能有 9200 万个岗位被替代或转移,净增约 7800 万。查看报告口径
39%受访雇主预计,到 2030 年,劳动者约 39% 的核心技能会发生变化。查看报告口径
3.3%Stanford AI Index 2026 报告称,2026 年 3 月顶级闭源与开放模型差距为 3.3%。查看测量说明

模型选型更重视组合能力

若头部模型差距持续缩小,企业可更多比较路由、上下文、数据和工具带来的任务效果。

情景研判

AI Agent(智能体)进入受控流程

软件、研究和客服等可观察任务可能先扩张;高风险操作仍需权限限制与人工确认。

情景研判

端侧与小模型应用扩大

在隐私、低延迟或离线需求明确的场景,本地模型可能增加;效果和成本仍需逐项验证。

情景研判

软件界面出现更多生成与行动入口

自然语言、视觉和语音可能承担更多交互任务,但不会在所有场景替代菜单与明确的确认步骤。

情景研判

AGI 时间表仍高度不确定

能力、定义、测量、经济影响和社会接受度都没有统一答案,不应把单一预测当作规划事实。

不确定性高

Enterprise Change

观察企业 AI 变革的五个层面

采购几个账号不是 AI 转型。是否产生价值,需要分别检验流程、岗位、数据、软件和治理的变化。

任务层

写、查、比、总结、生成、分析和执行被重新分配。

流程层

从人找系统变成 AI 调系统,人处理目标、审批和例外。

岗位层

部分重复任务可能被重组;同时需要更多能复核结果、维护系统和处理例外的人。

组织层

中心平台提供模型、安全和评测,业务团队负责场景与结果。

商业层

席位、用量、任务或结果计价会并存;采购时应核算完整服务成本。

Human Impact

人文影响:效率之外的六个问题

AI 不只改变生产率,也改变知识、创造、权力、身份和人际关系。

认知外包

AI 可以降低信息整理负担,也可能削弱独立推理。关键是让它提供证据、比较和反驳,而非替你结束思考。

创作与作者性

创作者更像导演、编辑和策展人;社会需要重新讨论训练来源、署名、风格模仿和收益分配。

教育与能力分化

获得个性化辅导的门槛降低,但会提问、核验、实践和自我管理的人受益更多。

信息真实性

低成本生成扩大诈骗和虚假内容,来源证明、媒体素养和可信渠道更加重要。

权力与集中

数据、算力和模型集中可能强化平台权力,开放生态与监管将持续形成张力。

尊严与责任

医疗、司法、招聘和公共服务中的自动化必须保留解释、申诉、人工决定和责任主体。

Chapter 09 · Governance

安全治理不是最后加一层过滤器

阅读专题长文

NIST AI 风险管理框架把核心活动概括为 Govern、Map、Measure、Manage。治理应贯穿设计、采购、开发、上线和退出全过程。

开篇故事 一张访客证,能问到哪一班车?

虚构示例 来访者问前台“末班车几点”,前台给了公开时刻表。接着他问“今晚谁值班”,语气一样客气,资料却属于内部排班。前台并不是没听懂第二个问题;两份资料本来就不该放在访客可以翻阅的同一个抽屉里。

读故事背后的原理 →
确定责任业务负责人、模型负责人、安全、法务、数据和最终审批人。
场景分级根据影响人群、错误代价、可逆性、敏感数据和自主程度分级。
Threat Modeling(威胁建模)识别 Hallucination、Bias、Prompt Injection、越权、泄露、供应链和滥用路径。
Evaluation(建立评测)能力、Safety、Privacy、公平、压力、Red Teaming 和真实用户测试。
实施控制最小权限、人工确认、输出校验、隔离、配额、日志和降级。
上线监控质量漂移、攻击、异常工具调用、成本、投诉和事故信号。
事件响应暂停、回滚、通知、修复、复盘和更新评测集。
风险等级
典型场景
自动化程度
必须控制
上线门槛
低风险
个人草稿、头脑风暴、格式转换
可自动生成
隐私提示、基本过滤、用户编辑
抽样评测与反馈入口
中风险
客服回复、营销内容、内部知识问答
条件自动化
引用、权限、审核、监控与回滚
固定评测集和负责人批准
高风险
医疗、授信、招聘、法律、生产控制
AI 建议,人类决定
严格验证、解释、申诉、审计和专家监督
领域验证、红队、法务与管理层批准

输入风险

敏感数据、恶意提示、越权请求、污染文档。控制:分类、脱敏、认证、隔离和提示注入检测。

模型与工具风险

Hallucination(幻觉)、Bias(偏见)、错误计划、危险 Tool Calling。控制:Least Privilege、Sandbox、Schema Validation、预算和 HITL。

输出与运营风险

错误传播、版权、诈骗、漂移和责任不清。控制:引用、审核、标识、监控、事故流程和版本记录。

为什么“模型很强”仍然不能跳过治理?

通用评测无法覆盖你的数据、用户、流程和错误代价;工具权限与组织责任也不属于模型能力。越强的模型能完成更多事,也可能在越权时造成更大影响。

企业最小治理清单是什么?

场景台账、风险分级、数据和供应商清单、责任人、评测集、权限矩阵、上线审批、监控、事故响应、定期复核和退出方案。

怎样看待 AI 监管?

监管因国家、行业和时间不同而变化。项目应让法务或合规人员基于具体地区、数据和用途确认要求;本课程提供治理框架,不替代法律意见。

Chapter 10 · Career

职业规划:从“想进 AI”到可证明的岗位能力

阅读专题长文

最稳妥的定位公式是:原有能力 + AI 工具链 + 行业场景。新人不必从训练基础模型开始。

开篇故事 面试桌上的第二张收据

虚构示例 两位求职者都展示了会读收据的助手。演示刚结束,面试官递上第二张:这张收据在总额旁边又印了一行“已付定金”。一位重新点了几次生成,另一位拿出失败记录,解释怎样区分应付和实付、哪些情况应该交给人复核。

读故事背后的原理 →

180-Day Roadmap

六个月,从知识地图到求职作品

每个月都要有可展示产物。学习时间可以压缩或延长,但产物顺序不应颠倒。

第 1 月|建立地图

学习:历史、术语、模型家族。
实践:对比 3 个主流产品完成同一任务。
产物:一页 AI 世界地图与对比报告。

第 2 月|掌握链路

学习:Prompt、API、RAG、Tool Calling、Evaluation。
实践:做一个带 Citation(引用)的知识问答。
产物:Architecture Diagram、Evaluation Set 和成本记录。

第 3 月|选择行业

学习:一个行业的流程、数据和风险。
实践:访谈 3-5 位真实用户。
产物:任务地图、现状基线与机会排序。

第 4 月|完成产品

学习:权限、监控、人工审核与失败恢复。
实践:做端到端 Demo。
产物:可运行应用、演示视频和技术说明。

第 5 月|形成证据

学习:离线与在线指标、A/B、回归。
实践:用 50-100 条任务评测。
产物:质量、成本、风险和迭代报告。

第 6 月|求职表达

学习:岗位 JD、系统设计和案例面试。
实践:模拟面试与公开讲解。
产物:定向简历、作品集和 5 分钟演示。

作品集项目 A:企业知识助手

必须包含:权限、混合检索、引用、拒答、评测集、失败样本、成本与更新机制。

作品集项目 B:行业工作流 Agent

必须包含:任务拆解、工具 schema、最小权限、确认节点、异常退出、日志和回滚。

作品集项目 C:AI 评测与治理

必须包含:风险分级、测试集、评分标准、红队样本、结果分析和改进优先级。

简历表达公式

虚构写法示例:下列数字只展示如何表述,不能作为真实业绩使用。

问题:原流程每周处理 2,000 条工单,平均首响 4 小时。
行动:设计 RAG + 工具工作流,建立 120 条评测集与人工确认。
结果:首响缩短至 20 分钟,自动草稿采纳率 68%,错误引用率从 14% 降到 3%。
边界:高风险退款和账户操作保留人工审批。

面试必须讲清的五件事

  1. 为什么选择这个任务,而不是先选模型。
  2. 数据从哪里来,如何授权、更新和分权。
  3. 评测集如何覆盖常见、困难与风险场景。
  4. 系统失败时怎样降级、回滚和人工接管。
  5. 业务价值是否覆盖模型、运维与审核成本。

完整学习检查表

进度保存在当前浏览器。每一项都以“能讲清、能比较、能做出”为完成标准。

Optional Appendix · Knowledge Check

附录:完成全书后的框架自检

这是可选附录,不属于主阅读链路。读完整书后,可以用 12 个判断题检查哪些章节需要回看。

Sources & Maintenance

参考来源与更新规则

历史与基础原理相对稳定;模型版本、平台能力、价格、监管和就业数据需要定期复核。每篇文章保留自己的核对日期,近期变化见知识更新,不以整站发布日期冒充全站重新审校。

证据中心 · 90 条来源登记查看来源类型、查阅日期、编辑标准、内容状态与公开纠错方式。 Stanford HAI · AI Index Report 2026研发、性能、经济、治理与科学影响。 AI Index 2026 · Technical Performance模型能力收敛、开放与闭源模型差距等数据。 World Economic Forum · Future of Jobs 20252030 年岗位创造、替代与技能变化预测。 NIST AI Risk Management FrameworkGovern、Map、Measure、Manage 风险治理框架。 NIST Generative AI Profile生成式 AI 风险与跨行业治理建议。 OpenAI · GPT-6 AstraOpenAI 于 2026 年 9 月公开的产品说明,须与独立评测分开阅读。 Anthropic · Claude Sonnet 5.52026 年 9 月的官方版本记录,具体能力以当前模型卡和业务复测为准。 ILO · Generative AI and Jobs岗位任务暴露研究;暴露程度不等于实际失业人数。 中国网信网 · 人工智能生成合成内容标识办法面向中国公众服务的内容标识要求。 Anthropic · Claude NewsroomClaude 5 系列、Claude Code 与安全研究的官方更新。 Google DeepMind · ModelsGemini、Gemma、Veo、Imagen、机器人与科学模型。 Google DeepMind · Model Cards模型设计、评测、限制与安全信息。 Meta · Llama Models开放权重、多模态模型、模型卡与使用政策。 DeepSeek Official GitHubV3、R1、Coder、VL、推理与训练工程项目。 Qwen Official RepositoriesQwen 模型、技术报告与开发者生态。 Attention Is All You NeedTransformer 架构原始论文。 AlexNet · ImageNet Classification2012 年深度学习视觉突破的代表论文。

稳定知识

历史、基本数学、经典架构和产品方法按年度复核。

快速变化

模型版本、价格、API 与平台功能每 30 天复核;其他快速变化内容每 90 天复核,重大变化另行更新。

高风险信息

法律、医疗、金融与合规要求必须结合地区和具体用途咨询专业人士。

REFERENCE

知识详情

5 步学习诊断

我想通过 AI 完成什么?

1 / 5