1.1 AI定义、流派与范式关卡
1.1 AI定义、流派与范式关卡
AI、机器学习、深度学习的包含关系与符号主义、联结主义两条路线的分野是本关考点；通关标准是：能各举一个"属于外圈但不属于内圈"的反例，并能解释专家系统为何不算机器学习。本关是全册演习的第一道关卡，练的是概念瞄准镜。
关卡题目
关卡一（单选）：以下关于人工智能、机器学习、深度学习三者关系的描述，正确的是：
A. 三者是并列关系，分别处理不同领域的问题
B. 机器学习是人工智能的实现途径之一，深度学习是机器学习的一个分支
C. 深度学习涵盖了机器学习，机器学习涵盖了人工智能
D. 人工智能就是机器学习，两者是同一概念的不同说法
关卡二（多选）：下列哪些系统属于人工智能但不属于机器学习？
- 基于人工编写规则的知识图谱问答系统
- 用 K-Means 对客户分群的营销系统
- 上世纪的专家系统，规则由领域专家逐条录入
- 深度神经网络图像分类器
关卡三（简答）：符号主义与联结主义的核心主张差异是什么？各举一个代表成果。
先攻：写出你的思路
按演习纪律，先别往下翻。给你三条攻击提示：
- 关卡一想"实现途径"这个词：人工智能是目标，达成目标的方法不止一种；
- 关卡二抓判别标准：机器学习的判定特征是"行为由数据中学习得来，而非人工硬编码"；
- 关卡三从"知识存在哪里"切入：一边认为知识可以写成符号规则，一边认为知识应从数据中涌现。
后核：标准解析
关卡一选 B。 人工智能是总目标——让机器表现出智能行为；实现它的途径包括早期的规则推理、搜索算法，也包括机器学习。机器学习的特征是从数据中自动拟合规律，而深度学习是其中使用多层神经网络的分支。C 把包含方向弄反了；A 忽略了层级包含；D 混同了目标与手段，是最典型的外行说法。
关卡二选 1 和 3。 判定机器学习的试金石只有一条：系统的决策逻辑是不是从数据学出来的。规则问答系统与专家系统的行为完全由人工编写的规则决定，数据变了它们也不会自我改进，所以属于人工智能（符号主义路线）但不属于机器学习。2 是无监督学习的典型算法落地；4 是深度学习的典型落地，两者都从数据中学习，排除。
关卡三：符号主义认为智能的来源是逻辑与符号运算，知识可以被显式表示为规则，代表成果是专家系统（如医疗诊断系统）；联结主义认为智能涌现自大量简单单元的连接与训练，知识隐式存储在参数里，代表成果是人工神经网络。当代大模型是联结主义路线的巅峰，而知识图谱、可解释规则系统延续着符号主义的血脉，两条路线在"神经符号结合"的方向上正在重新合流。
用一段 Python 把"属于 AI 但不属于 ML"的判定做成可执行的清单自测：
# 范式判定自测：AI / ML / DL 三层归属检查 systems = [ {"名": "专家系统", "数据学习": False, "多层神经网络": False}, {"名": "知识图谱问答", "数据学习": False, "多层神经网络": False}, {"名": "K-Means分群", "数据学习": True, "多层神经网络": False}, {"名": "决策树风控", "数据学习": True, "多层神经网络": False}, {"名": "CNN图像分类", "数据学习": True, "多层神经网络": True}, ] for s in systems: if not s["数据学习"]: tag = "AI 但非 ML（符号主义路线）" elif not s["多层神经网络"]: tag = "传统机器学习" else: tag = "深度学习" print(f"{s['名']:<10} → {tag}") # 输出： # 专家系统 → AI 但非 ML（符号主义路线） # 知识图谱问答 → AI 但非 ML（符号主义路线） # K-Means分群 → 传统机器学习 # 决策树风控 → 传统机器学习 # CNN图像分类 → 深度学习
再来一道辨析加餐：判别模型与生成模型的分野经常和本关考点捆绑出题。逻辑回归直接建模"给定特征属于正类的概率"，是判别模型；朴素贝叶斯先从数据估计"各类别下特征出现的概率"再反推类别，是生成模型。用代码验证两者的训练视角差异：
# 判别 vs 生成：同一个数据集，两种建模视角 # 数据：天气(0=晴,1=雨) 与 是否带伞(0=否,1=是) X = [0, 0, 1, 1, 1] y = [0, 1, 0, 1, 1] # 生成视角：估计 P(带伞=1) 与 P(X=x | 带伞) p_y1 = sum(y) / len(y) p_x1_given_y1 = sum(1 for xi, yi in zip(X, y) if xi == 1 and yi == 1) / sum(y) p_x1_given_y0 = sum(1 for xi, yi in zip(X, y) if xi == 1 and yi == 0) / (len(y) - sum(y)) print(f"P(带伞=1)={p_y1}, P(雨|带伞)={p_x1_given_y1}, P(雨|不带伞)={p_x1_given_y0}") # 判别视角：直接数 P(带伞=1 | X=1) 的经验频率 like = [yi for xi, yi in zip(X, y) if xi == 1] print(f"经验 P(带伞=1 | 雨) = {sum(like)}/{len(like)} = {sum(like)/len(like):.2f}") # 输出： # P(带伞=1)=0.6, P(雨|带伞)=0.6666666666666666, P(雨|不带伞)=0.5 # 经验 P(带伞=1 | 雨) = 2/3 = 0.67
生成视角多绕了一步（先建"世界怎么生成数据"的模型），换来的是能采样造新数据、能做异常检测；判别视角直接面向分类边界，同类任务下通常精度更高。这个取舍在面试里是高频追问。
复盘：易错点与变式
易错点一：把"用了计算机自动化的系统"当成人工智能。银行按规则自动转账的程序不是 AI，因为不含任何智能决策；判断始终回到"有没有学习或推理"。
易错点二：认为深度学习与传统机器学习的差别只是"模型更深"。本质差别在于表示学习：传统方法依赖人工特征工程，深度学习自动从原始数据学出多层表示。面试官常在此追问"既然深度学习更强，什么时候还该用传统机器学习"——小数据、强可解释性要求、低延迟推理场景都是答案。
变式一（把条件拧一下）：把关卡二的选项换成"遗传算法优化排班"——它属于搜索优化技术，服务于 AI 但本身不是从数据学习，依旧属于"AI 手段而非 ML"。判别标准不变，考的还是那块试金石。
变式二：问"大语言模型是符号主义还是联结主义"。标准答案：架构与训练方式是彻底的联结主义，但提示词里的规则约束、工具调用时的显式逻辑，正在把符号主义的操作重新嫁接回来——能答出这层演化的考生，概念关基本满分。
复盘产出：把"AI 手段清单 / ML 判定试金石 / DL 表示学习特征"三行抄进你的决策卡，下一关带进历史时间线。