资源介绍
视频数量：7个
总时长：1小时0分
课程介绍：
AI入门：零基础学懂人工智能
你有没有过这种经历？翻开一篇讲人工智能的文章，满眼都是专业术语，什么机器学习、深度学习、神经网络、大语言模型、智能体AI……看完不但没搞懂，反而更迷糊了。这些概念到底有什么区别？它们之间又是什么关系？如果你正被这些问题困扰，那这门课就是为你准备的。
这门课只有七节，时长一个小时，看起来不长，但内容相当扎实。它不玩虚的，不堆砌概念，而是真的要用最简单的方式，把人工智能这个大领域的底层逻辑给你讲清楚。课程从最基础的概念出发，一步步带你搭建起对AI的整体认知框架。
先说说什么是人工智能。人工智能是计算机科学里的一个大领域，核心目标是训练计算机去完成那些人类擅长做的事情，比如识别图片里的内容、理解人说的话、判断一封邮件是不是垃圾邮件等等。这听起来好像挺简单，但当你真正去看它怎么实现的时候，就会发现这里面的水其实挺深的。
课程的第一个重点是机器学习。你可以把机器学习理解成人工智能这个大圈子里的一个重要分支。机器学习又分两大块，一块叫统计机器学习，一块叫深度学习。统计机器学习里用的是那些传统的统计算法，比如线性回归、决策树、k均值聚类这些。课程里举了一个特别接地气的例子：谷歌怎么判断一封邮件是不是垃圾邮件？它不是靠人工一条条去看，而是让计算机去学习几万封已经标记好的垃圾邮件和非垃圾邮件，从中找出规律——比如邮件里出现"限时优惠""紧急"这类词，或者发件人ID看起来很可疑，那大概率就是垃圾邮件了。计算机学会这些规律之后，再收到新邮件，它就能自己判断了。这整个让计算机从数据里学规律的过程，就是机器学习。
但统计机器学习算法有个局限，它处理结构化的表格数据很拿手，比如一列是供应商名称、一列是交易金额这种。但如果是图片、文本、视频这些没有固定格式的数据——计算机看到的就是一堆像素点——传统算法就有点力不从心了。这时候就需要深度学习出场。
深度学习的核心是神经网络。你可以把它理解成模拟人脑工作方式的算法。人看到一张猫的照片，一眼就能认出来，因为我们的大脑在同时处理很多特征：圆圆的眼睛、尖尖的耳朵、细细的胡须，而且这个判断过程是非线式的。神经网络就是想让计算机也具备这种能力。课程会讲到几种常见的神经网络架构，比如擅长处理图像的卷积神经网络CNN，擅长处理序列数据的循环神经网络RNN，以及现在最火的大语言模型背后的Transformer架构。
说到Transformer，这是现代生成式AI和智能体AI热潮的关键技术。现在满世界都在聊的ChatGPT、各种AI绘图工具，其实都是生成式AI的具体应用。生成式AI和传统AI的区别在于：传统AI是根据已有数据做分析判断，比如判断一张图是猫还是狗；而生成式AI是根据学到的规律去创造全新的内容，生成一段文字、一张图片、一段代码。本质上，生成式AI也是AI的一种应用形式，只是它能做到的事情更惊艳。
大语言模型LLM是生成式AI的核心技术之一。它的工作原理简单来说就是：给模型喂海量的文本数据，让它学习语言的规律、学到语义之间的关联，然后你问它问题，它就能生成连贯的、看起来像人写出来的回答。ChatGPT就是大语言模型的典型代表。
课程最后几节把重点放在了AI智能体和智能体AI上。这两个概念最近特别火，但很多人分不清它们和生成式AI的关系。AI智能体简单说就是能够自主感知环境、做决策、采取行动的AI系统，它不只是被动地回答问题，而是能主动去完成复杂任务。而智能体AI则是一个更进阶的概念，强调的是AI系统具有规划、使用工具、协作等更高级的能力。课程会用具体的对比让你搞清楚这三者的区别和联系。
学完这门课，你会对人工智能这个领域有个清晰的全局认知，不再被那些专业词汇绕晕。你会知道人工智能、机器学习、深度学习、生成式AI、智能体这些概念各自是什么、彼此之间是什么关系。更重要的是，你会理解这些技术为什么能work，它们的底层逻辑是什么。这样当你再去接触任何AI相关的工具、产品或者课程，就不会再有那种云里雾里的感觉了。
课程时长控制在一个小时，非常适合作为入门的第一站。不管你是完全不懂技术的小白，还是对AI感兴趣但一直被术语劝退的人，这门课都能帮你建立起扎实的认知基础。