AI技术架构全局视角

一、AI/ML/DL/NLP 关系图谱

给机器一堆数据 → 让它自动找到规律 → 以后能自己预测 / 生成

核心关系理解

层级	名称	一句话理解
最外层	AI	让机器展现智能行为的所有技术
中层	ML	AI的子集，通过数据学习而非硬编码规则
内层	DL	ML的子集，使用多层神经网络
应用层	NLP	DL的一个应用方向，处理人类语言

后端类比：

• AI ≈ 整个后端系统
• ML ≈ 业务逻辑层（根据输入计算输出）
• DL ≈ 复杂的微服务架构（多层处理）
• NLP ≈ 特定的API服务（如翻译接口）

---

二、技术栈分层架构

各层详解

1. 基础层（Infrastructure）

• Python：AI领域的主流语言
• CUDA/GPU：并行计算能力，加速训练
• NumPy/Pandas：数据处理的基础库

2. 框架层（Frameworks）

• PyTorch：目前最流行，动态图，调试友好
• TensorFlow：Google出品，生产部署成熟
• Transformers：Hugging Face的模型库，调用预训练模型

3. 模型层（Models）

• 大语言模型：GPT、Claude、LLaMA等
• BERT系列：理解型任务
• 专用模型：针对特定任务优化

4. 应用层（Applications）

• 各种AI产品和服务

---

三、学习路径建议

学习建议

阶段	学习内容	时间建议	目标
1	基础概念	1天	建立全局认知
2	机器学习	3-5天	理解核心范式
3	深度学习	5-7天	理解神经网络
4	NLP	3-5天	理解语言模型
5	模型训练	3-5天	掌握训练流程
6	RAG应用	持续	实际应用能力

---

四、核心术语速查

术语	英文	简单理解
模型	Model	一个数学函数，输入→输出
训练	Training	用数据调整模型参数
推理	Inference	用训练好的模型处理新数据
损失函数	Loss Function	衡量模型预测与真实值的差距
优化器	Optimizer	调整参数的算法
超参数	Hyperparameter	训练前设置的参数
批次	Batch	一次训练的样本数量
轮次	Epoch	遍历全部训练数据一次
过拟合	Overfitting	模型"死记硬背"训练数据
泛化	Generalization	模型处理未见数据的能力

---

五、后端工程师视角

AI模型 vs 传统后端服务

关键差异

维度	传统后端	AI服务
逻辑	确定性规则	概率性预测
输出	相同输入=相同输出	相同输入可能有不同输出
资源	CPU为主	GPU为主
延迟	通常<100ms	可能需要数秒
调试	断点+日志	需要分析模型行为
部署	容器化	需要GPU支持

---