AI、机器学习、深度学习与LLM之间究竟有什么联系？
副标题：厘清基础模型、多模态和生成式 AI 的真实定位资料校准日期：2026 年 8 月 28 日面向读者：AI 初学者、产品经理、研发工程师，以及希望系统补全 AI 基础知识的读者第 1 篇里，我绘制了一张 AI 应用的全景图。后续几篇按 RAG、Workflow、Agent 和协议层层递进，讲解模型如何对接知识、工具和业务系统。可工程实践越深入，越有必要回头把地基夯实：AI、机器学习、深度学习、Transformer、基础模型、LLM、多模态模型和生成式 AI，是否构成一条由大到小的嵌套链？答案是否定
元光科技股价飙升逾17% TransitNow开启海外市场布局
元光科技（02605）早盘表现强劲，股价涨幅超过17%。截稿时，股价上涨17.39%，报1.35港元，成交量为56.335万港元。 今年4月，元光科技推出全新公交地铁查询应用TransitNow，在iOS和安卓平台同步上线。作为原有Busio业务的升级版，该应用覆盖了亚洲多个城市及地区以及澳大利亚，标志着公司海外业务迈上新台阶。公司透露，未来将以新加坡、悉尼和墨尔本等城市为核心，逐步扩大在亚洲及澳洲的市场版图。 资料显示，元光科技旗下的旗舰应用“车来了”已覆盖488个市县乡镇，用户总数达3.34亿，月活跃
硅历04：强化学习与大语言模型的融合
硅历 04通过反复试错来获取知识，才是智能最核心的属性。在之前的几篇中，我梳理了人工智能的两大流派：强调人类制定规则的符号主义，以及推崇模拟人脑的连接主义。其实，除了从生物行为中学习，还有一种源于进化论的路径。它经历了遗传、变异和试错，最终演变成了强化学习。著名的AlphaGo就是这一技术的代表。鉴于如今的人工智能融合了符号主义、深度学习与强化学习，为了保持记录的完整性，我简要回顾一下强化学习的发展脉络。1975年，密歇根大学的霍兰德教授受《自然选择的遗传理论》启发，认为进化是族群学习的方式，机器也可效仿
AI并非一夜变强——2022年才被真正感知的进化之路
这一系列文章总共九篇，起点相当朴素：我们希望把三个关于 AI 的基本问题彻底想透——它为何忽然变得如此强大，它究竟是什么，以及未来人类应当如何与它协作。前三篇从 AI 的演进历程谈起；中间三篇聚焦于能力、记忆、幻觉以及 Agent 的边界；最后三篇回归到临床运营从业者本身，探讨协作模式、职能分工与工作方式的转变。我并不打算把它写成一本“AI 工具操作手册”。工具迭代的速度太快，今天还值得专门钻研的功能，半年后或许已成为默认配置。相较之下，更值得投入时间去厘清的是那些不会迅速变化的问题：AI 的能力源于何处
人工智能28：Transformer MoE架构演进全景深度解读
当采用单层或多层网络同时学习多个子任务时，各子任务之间的梯度会产生相互冲突（interference），从而造成训练效率低下和泛化能力不足的问题。因此1991年提出的MoE仍属于稠密计算模式——每个样本都会经过所有专家处理，仅在输出阶段进行加权融合。它最初的设计目标是解决"任务分工与抗干扰"问题，而非后来大家关注的"节省算力"。将"软加权"转变为"Top-K稀疏激活"则是2017年之后才出现的技术。1994年，Jordan与Jacobs将其扩展为层次化MoE（树形结构，采用EM算法进行训练）2017年，S
用初中数学讲明白AI：第六章——海量练习如何锻造大模型
您想知道的人工智能干货，第一时间送达📚 「大兰写给小兰的暑假阅读：用初中数学讲明白AI」前面四章，咱们一块一块地把Transformer拆了个底朝天——分词、嵌入、注意力、前馈网络、残差连接、层归一化，零件全都过了一遍。此刻你面前摆着一台构造精巧的机器。线路齐整，接口规范，乍一看相当唬人。不过它毫无用处。并非贬低，纯粹是在描述事实。GPT-3有1750亿个参数，初出茅庐之际，这些参数全部是随机数。你输入"今天天气"，它回你"恐龙"。你问它一加一等于几，它告诉你"炒饭"。一个高配的草包。问题自然浮现：它究竟
谷歌人工智能发展历程
2016 年，由 DeepMind 研发的围棋 AI 程序 AlphaGo 与世界冠军李世石展开五局对决，最终以 4:1 的比分取胜，此消息当时引发广泛关注，其影响力堪比早年 IBM 深蓝击败国际象棋大师的盛况。2020 年，AlphaFold 2 模型问世，成功攻克了生物学领域悬而未决半个世纪的蛋白质折叠难题。该项目负责人哈萨比斯与科学家 John Jumper 在 2024 年共同摘得诺贝尔化学奖桂冠。当年看到这则新闻时颇为困惑，一家科技企业为何能获此殊荣，这个疑问一直留存至今。DeepMind 始终
深度解析AI思维机制：从零开始讲透人工智能
深度解析 一文彻底搞懂 AI 是怎么"想"的 人工智能 掰开揉碎讲 引言 清晨睁眼，你摸起手机，短视频应用已为你备好今日可能感兴趣的内容。出门通勤，导航软件提示哪条路最拥挤、哪条路最高效。 人工智能每天都在陪伴你，但你是否真正了解——它究竟是什么？ 这篇文章，我想尝试一件事——把人工智能拆解开来，细细地讲给你听。 我不要求你精通数学，也不要求你会写代码。你只需怀揣一颗好奇之心，像倾听一位老朋友叙述过往一般，随我一同往下探索。 1 第一章 AI并非魔法——人工智能的本质 1.1 何为"
AI从何而来：一场跨越70年的探索
许多人听到AI，第一反应就是这是近些年才冒出来的新鲜事物。事实并非如此。它的渊源，要追溯到大约七十年前的一个疑问。今天咱们不谈技术层面的细枝末节，而是把AI的"家世"梳理清楚。等你读完就会明白：你手机里现今的各种AI功能，都能在源头找到对应。1950年，英国数学家阿兰·图灵发表了一篇论文，其中抛出了一个至今仍被反复讨论的命题："机器，是否能够思考？"他并未急于给出结论，而是构思了一个精巧的验证方法——后来被称作"图灵测试"：假如一台机器能够在文字交流中让人无法分辨对方是人还是机器，那么它就可以被认为"具备
AI深度学习实战课程：CNN/Transformer/扩散模型与智能体应用
在线直播教学上课时间：8月29日至30日、9月5日至6日【提供完整资料、代码及长期回放权限】课程介绍教学大纲✦•✦✦联系工作人员，获取详细信息✦课程亮点与授课形式授课形式：网络直播+学习群辅助+导师在线实践交流（报名后加入学习群，查看会议流程）课程亮点：1、深入浅出讲解理论原理；2、分享技巧方法，提供所有案例数据及代码；3、结合项目案例讲解实现方法，贴近实际工作应用；4、实时上机操作，独立完成案例练习，全程跟踪问题解答；5、课程结束后，专属学习群持续巩固学习及实际工作交流，不定期线上答疑；证书与发票事宜培
从算力到记忆：Kimi K3如何重新定义大模型的未来
在很多人看来，大模型能力的提升主要得益于硬件性能的增强。但实际上，当前制约AI发展的核心因素，已经从计算能力转移到了存储机制。如果说过去几年AI竞争的重心是"算力"，那么从2026年起，行业正在迈入一个全新的阶段：Memory First（记忆优先）时代。而Kimi K3的架构突破，正是这一趋势最具代表性的案例。让我们先看一个思想实验。老师给每位学生一本包含100万页的教材。每当被问到问题时，学生都必须从头到尾翻阅整本书来寻找答案。效率如何？答案显而易见。传统Transformer的工作方式正是如此。每当
AI二十年：从沉默到会说会看会想
系列 · 终结篇第一期我们讲到2016年，AlphaGo击败李世石，全世界第一次亲眼看见AI的"可怕"。但如果把AlphaGo比作一个围棋天才，它的才华是"封闭"的——只会下棋，不会聊天，不会画画，不会写文章。就像一个智商爆表但从不开口的学霸，你知道他准厉害，但说不上来他厉害在哪。2016年之后发生的事情，才是真正让AI走进你手机、你办公室、你生活的那部分。机器不仅学会了说话，还学会了看、听、画，甚至学会了"推理"。这篇文章，就是这后十年的故事。如果你让我选一个字来形容AlphaGo之后这几年AI的发展速
AI 工程从零起步：先打通底层全链路，再谈 Agent 构建
最近在学 AI 的朋友，常常会陷入一种尴尬处境。你能调用模型、能搭建 RAG、也能把工具接入 Agent，可一旦输出走样、检索失灵、成本爆掉，排查就像在黑箱外面敲墙。这套开源教程 ai-engineering-from-scratch，正是为了补上这一短板。它不从“搭一个聊天机器人”切入，而是把学习路径拉回底层：数学、机器学习、神经网络、Transformer、LLM 工程、工具协议、Agent、生产环境。每一阶段都要求你亲手写出可运行的小实现，再去调用成熟框架。听上去很硬核，可它的意义并非让每个人都去训
AI创新密码：从0到1的范式革命
AI的来龙去脉：从0到1的原创创新密码 人工智能的百年发展，从来不是简单的技术叠加与功能升级，而是一场从哲学猜想、理论突破、技术迭代到产业生态重构的史诗级创新运动。 大众常常把“功能优化、产品微调、方案整合”当成创新，但真正推动AI时代更迭、重塑人类生产生活方式的，永远是从零到一的原创性范式突破。 AI百年发展史清晰证明：顶级原创创新不靠天赋灵感，也不靠偶然运气，它有固定的底层逻辑、可复刻的诞生路径、可规避的创新陷阱、可落地的实操体系。读懂AI的来龙去脉，就是读懂所有颠覆性创新的通用密码。 一、AI的源头
人工智能演进之路：从理论萌芽到全面赋能社会
人工智能演进历经思想萌芽、学科诞生、两次寒冬、深度学习崛起、大模型爆发以及治理规范六个关键阶段，核心驱动力来自算法、算力和数据三者的协同推进，已从早期理论探索迈向全面赋能社会的全新阶段。以下按时间顺序进行清晰梳理： 一、思想萌芽阶段（1940s–1956）：理论奠基 1、1943年：麦卡洛克与皮茨构建神经元数学模型，模拟人脑神经元运作机制。 2、1950年：艾伦·图灵发表《计算机器与智能》一文，提出图灵测试，为机器智能判定确立标准。 3、1956年：达特茅斯会议顺利召开，麦卡锡、明斯基等科学家首次正式提出