AI基本概念
AI（Artificial Intelligence）是“人工智能”的英文缩写，人工智能是研究如何让计算机系统模拟、延伸和扩展人类智能的学科，核心目标是使机器具备推理、学习、规划和感知等能力。
AI技术分类
按强弱可分为：
弱人工智能（Weak AI / Narrow AI）
仅针对特定任务或领域设计，无法实现跨领域通用能力
当前已广泛应用于语音识别（如Siri）、图像处理（如人脸识别）和推荐系统（如电商平台算法）
依赖机器学习算法，通过海量数据训练实现功能优化，但缺乏自主意识与泛化能力
强人工智能（Strong AI / AGI）
具备与人类相当的通用认知能力，可完成跨领域推理、学习和决策
现阶段尚未实现，全球科研机构仍在探索其技术路径（如类脑计算、神经形态芯片等方向）
需突破的核心挑战包括意识建模、环境适应性及多模态信息整合
超人工智能（Super AI）
理论上的终极形态，智能水平全面超越人类所有认知领域
涉及自我意识生成、创造力突破等前沿领域，目前仅存在于学术探讨阶段
伦理安全与可控性成为该领域研究的核心关注点
总结：当前所有已落地的AI应用（如ChatGPT、自动驾驶系统）均属于弱人工智能范畴。中美等国在强人工智能研发竞赛中差距正加速缩小。
按核心技术可分为：
机器学习（Machine Learning, ML）
定义：通过数据训练模型自动优化性能，无需显式编程。
分类：
监督学习：基于标记数据训练模型（如线性回归、支持向量机）；
无监督学习：从无标签数据中发现模式（如聚类算法）；
强化学习：通过环境反馈优化策略（如AlphaGo）。
深度学习（Deep Learning, DL）
定义：基于多层神经网络的机器学习分支，擅长处理非结构化数据（文本、图像、语音）。
核心技术：
卷积神经网络（CNN）：用于图像识别；
循环神经网络（RNN）：处理序列数据（如语音和时间序列）；
Transformer架构：支撑大语言模型（LLM）的核心技术。
生成式人工智能（Generative AI, Gen AI）
定义：生成新内容（文本、图像、音频）的技术，如GPT系列和GAN。
应用场景：文本生成、图像合成、对话系统。大语言模型（Large Language Model, LLM）
定义：基于深度学习的大规模语言模型，参数规模达数十亿至万亿级，专攻自然语言处理（NLP）任务。
关键技术：
预训练+微调：在大规模文本数据上预训练，针对特定任务优化；
提示词工程（Prompt Engineering）：通过优化输入指令提升模型输出质量；
检索增强生成（RAG）：结合外部知识库提升生成准确。
典型应用：文本生成与摘要；
机器翻译与多语言处理；
智能问答与对话系统。
概念关系图
