AI 基础概念
从普通读者视角分清 AI、机器学习、深度学习、生成式 AI、AGI 与 AIGC 的边界，知道本章应该先读哪里。
AI 基础概念：先把词放回正确层级
这一章解决一个很实际的问题：当新闻、产品发布会或同事说“AI 很强”“AGI 要来了”“AIGC 能提升效率”时，他们到底在说当前可用的技术、未来目标、内容生成应用，还是商业叙事？不先分层，后面读模型、提示词、智能体都会越读越乱。
这一章先回答什么
| 读者任务 | 先看哪页 | 你会得到什么 |
|---|---|---|
| 分清 AI、ANI、AGI、ASI、AIGC | 先把层级分开 | 把总称、当前能力、未来目标和应用形态拆开。 |
| 理解 AI 为什么有不同“派别” | 两条历史路线 | 看懂符号主义、联结主义，以及今天为什么常混合使用。 |
| 快速查基础词 | 关键术语地图 | 把 AI、机器学习、深度学习、训练、推理、评估连成一张图。 |
普通读者先记住三句话
- AI 是大伞，不是一种单一技术。 搜索排序、图像识别、聊天机器人和文生图都能算 AI，但能力边界差很多。
- 今天大多数系统还是窄域 AI。 它们可能在特定任务上很强，却不等于具备跨场景、可自我定义目标的通用智能；读 AGI 和 ASI 时尤其要小心定义。
- 生成式 AI 是应用形态，不是万能理解。 Generative AI 能生成文本、图片、音频、视频或代码，但可靠使用仍需要任务边界、数据来源、评估和人工复核。
本章目录
先把层级分开
分清 AI、ANI、AGI、ASI、AIGC 分别处在什么层级。
两条历史路线
用符号主义和联结主义两条线看懂 AI 思想演进。
关键术语地图
用 AI、机器学习、深度学习、训练、推理和评估搭一张基础地图。
最容易踩的坑
- 把“会生成”当成“会理解”。 输出流畅不代表事实可靠，更不代表模型知道自己不知道什么。
- 把“模型”当成“产品”。 一个可用 AI 产品通常还需要数据、检索、权限、界面、监控和人工流程。
- 把“未来讨论”当成“当前事实”。 AGI/ASI 是重要议题，但和今天可部署的窄域系统不是同一层问题。
继续阅读
- 想进入技术路线：读 机器学习章节 和 模型机制章节。
- 想理解大模型怎么用：读 提示词与工作流 和 智能体与产品。
- 想核对术语来源：参考 OECD 对 AI system 的定义更新 与 NIST AI Risk Management Framework。