AI 学科核心名词解释与关联术语对比

说明：聚焦高频核心概念，先定义（简洁易懂），再对比（突出差异+联系），便于快速建立知识框架、区分易混点。

---

一、核心名词解释（按逻辑分组）

（一）基础层级：AI → ML → DL

名词	定义（一句话核心）
人工智能（AI）	让机器模拟人类智能行为（感知、推理、学习、决策、交互）的技术科学。
机器学习（ML）	AI 的核心技术路径：从数据中自动学习规律，实现预测或决策，无需硬编码规则。
深度学习（DL）	ML 的主流分支：基于多层神经网络，端到端处理高维数据（如图像、文本），自动提取特征。

✅ 关系：AI ⊃ ML ⊃ DL

• AI 是目标，ML 是方法，DL 是当前最有效的 ML 实现手段。

---

（二）机器学习三大范式

名词	定义	典型任务
监督学习	用带标签数据训练，学习输入→输出的映射。	分类（猫/狗）、回归（房价预测）
无监督学习	用无标签数据训练，挖掘隐藏结构。	聚类（用户分群）、降维（PCA）
强化学习（RL）	智能体通过与环境交互+奖励反馈，学习最优策略。	游戏AI、机器人控制、自动驾驶决策

✅ 关键区别：

• 监督：有“标准答案”
• 无监督：自己找规律
• 强化学习：边做边学，靠“奖惩”引导

---

（三）核心模型与架构

名词	定义	核心优势	典型应用
神经网络（NN）Neural Network	模拟人脑神经元的计算模型，由多层非线性变换组成。	强大的非线性拟合能力	所有深度学习模型的基础
卷积神经网络（CNN）Convolutional Neural Network	专为网格数据（图像/视频）设计的 NN，通过卷积核提取局部空间特征。	平移不变性、参数共享	图像分类、目标检测
循环神经网络（RNN） Recurrent Neural Network	专为序列数据（文本/语音）设计的 NN，通过循环结构记忆历史信息。	捕捉时序依赖	早期机器翻译、语音识别
Transformer	基于自注意力机制的 NN 架构，并行处理序列，建模长距离依赖。	高效、可扩展、全局上下文理解	大语言模型、多模态模型
大语言模型（LLM）	基于 Transformer，在海量文本上预训练的超大规模语言模型。	通用语言理解与生成能力	ChatGPT、通义千问、Claude

✅ 演进关系：
RNN（串行、长程弱） → Transformer（并行、长程强） → LLM（Transformer + 海量数据 + 预训练范式）

---

（四）关键辅助概念

名词	定义
特征（Feature）	描述样本的属性（如像素、词向量），是模型的输入。
标签（Label）	监督学习中的目标输出（如“猫”），用于指导训练。
注意力机制	Transformer 核心：动态分配权重，聚焦关键信息，忽略无关内容。
过拟合	模型“死记硬背”训练数据（含噪声），泛化能力差（训练好，测试差）。
欠拟合	模型“学不会”数据规律，训练和测试表现都差。

---

二、强关联术语对比（核心差异 + 联系）

对比1：AI vs ML vs DL

维度	人工智能（AI）	机器学习（ML）	深度学习（DL）
范围	最广（总目标）	中（实现路径）	最窄（具体技术）
是否依赖数据	不一定（如专家系统）	✅ 是	✅ 是（且需大量）
典型方法	专家系统、搜索算法、ML、机器人	决策树、SVM、神经网络	CNN、RNN、Transformer
关系	包含 ML 和 DL	包含 DL	是 ML 的子集

💡 一句话记：
AI 是“做什么”，ML 是“怎么做”，DL 是“现在最火的做法”。

---

对比2：三大学习范式

维度	监督学习	无监督学习	强化学习
数据形式	(x, y) 有标签	x 无标签	(s, a, r) 交互序列
反馈来源	显式标签	无	环境奖励（延迟、稀疏）
学习方式	被动模仿	自主发现	主动试错
评估指标	准确率、F1、MSE	轮廓系数、重构误差	累积回报、胜率
是否需要标注	✅ 必须	❌ 不需要	❌（但需设计奖励函数）

💡 场景联想：

• 监督：老师批改作业（有标准答案）
• 无监督：自己整理书架（按相似性分组）
• 强化学习：玩电子游戏（靠得分高低调整策略）

---

对比3：CNN vs RNN vs Transformer

维度	CNN	RNN	Transformer
适用数据	图像、视频（2D/3D 网格）	文本、语音（1D 序列）	通用（序列、图像、多模态）
核心机制	卷积核滑动 + 池化	循环隐藏状态	自注意力 + 位置编码
并行能力	局部并行	❌ 串行（逐时间步）	✅ 全序列并行
长程依赖	弱（靠堆叠层）	弱（梯度消失）	✅ 强（直接建模任意距离）
当前地位	CV 主流（但被 ViT 挑战）	逐渐被取代	NLP/多模态 绝对主流

💡 为什么 Transformer 赢了？
并行训练快 + 长距离建模强 = 更适合大模型时代。

---

对比4：Transformer vs LLM

维度	Transformer	大语言模型（LLM）
本质	神经网络架构（通用工具）	具体模型（基于 Transformer 构建）
用途	可用于 NLP、CV、语音等	专用于语言任务（理解+生成）
规模	可大可小	通常超大规模（数十亿~万亿参数）
训练方式	需配合任务设计	预训练 + 微调/对齐（如 RLHF）

✅ 关系：
Transformer 是“发动机”，LLM 是“搭载该发动机的豪华轿车”。

---

对比5：过拟合 vs 欠拟合

维度	过拟合	欠拟合
表现	训练误差低，测试误差高	训练 & 测试误差都高
原因	模型太复杂 / 数据太少 / 含噪声	模型太简单 / 特征不足 / 训练不足
解决思路	正则化（L1/L2）、Dropout、增数据、早停	增加模型容量、加特征、延长训练
类比	考试押题全中，换题就不会	连课本例题都做不对

💡 理想状态：训练误差 ≈ 测试误差，且都较低。

---

三、总结：一张图掌握 AI 核心脉络

人工智能（AI）
└── 机器学习（ML）
├── 监督学习 → 分类/回归
├── 无监督学习 → 聚类/降维
└── 强化学习 → 策略优化
│
└── 深度学习（DL）
├── CNN → 计算机视觉
├── RNN → 传统序列建模（渐退）
└── Transformer → 大语言模型（LLM） / 多模态