章节摘要:会用工具之后,好奇"它怎么做到的"是很自然的事。本章用通俗方式讲清三层原理:机器学习(AI 怎么学)、深度学习(怎么学得更深)、大模型(为什么突然变强)。不堆公式,重在建立直觉,赶时间的读者可以整章略读。
阅读完本章,你应当能够:
一句话记住本章:AI 的学习 = 从大量例子中找规律,大模型 = 规律找得更多更细——理解这三层,你对 AI 的认知就超过大多数人了。

AI 怎么"从例子学规律":监督、无监督、强化三种学习方式,特征/标签/训练的核心概念,一个奶茶店备料的完整例子。
神经网络是什么、神经元与反向传播怎么工作、CNN/RNN/Transformer 三大结构各管什么,以及深度学习改变了什么。
分词与向量化、注意力机制、预训练三步走(预训练-微调-对齐)、规模定律与涌现能力,以及从你提问到它回答的完整旅程。
训练集与测试集、过拟合与欠拟合、准确率为什么会骗人、指标怎么匹配代价结构,配客户流失模型的评估实例。
机器学习(3.1) → 深度学习(3.2) → 大模型(3.3) → 评估(3.4) 学规律 学得深 学得广 怎么验收
四节是递进关系:从"AI 怎么学"到"怎么学得更好"再到"怎么验收",构成完整的原理认知。3.1 是地基,跳过它直接看 3.3 会似懂非懂;3.4 相对独立,只想学"怎么判断 AI 可不可靠"的读者可以单读。
| 概念 | 一句话记忆 | 出处 |
|---|---|---|
| 监督/无监督/强化 | 有答案、没答案、靠奖惩 | 3.1 |
| 特征与标签 | 输入的属性、要预测的答案 | 3.1 |
| 神经元 | 加权打分的微型评委 | 3.2 |
| 反向传播 | 误差逐层回传,责任大的多调 | 3.2 |
| 注意力机制 | 每个词看全场,判断谁相关 | 3.3 |
| 训练三步 | 预训练出通才、微调学听话、对齐说人话 | 3.3 |
| 幻觉 | 概率生成不是知识检索,引用必核实 | 3.3 |
| 过拟合 | 训练好测试差,模型在背答案 | 3.4 |
| 指标匹配代价 | 漏诊代价大就保召回,错杀代价大就保精确 | 3.4 |
⚠️ 常见坑:原理章的打开方式是"建立直觉"而不是"背诵术语"。检验标准:能否用自己的话把"过拟合"讲给家人听。讲不出来就回去再看对应小节,讲出来了就继续往下——不必追求每个细节都精确。
💡 关键直觉:本章四节其实是同一个故事的四幕——AI 找规律(机器学习)、找得更细(深度学习)、找得又广又深(大模型)、找得可不可靠(评估)。带着这条主线读,术语都会归位。
章名标着"可选深入",但别误会它的分量:第 2 章教你"怎么用",本章教你"为什么这样用"。两章合起来,你才既有手感又有底气——手感让你今天就能提效,底气让你在工具更新换代时知道哪些经验继续有效、哪些需要重学。从这个意义上说,本章是整套教程里最"抗过期"的一章。
本章每节都配了图,复习时按图索骥效率最高:3.1 的三种学习方式对比图,帮你一眼分清监督、无监督、强化的输入差异;3.2 的流水线结构图,展示数据如何层层抽象成"识别";3.3 的从词到数字示意图,是理解一切语言模型的钥匙;3.4 的评估流程图,把"训练集考自己、测试集见真章"画得明明白白。看文字犯困的时候,先看图再回头读,是原理章的省力读法。