本章要回答的三个问题:人工智能这个词到底圈住了哪些东西?它一路走来经历了什么、为什么几起几落?拿到一个业务问题,怎么判断它属于哪类学习任务?这三个问题答不利索,后面的机器学习、深度学习关卡就会处处踩空。
概念辨析题看起来最"送分",实际是面试淘汰率最高的一档。原因很简单:名词都眼熟,边界却模糊。能把"机器学习属于人工智能,深度学习又是机器学习的子集"这句话说顺的人不少,能进一步解释"为什么专家系统不算机器学习、深度学习与传统机器学习的分界到底划在哪"的人就少了一大截。更常见的情况是:做了半年分类项目,被问"你这是判别模型还是生成模型"当场语塞。
这一章不堆名词卡片,而是把概念放到题目里对抗。每道题都会逼你在两个近似选项之间做出选择,并把选错的代价讲清楚——这正是概念辨析在实战中的样子:没人问你定义,但每个技术决策背后都藏着一次辨析。
对照开篇的三个问题,打完本章关卡后你应当能:
| 节号 | 回答哪个问题 | 关键产出 |
|---|---|---|
| 第一节 AI定义、流派与范式关卡 | 人工智能圈住了什么 | 三层包含关系图 + 流派对比表 |
| 第二节 AI发展史与里程碑关卡 | 为什么几起几落 | 演化时间线 + 寒冬诱因分析 |
| 第三节 机器学习任务分类关卡 | 业务问题归属哪类 | 任务判别决策流程 + 反例清单 |

三条推进线在"任务分类基本功"处汇合:无论哪条历史路线走到今天,落地的第一步都是把业务问题翻译成学习任务——这正是第三节的核心演练。
| 知识点 | 达标线 | 对应关卡 |
|---|---|---|
| 三层包含关系 | 画出 AI、机器学习、深度学习的嵌套图并各举反例 | 关卡一 |
| 符号主义与联结主义 | 各用一句话概括主张,说出各自的代表成果 | 关卡一 |
| 判别模型与生成模型 | 归类逻辑回归与朴素贝叶斯并说明建模目标差异 | 关卡一 |
| 潮汐节拍 | 把达特茅斯会议、感知器、专家系统、深度学习复兴挂上时间线 | 关卡二 |
| 寒冬诱因 | 分别说清两次寒冬的被打击对象与直接技术原因 | 关卡二 |
| 学习范式判别 | 按标签有无、反馈延迟把业务描述归入对应范式 | 关卡三 |
这份清单就是本章的"验收单":每条都能出成一道题自测,答不利索的条目回对应关卡重打。
概念弹药补充完毕后,下一编队(机器学习基础)立刻进入真刀真枪的算法选型与指标计算:损失函数怎么配、精确率召回率怎么算、过拟合怎么治。本章第三节练出的"任务判别决策卡"将直接决定第二章每道题的入手方向——任务归类错了,后面的算法与指标全盘皆错。