AI 基础认知：先分清能力，再选择工具

学习目标

• 区分人工智能、机器学习、深度学习与生成式 AI。
• 用“输入、输出、成功标准”描述一个 AI 任务。
• 理解训练与推理，知道结果为什么需要核验。

不是每个自动化工具都是大模型

人工智能是一个广泛领域，研究如何让系统执行需要感知、推断或决策的任务。机器学习是一类从数据中学习规律的方法；深度学习是利用多层神经网络的机器学习方法。生成式 AI 根据学到的模式产生文本、图像等内容，但生成的流畅程度不等于事实正确程度。

一个按规则清理空格的工具可以有实际价值，却不需要学习数据，也没有语义理解能力。TheZ的计划和文本工具就是明确的规则程序。请先看工具完成了什么，再讨论名称，不要把“AI”当作自动获得可信性的标签。

训练与推理有什么区别

训练时，模型根据训练数据和目标调整参数。推理时，使用已有参数对新输入生成输出。学生在聊天框输入一句话，并不意味着每次都在重新训练模型。某个平台是否记录输入或用于改进模型，属于该平台的数据政策，应单独核对，不能从“这是 AI”推断。

模型表现受数据、目标、架构与评价方式共同影响。如果训练样本与使用情境不同，表现可能下降。只看训练数据上的结果容易高估能力，因此常把数据分为训练集与测试集。测试集不能反复用于修改模型后又当作未经接触的评价数据。

先把任务写清楚

以“整理学习记录”为例：

1. 输入：用户提供的课程名、时长与完成情况。
2. 输出：按日期汇总的记录与总时长。
3. 成功标准：字段不丢失，时长算对，未提供的信息不擅自补写。
4. 风险：含姓名或联系方式的记录，不应随意发给外部服务。

如果任务只是求和、去空格与格式化，规则程序往往更便宜、稳定、易核验。若需要处理开放的自然语言，大模型可能有帮助，但仍要定义评价与边界。模型不是所有问题的默认答案。

一个简单的评价例子

下面不训练模型，只演示如何对一组已有预测计算准确率。

truth = [1, 0, 1, 1]
predicted = [1, 0, 0, 1]
correct = sum(a == b for a, b in zip(truth, predicted))
accuracy = correct / len(truth)
assert accuracy == 0.75
print(accuracy)

输入长度相同且非空是本例前提，真实工具应检查。准确率也不是总足够：类别极不平衡时，总预测为多数类可能看似很高却没有实际价值。还需要结合错误类型、召回率与任务成本分析。

练习与参考

将预测改为 [0, 0, 0, 0]，准确率为 1/4。再思考：如果漏掉一次重要事件的成本远大于误报，是否只看准确率就够？不够，评价应对应真正的目标。

下一步学习 AI 使用中的验证流程，再进入 Python 数据科学、机器学习与深度学习路线。数学作为必要解释逐步补充，不需要一开始背下全部公式。