AI基础概念
AI基础概念是什么？一文看懂人工智能、机器学习、大模型、Agent等核心概念
AI基础概念是理解人工智能领域各种技术、模型和应用的知识基础。它涵盖人工智能（AI）、机器学习（ML）、深度学习（DL）、神经网络、大语言模型（LLM）、生成式 AI、RAG、AI Agent、Embedding、MCP 等核心概念。
一句话理解
AI（Artificial Intelligence，人工智能）就是让计算机具备一些通常需要人类智能才能完成的能力，例如理解语言、识别图像、学习规律、进行推理、生成内容和执行任务。
如果把 AI 比作一座大楼，那么：
- AI 是整座大楼
- 机器学习是其中重要的建造方法
- 深度学习是机器学习中的重要技术路线
- 神经网络是深度学习的核心模型结构之一
- 大语言模型是当前生成式 AI 的重要技术基础
- RAG、Agent、MCP则更多属于围绕模型构建 AI 应用的技术体系
一、AI 到底是什么？
AI 的英文是 Artificial Intelligence，中文叫人工智能。
简单来说，人工智能研究的是：
如何让计算机完成过去通常需要人类智能参与的任务。
例如：
- 看懂一张图片
- 听懂人说的话
- 理解一段文字
- 回答问题
- 翻译语言
- 写文章
- 编写代码
- 识别异常
- 推荐商品
- 分析数据
- 生成图片
- 生成视频
- 规划任务
- 使用工具完成工作
过去，人们往往需要给计算机写大量明确的规则。
例如：
如果温度 > 30℃
输出：天气炎热
否则
输出：天气正常
这种方式属于规则系统。
而现代 AI 更常见的方式是：
大量数据
↓
机器学习算法
↓
训练模型
↓
模型学习数据中的规律
↓
输入新的数据
↓
模型给出预测或生成结果
这也是现代人工智能与传统程序设计非常重要的区别之一。
二、AI、机器学习、深度学习是什么关系？
这是 AI 初学者最容易混淆的一组概念。
可以简单理解为：
人工智能 AI
│
└── 机器学习 ML
│
└── 深度学习 DL
│
└── 神经网络
│
└── Transformer 等模型架构
需要注意的是，这是一种帮助理解的层级关系，并不是所有 AI 技术都必须按照这条路线实现。
1. 人工智能 AI
AI 是最大的概念。
目标是让机器具备某些智能能力。
例如：
- 视觉识别
- 语音识别
- 自然语言处理
- 推理
- 决策
- 规划
- 内容生成
2. 机器学习 ML
机器学习（Machine Learning）是实现人工智能的一种重要方法。
传统程序通常是：
规则 + 数据 → 结果
机器学习则更接近：
数据 + 结果 → 学习规律 → 模型
例如训练一个垃圾邮件识别模型：
大量邮件
↓
人工标记
↓
垃圾邮件 / 正常邮件
↓
机器学习
↓
训练模型
↓
输入新邮件
↓
判断是否为垃圾邮件
机器学习的核心思想就是：
让计算机从数据中学习规律，而不是完全依赖人工编写规则。
三、什么是深度学习？
**深度学习（Deep Learning，DL）**是机器学习的重要分支。
它通常使用具有多层结构的神经网络，从大量数据中学习复杂模式。
例如：
输入图片
↓
浅层网络
↓
边缘、颜色等特征
↓
中层网络
↓
纹理、形状等特征
↓
深层网络
↓
物体整体特征
↓
识别结果
深度学习推动了近年来 AI 的快速发展。
它广泛应用于：
- 图像识别
- 语音识别
- 自动驾驶
- 推荐系统
- 自然语言处理
- 图像生成
- 视频生成
- 大语言模型
四、什么是神经网络？
**神经网络（Neural Network）**是一类受生物神经系统启发的计算模型。
一个简单的神经网络通常可以理解为：
输入层
↓
隐藏层
↓
隐藏层
↓
输出层
其中，每个神经元会接收输入，然后通过：
- 权重
- 偏置
- 激活函数
计算得到输出。
神经网络通过不断调整参数，让模型的预测结果越来越接近目标结果。
五、什么是模型？
在 AI 中，**模型（Model）**可以理解为：
通过训练数据学习得到的一套参数化计算结构，用来对新的输入进行预测、分类、生成或其他处理。
例如：
训练数据
↓
训练算法
↓
模型参数
↓
AI模型
↓
新的输入
↓
输出结果
不同模型可以承担不同任务。
例如：
模型类型 | 主要用途 |
|---|---|
分类模型 | 判断属于哪一类 |
检测模型 | 找出图片中的目标 |
推荐模型 | 推荐内容 |
语言模型 | 处理和生成文本 |
图像生成模型 | 生成图片 |
语音模型 | 处理语音 |
多模态模型 | 同时处理多种类型数据 |
六、什么是参数？
参数（Parameter）是 AI 模型在训练过程中学习得到的重要数值。
可以把参数简单理解成模型内部经过训练形成的“知识表示”。
例如：
模型
├── 参数
├── 参数
├── 参数
├── 参数
└── ……
现代大型 AI 模型可能拥有大量参数。
但需要注意：
参数数量越大，并不意味着模型一定越强。
模型能力还与：
- 数据质量
- 模型架构
- 训练方法
- 数据规模
- 推理能力
- 对齐方法
- 工程优化
等因素有关。
七、什么是训练？
训练（Training）就是让 AI 模型从数据中学习规律的过程。
简单来说：
训练数据
↓
模型进行预测
↓
计算预测结果与目标之间的差异
↓
调整模型参数
↓
再次预测
↓
不断重复
↓
模型逐渐学习
训练过程通常会涉及：
- 数据集
- 损失函数
- 优化器
- 梯度
- 反向传播
- 参数更新
这些是理解深度学习的重要基础。
八、什么是推理？
AI 中的**推理（Inference）**并不是单纯指“像人一样思考”。
更准确地说，它通常指：
训练完成的模型接收新的输入，并计算得到输出结果的过程。
例如：
用户：
什么是RAG？
↓
AI模型进行计算
↓
生成回答
这个过程就是模型推理。
因此：
训练 Training
→ 学习模型参数
推理 Inference
→ 使用已经训练好的模型产生结果
两者是不同的阶段。
九、什么是生成式 AI？
**生成式人工智能（Generative AI）**是能够生成新内容的 AI。
传统 AI 更常见的是：
输入 → 分类 / 预测
生成式 AI 则可以：
输入 → 生成内容
例如：
文本生成
写一篇关于AI的文章
↓
生成文章
图片生成
一只戴着眼镜的AI学习猫
↓
生成图片
视频生成
未来城市中的机器人
↓
生成视频
代码生成
帮我写一个登录页面
↓
生成代码
生成式 AI 是目前 AI 应用发展的重要方向。
十、什么是大语言模型 LLM？
LLM（Large Language Model，大语言模型）是能够处理和生成自然语言的大型 AI 模型。
例如用户输入：
请解释一下什么是机器学习。
模型可以根据输入内容生成：
机器学习是人工智能的一种重要方法……
LLM 的核心能力包括：
- 文本理解
- 文本生成
- 对话
- 总结
- 翻译
- 信息抽取
- 代码生成
- 内容改写
- 知识问答
- 一定程度的推理与规划
现代大语言模型通常以 Transformer 等架构为基础，并通过大规模数据训练获得语言建模能力。
十一、什么是 Transformer？
Transformer 是现代 AI 领域非常重要的一类神经网络架构。
它最初在自然语言处理领域获得巨大影响，后来也广泛影响了：
- 大语言模型
- 图像模型
- 多模态模型
- 语音模型
- 视频模型
Transformer 中最重要的思想之一是：
Attention（注意力机制）
注意力机制可以帮助模型在处理输入时关注不同位置之间的重要关系。
例如：
小明把书放在桌子上，因为他马上要使用它。
模型需要根据上下文判断：
- “他”指谁？
- “它”指什么？
注意力机制可以帮助模型建立这些上下文关系。
十二、什么是 Token？
大语言模型通常不会直接把整句话当成一个整体处理，而是先把文本拆分成一个个 Token。
例如：
我喜欢人工智能
经过 Tokenization（分词/标记化）后，可能被拆成若干 Token。
然后：
文本
↓
Token
↓
Token ID
↓
Embedding
↓
模型
↓
输出 Token
Token 并不一定等于“一个汉字”或者“一个单词”。
不同模型使用的 Tokenizer 不同，因此同一句话对应的 Token 数量也可能不同。
十三、什么是 Embedding？
**Embedding（向量嵌入）**是把文本、图片或其他信息转换成数字向量的一种方法。
例如：
“苹果手机”
↓
[0.21, -0.18, 0.73, ……]
这些数字组成一个向量。
Embedding 的核心价值是：
把原本难以直接进行数学比较的信息，转换成可以在向量空间中进行计算的数据表示。
它广泛应用于：
- 语义搜索
- 推荐系统
- RAG
- 文本相似度
- 知识库
- 聚类
- 信息检索
十四、什么是 RAG？
RAG（Retrieval-Augmented Generation，检索增强生成）是一种让 AI 在生成回答之前先检索外部知识的方法。
基本流程：
用户问题
↓
问题向量化
↓
搜索知识库
↓
找到相关资料
↓
将资料提供给大模型
↓
大模型生成回答
例如企业内部有大量：
- 公司制度
- 产品文档
- 技术文档
- Word
- 数据库资料
可以通过 RAG 将这些内容接入 AI。
因此：
LLM 负责生成，RAG 负责提供外部知识。
RAG 并不是一个独立的大模型，而是一种 AI 应用架构。
十五、什么是 AI Agent？
**AI Agent（AI 智能体）**可以理解为：
能够根据目标进行分析、规划，并调用工具完成任务的 AI 系统。
普通聊天：
用户提问
↓
AI回答
Agent：
用户提出目标
↓
理解目标
↓
制定计划
↓
调用工具
↓
获取结果
↓
继续分析
↓
执行下一步
↓
完成任务
例如：
帮我分析这份销售数据，并生成一份报告。
Agent 可能会：
读取Excel
↓
分析数据
↓
生成统计结果
↓
制作图表
↓
生成报告
因此可以简单理解：
LLM 更像“大脑”，Agent 则是在大脑基础上增加了目标、规划、工具和执行能力。
十六、什么是 Function Calling？
Function Calling（函数调用）是让模型按照预定义的函数结构请求外部程序执行操作的一种机制。
例如：
用户：
北京今天的天气怎么样？
↓
AI判断需要查询天气
↓
调用 weather() 函数
↓
获取天气数据
↓
AI生成回答
它可以让 AI 与：
- 数据库
- API
- 搜索服务
- 文件系统
- 企业系统
- 第三方服务
进行交互。
十七、什么是 MCP？
**MCP（Model Context Protocol，模型上下文协议）**是一种用于连接 AI 模型与外部工具、数据和资源的开放协议。
可以简单理解为：
MCP 为 AI 与外部世界之间提供了一种标准化连接方式。
例如：
AI
│
├── MCP → 文件
│
├── MCP → 数据库
│
├── MCP → 搜索
│
├── MCP → 企业系统
│
└── MCP → 其他工具
它的意义在于减少不同 AI 应用与不同工具之间重复开发连接方式的成本。
十八、什么是多模态 AI？
**多模态 AI（Multimodal AI）**是能够处理一种以上信息类型的人工智能系统。
常见模态包括：
- 文本
- 图片
- 音频
- 视频
- 文件
- 结构化数据
例如：
用户上传一张图片
↓
AI理解图片
↓
用户继续用文字提问
↓
AI结合图片和文字回答
这就是典型的多模态交互。
十九、什么是 Prompt？
Prompt（提示词）是用户提供给 AI 模型的输入指令。
例如：
请帮我写一篇关于机器学习的科普文章，
要求：
1. 面向初学者
2. 使用通俗语言
3. 包含实际案例
4. 字数约3000字
Prompt 不只是一个问题。
它可以包含：
- 任务
- 背景
- 角色
- 要求
- 上下文
- 输出格式
- 示例
因此，Prompt 是用户与生成式 AI 进行交互的重要方式。
二十、什么是上下文 Context？
Context（上下文）是模型在当前生成过程中能够参考的信息。
例如：
用户：
我叫小明。
AI：
你好，小明。
用户：
我叫什么？
AI：
你叫小明。
模型之所以能够回答，是因为当前对话中包含之前的信息。
在实际 AI 系统中，上下文还可以包括：
- 历史对话
- 用户输入
- 系统提示词
- 文件内容
- RAG 检索结果
- 工具调用结果
- Agent 执行过程
二十一、什么是 Context Window？
Context Window（上下文窗口）指模型一次能够处理的上下文信息范围。
可以简单理解为：
模型一次能够“看到”的信息容量。
例如：
系统提示词
+
历史对话
+
用户问题
+
上传文件
+
RAG资料
+
工具结果
这些内容都会占用上下文空间。
因此上下文窗口越大，通常意味着模型能够一次处理更多信息，但这并不意味着模型在任何任务上都会自动表现得更好。
二十二、什么是 AI 幻觉？
AI 幻觉（AI Hallucination）是指 AI 生成了看起来合理，但实际上错误、虚构或无法验证的信息。
例如用户问：
某篇不存在的论文是谁发表的？
模型可能错误地生成：
作者：张某某
论文：《人工智能未来发展》
发表时间：2022年
看起来非常真实，但实际上可能完全不存在。
产生幻觉的原因很多，包括：
- 模型生成机制
- 训练数据问题
- 上下文不足
- 知识缺失
- 推理错误
- 用户问题本身存在歧义
因此：
AI 的回答不能因为表达得很确定，就认为一定正确。
二十三、AI 为什么会犯错？
AI 并不是传统意义上的“数据库”。
模型内部主要通过参数化方式表示从训练数据中学习到的模式。
因此 AI 可能：
- 记错事实
- 计算错误
- 推理错误
- 理解错误
- 编造不存在的信息
- 无法获取最新信息
- 无法访问用户私有数据
这也是为什么现代 AI 应用经常需要结合：
- 搜索
- RAG
- 数据库
- API
- 工具调用
- Agent
来增强模型能力。
二十四、AI 中几个最容易混淆的概念
AI vs ML
AI 是更大的概念，机器学习是实现 AI 的重要方法。
ML vs DL
深度学习属于机器学习的一类方法。
AI vs LLM
AI 是整个领域。
LLM 是 AI 中专注于语言处理的一类大型模型。
LLM vs ChatGPT
LLM 是模型技术。
ChatGPT 是面向用户的 AI 产品/服务。
可以简单理解：
LLM
↓
提供模型能力
ChatGPT
↓
产品
↓
模型 + 对话界面 + 工具 + 其他系统能力
LLM vs RAG
LLM 是模型。
RAG 是一种应用架构。
LLM → 生成内容
RAG → 检索外部知识 + 让LLM利用这些知识生成内容
LLM vs Agent
LLM 主要提供模型能力。
Agent 则是在模型基础上增加：
- 目标
- 规划
- 工具
- 状态
- 执行流程
Agent vs MCP
Agent 是一种 AI 应用系统形态。
MCP 是连接模型与外部工具/资源的一种协议。
两者并不是同一级别的概念。
二十五、把整个 AI 技术体系串起来
如果你刚开始学习 AI，可以先记住下面这张关系图：
人工智能 AI
│
┌──────────────┼─────────────────┐
│ │ │
机器学习 ML 规则系统 其他方法
│
深度学习 DL
│
神经网络
│
┌───┼────┐
│ │ │
CNN RNN Transformer
│
↓
大语言模型 LLM
│
┌──────┼──────────────┐
│ │ │
Prompt RAG Tool
│ │ │
│ │ Function Calling
│ │ │
└────────────┼────────┘
↓
AI Agent
│
↓
MCP
│
↓
外部工具 / 数据 / 系统
这张图不代表所有技术之间都是严格的上下级关系，而是帮助初学者建立整体认知。
二十六、AI 学习应该从哪里开始？
如果完全没有 AI 基础，不建议一开始就直接研究复杂的 Agent 或大模型底层代码。
可以按照下面的路线学习。
第一阶段：AI 基础
先理解：
- 什么是 AI
- 什么是机器学习
- 什么是深度学习
- 什么是神经网络
- 什么是模型
- 什么是训练
- 什么是推理
- 什么是参数
第二阶段：生成式 AI
继续学习：
- 生成式 AI
- 大语言模型
- Transformer
- Token
- Embedding
- Context
- Prompt
- Temperature
- 多模态模型
第三阶段：AI 应用
然后学习：
- RAG
- Vector Database
- Function Calling
- Tools
- AI Agent
- Workflow
- MCP
第四阶段：AI 实战
最后开始实际使用：
Prompt
↓
调用模型
↓
结构化输出
↓
RAG
↓
工具调用
↓
Agent
↓
MCP
↓
完整AI应用
这样学习会比一开始直接钻研复杂框架更加容易建立整体认知。
二十七、AI 基础概念 FAQ
1. AI 和人工智能是一个意思吗？
是的。
AI 是 Artificial Intelligence 的缩写，中文就是人工智能。
2. 学 AI 一定要会编程吗？
不一定。
如果只是使用 AI、学习 Prompt、使用 AI 工具，不需要很强的编程能力。
但如果希望开发 AI 应用，则建议掌握至少一种编程语言，例如 Python、JavaScript 或 Java。
3. AI、机器学习、深度学习哪个最重要？
它们不是互相竞争的概念。
可以理解为：
AI 是领域，机器学习是重要方法，深度学习是机器学习中的重要技术路线。
4. 大语言模型是不是 AI？
是。
LLM 是人工智能领域中的一种重要模型类型。
5. AI 能不能真正理解人类？
这是一个复杂的问题。
从工程角度看，现代 AI 可以表现出非常强的语言理解、推理和生成能力。
但“模型是否具有人类意义上的真正理解、意识或主观体验”属于更加复杂的哲学和科学问题，不能简单等同。
6. 为什么 AI 有时候会胡说八道？
这通常被称为AI 幻觉。
模型生成的内容可能具有很强的语言流畅性，但并不保证每一个事实都正确。
7. RAG 是不是一个 AI 模型？
不是。
RAG 更准确地说是一种检索增强生成架构。
8. Agent 是不是一个大模型？
不一定。
Agent 通常是一个由模型、工具、记忆、规划和执行流程等组成的 AI 系统。
9. MCP 是不是大模型？
不是。
MCP 是一种用于连接 AI 与外部工具、数据和资源的协议。
二十八、AI 基础概念总结
如果只记住这篇文章中的几个核心关系，可以记住：
AI
↓
人工智能的大领域
ML
↓
让机器从数据中学习的方法
DL
↓
机器学习中的深度学习方法
Neural Network
↓
深度学习的重要模型结构
Transformer
↓
现代语言模型等领域的重要架构
LLM
↓
处理和生成语言的大型模型
Prompt
↓
告诉模型要做什么
Embedding
↓
把信息转换成向量表示
RAG
↓
让模型检索外部知识
Tool
↓
让AI调用外部能力
Agent
↓
让AI围绕目标进行规划和执行
MCP
↓
标准化连接AI与外部工具、数据和资源
理解这些概念之后，再去学习 ComfyUI、AI 绘图、大语言模型、RAG、AI Agent、MCP 等具体技术，就会容易很多。
二十九、相关知识
如果你正在通过「AI学习猫」系统学习人工智能，可以继续了解：
- 什么是人工智能 AI？
- 什么是机器学习？
- 什么是深度学习？
- 什么是神经网络？
- 什么是大语言模型 LLM？
- 什么是 Transformer？
- 什么是 Token？
- 什么是 Embedding？
- 什么是 Prompt？
- 什么是 RAG？
- 什么是 AI Agent？
- 什么是 MCP？
- 什么是多模态 AI？
- 什么是生成式 AI？
- 什么是 Function Calling？
