什么是AI

AI 是 人工智能（Artificial Intelligence）的缩写，它是一种模拟人类智能的技术，使机器能够像人一样学习、思考和做出决策，从而能够自主地执行各种任务。
目前人工智能的内涵已经大大扩展成一门交叉学科。

机器学习与深度学习

机器学习：专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
深度学习：源于人工神经网络的研究，主要是模仿人脑的机制来解释数据，例如图像，声音和文本。

AI1.0 感知智能时代

是一种基于规则的感知智能：即视觉、听觉、触觉等感知能力。人和动物都具备，能够通过各种智能感知能力与自然界进行交互，能够处理特定任务的处理，比如：NLP自然语言处理，计算机视觉，图像处理，这些应用在特定场景下表现不错，但是缺乏通用性和创造性，

AI2.0认知智能时代(大模型时代)

认知智能：是指机器具有主动思考和理解的能力，不用人类事先编程就可以实现自我学习，有目的推理并与人类自然交互。人类有语言，才有概念、推理，所以概念、意识、观念等都是人类认知智能的表现。

AIGC

AIGC人工智能生成内容（Artificial Intelligence Generated Content），是一种利用人工智能算法和技术自动生成各种形式的内容的技术。

AIGC现代AI代表应用：

内容创作：包括新闻报道、电影剧本与特效制作、音乐创作等
图像处理：图像处理，特别是在文化遗产保护和修复领域的应用
视频领域：视频影视特效生成，AI数字人等
音频领域：音乐生成，语音翻译，智能客服等

AGI

AGI通用人工智能(Artificial General Intelligence)，是指普遍通用的一种人工智能，模拟人类抽象推理、因果理解等能力，具备自主性、适应性和可解释性，能在未知环境中解决复杂问题。是人工智能的终极目标之一。

AI与机器学习、深度学习的关系

大模型

全称「大语言模型」，英文「Large Language Model」，缩写「LLM」，是一种基于机器学习和自然语言处理技术的参数量巨大（通常达数十亿甚至万亿级）、训练数据海量的深度学习模型，基于Transformer架构的模型，它通过对大量的文本数据进行训练，来学习服务人类语言理解和生成的能力。

特点

1. 数据量大
2. 参数量大
3. 结构复杂
4. 算力大
5. 具备强大泛化能力的预训练模型

常见大模型

国内外提供的大模型很多，OpenAI、文心 (百度)、通义千问(阿里)、DeepSeek、星火（科大讯飞）、盘古（华为）等等。
国外大模型GPT等，在访问上需要额外处理。

常见大模型版本区分(以通义千问为例)

通义千问3： 这是通义千问第3代通用模型
版本编号(如2025-03-05)：这些数字通常代表模型的发布或修订日期。
72B：指大模型的内部参数量，比如还有DeepSeek满血版DeepSeek-671B，1个B为10亿。
1M：这个标签通常指的是模型处理文本时的最大token数(或“上下文窗口"大小)。32k意味着模型能够在一个实例中处理最多32,000个token。这对于处理长文本特别有用。
Turbo：这可能指的是模型的一个优化版本，旨在提高速度和效率，尽可能在保持生成质量的同时减少了资源消耗。
带V字：这意味着模型被设计或优化以处理视觉数据，比如图像或视频
Preview：这通常意味着该模型是供早期访问、测试或预览的版本。它可能不是最终的商业版本，但提供了对即将发布功能的早期查看。

大模型赋能行业分析

从AI大模型行业应用路径的具体占比情况来看，当前60%的企业通过垂类行业大模型实现AI大模型在行业的应用布局。比如：大模型+金融，大模型+政务，大模型+医疗，大模型+制造业、工业等。

大模型的趋势和挑战

发展趋势

1. 技术突破：更大、更高效、更智能
   模型规模的进一步扩大
   模型效率的提升
   多模态能力的增强
   可解释性和透明性的提升
2. 应用落地：垂直化与普惠化模型规模的进一步扩大
   定制化和专用化，行业大模型爆发
   边缘端部署
   UGC+AIGC 生态融合

挑战

1. 安全问题
   伦理和安全问题
   数据和模型的治理
   人机协作和交互的优化
2. 均衡问题
   资源消耗和环境影响
   技术普及的不均衡

应对挑战

让大模型更“好用”的三种主要方法：
Prompt
外挂知识库、Agent智能体
微调