知识点思维导图
16 个知识节点
大模型基础（12） - AI、ML、DL 与基础模型概念边界
读完后，你应能完成以下任务：
- 绘制“大模型基础（10） - AI、ML、DL 与基础模型概念边界 / 概念关系”的关键对象与数据流，解释“人工智能是最外层目标，既包含规则搜索，也包含从数据学习的机器学习。”，并用源码位置、日志或 Trace 标注证据。
- 为“大模型基础（10） - AI、ML、DL 与基础模型概念边界 / 部署形态不是能力类型”设计正常与异常输入，验证““闭源”通常通过厂商 API 调用。”，输出首个偏差位置与回归测试结果。
- 实现“大模型基础（10） - AI、ML、DL 与基础模型概念边界 / 从需求反推技术”的最小代码或配置，检验“规则明确且必须完全可解释：优先确定性代码或规则引擎。”，输出命令、结果与 Diff，并说明不适用边界。
概念不是为了背缩写，而是为了判断一个需求究竟需要规则系统、传统模型、生成模型、Embedding 还是工具调用。
核心知识清单
- 人工智能、机器学习与深度学习
- 生成式 AI、基础模型与大语言模型
- 聊天模型、推理模型与 Embedding 模型
- 多模态模型与专用视觉、语音模型
- 开源权重、闭源 API、本地部署与云端托管
- 规则、传统 ML、LLM、RAG 与 Tool 的选择边界
一、先建立全局：AI、ML、DL 与基础模型概念边界 是什么？
理解“AI、ML、DL 与基础模型概念边界”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。
“AI、ML、DL 与基础模型概念边界”的第一个核心判断是：人工智能是最外层目标，既包含规则搜索，也包含从数据学习的机器学习。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。
| 顺序 | 章节 | 读完本节应抓住的结论 |
|---|---|---|
| 1 | 概念关系 | 人工智能是最外层目标，既包含规则搜索，也包含从数据学习的机器学习。 |
| 2 | 部署形态不是能力类型 | “闭源”通常通过厂商 API 调用。 |
| 3 | 从需求反推技术 | 规则明确且必须完全可解释：优先确定性代码或规则引擎。 |
| 4 | 人工智能、机器学习与深度学习 | 人工智能是最外层目标，既包含规则搜索，也包含从数据学习的机器学习。 |
| 5 | 生成式 AI、基础模型与大语言模型 | # 大模型基础（10） - AI、ML、DL 与基础模型概念边界 |
| 6 | 聊天模型、推理模型与 Embedding 模型 | 概念不是为了背缩写，而是为了判断一个需求究竟需要规则系统、传统模型、生成模型、Embedding 还是工具调用。 |
1.1 核心对象之间怎样衔接
flowchart LR
S1["概念关系"] --> S2
S2["部署形态不是能力类型"] --> S3
S3["从需求反推技术"] --> S4
S4["人工智能、机器学习与深度学习"] --> S5
S5["生成式 AI、基础模型与大语言模型"]
这张图只表达本文的讲解顺序，不替代正文机制。判断“AI、ML、DL 与基础模型概念边界”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。
1.2 再看失败：问题最早会出现在哪一步？
在“AI、ML、DL 与基础模型概念边界”的对象和顺序已经明确后，再看可观察的失败：模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。
二、概念关系
人工智能是最外层目标，既包含规则搜索，也包含从数据学习的机器学习。 深度学习是机器学习的一类，用多层神经网络学习表示。 生成式 AI 关注生成文本、图片、音频或代码； 基础模型是在大规模通用数据上训练、可适配多种任务的模型； LLM 是以语言为核心的一类基础模型。
聊天模型描述消息接口和对话对齐方式，推理模型针对复杂分析与规划优化。 Embedding 模型把内容转换成向量，不直接生成答案。 多模态模型接收图片、音频等输入， 但专用 OCR、ASR 或目标检测模型在固定任务上可能更便宜、更稳定。
三、部署形态不是能力类型
“开源”需要核对权重、代码、许可证和商业限制，不等于可以任意使用； “闭源”通常通过厂商 API 调用。 模型可以在本地设备、企业集群或云服务运行。 数据隐私、区域、延迟、吞吐、硬件、升级和运维能力共同决定部署， 而不是简单认为本地必然安全或云端必然昂贵。
四、从需求反推技术
- 规则明确且必须完全可解释：优先确定性代码或规则引擎。
- 标签稳定、输出类别固定：比较传统 ML 和小型语言模型。
- 需要生成、抽取或语义理解：评测适合的聊天或推理模型。
- 事实频繁变化：用 RAG 或业务 API，不把知识硬塞进 Prompt 或微调。
- 需要真实动作：模型只提出 Tool Call，后端负责授权和执行。
- 需要语义相似度：使用 Embedding，但最终决策仍要业务校验。
五、动手验证：先跑通 AI、ML、DL 与基础模型概念边界，再改变一个变量
前面的章节已经建立问题、概念和机制。现在把“AI、ML、DL 与基础模型概念边界”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。
5.1 基线与候选只允许一个变量不同
验证“AI、ML、DL 与基础模型概念边界”时，先固定模型、Tokenizer、消息序列、输入输出 Token 预算、参数和错误样本。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。
执行“AI、ML、DL 与基础模型概念边界”时，动作是：记录请求到流式完成的各阶段，比较正常、超限、认证失败、限流和中断路径。原始结果不能只保留截图或汇总分数，必须同步保存：最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应，使下一次复查可以在同一输入上重放。
| 实验要素 | 本文要求 |
|---|---|
| 固定条件 | 固定模型、Tokenizer、消息序列、输入输出 Token 预算、参数和错误样本 |
| 唯一变量 | 本次候选方案与基线之间的一项明确差异 |
| 原始证据 | 最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应 |
| 通过阈值 | 输入输出符合接口与上下文预算，异常可分类，密钥不落日志且中断不冒充成功 |
| 立即停止 | 模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交 |
5.2 执行前先排除不可比较条件
“AI、ML、DL 与基础模型概念边界”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。
- 基线能够在“AI、ML、DL 与基础模型概念边界”的当前环境重复运行。
- 候选只改变一个与“AI、ML、DL 与基础模型概念边界”结论直接相关的条件。
- “AI、ML、DL 与基础模型概念边界”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
- “AI、ML、DL 与基础模型概念边界”的原始输出和失败现场不会被重试、格式化或汇总覆盖。
5.3 执行后先核对证据完整性
结果出来后先检查证据，再讨论“AI、ML、DL 与基础模型概念边界”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。
| 检查项 | 当前文章的判定 |
|---|---|
| 输入可追溯 | 固定模型、Tokenizer、消息序列、输入输出 Token 预算、参数和错误样本 |
| 过程可回放 | 记录请求到流式完成的各阶段，比较正常、超限、认证失败、限流和中断路径 |
| 结果可审计 | 最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应 |
“AI、ML、DL 与基础模型概念边界”的一次合格基线对照按以下顺序执行：
- 保存“AI、ML、DL 与基础模型概念边界”基线版本及输入摘要，确认基线本身可以重复运行。
- 写下“AI、ML、DL 与基础模型概念边界”候选方案唯一变化的变量，以及它预期影响的指标。
- 在同一环境执行“AI、ML、DL 与基础模型概念边界”：记录请求到流式完成的各阶段，比较正常、超限、认证失败、限流和中断路径。
- 为“AI、ML、DL 与基础模型概念边界”保存：最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应。
- 使用“AI、ML、DL 与基础模型概念边界”预登记条件判断：输入输出符合接口与上下文预算，异常可分类，密钥不落日志且中断不冒充成功。
- 如果“AI、ML、DL 与基础模型概念边界”未通过，不修改第二个变量，先恢复基线并保留失败现场。
六、用一张矩阵验证 AI、ML、DL 与基础模型概念边界 的关键结论
矩阵按正文顺序列出“AI、ML、DL 与基础模型概念边界”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。
| 正文章节 | 已解释的结论 | 本轮唯一变量 | 必须保存的证据 |
|---|---|---|---|
| 概念关系 | 人工智能是最外层目标，既包含规则搜索，也包含从数据学习的机器学习。 | 只改变与“概念关系”相关的条件 | 最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应 |
| 部署形态不是能力类型 | “闭源”通常通过厂商 API 调用。 | 只改变与“部署形态不是能力类型”相关的条件 | 最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应 |
| 从需求反推技术 | 规则明确且必须完全可解释：优先确定性代码或规则引擎。 | 只改变与“从需求反推技术”相关的条件 | 最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应 |
| 人工智能、机器学习与深度学习 | 人工智能是最外层目标，既包含规则搜索，也包含从数据学习的机器学习。 | 只改变与“人工智能、机器学习与深度学习”相关的条件 | 最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应 |
| 生成式 AI、基础模型与大语言模型 | # 大模型基础（10） - AI、ML、DL 与基础模型概念边界 | 只改变与“生成式 AI、基础模型与大语言模型”相关的条件 | 最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应 |
| 聊天模型、推理模型与 Embedding 模型 | 概念不是为了背缩写，而是为了判断一个需求究竟需要规则系统、传统模型、生成模型、Embedding 还是工具调用。 | 只改变与“聊天模型、推理模型与 Embedding 模型”相关的条件 | 最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应 |
6.1 记录本次实际实验
下面的记录用于“AI、ML、DL 与基础模型概念边界”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。
topic: "AI、ML、DL 与基础模型概念边界"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "记录请求到流式完成的各阶段，比较正常、超限、认证失败、限流和中断路径"
evidence: "最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应"
pass_when: "输入输出符合接口与上下文预算，异常可分类，密钥不落日志且中断不冒充成功"
stop_when: "模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure
6.2 边界实验必须证明能够停止和恢复
成功路径只能证明“AI、ML、DL 与基础模型概念边界”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交，并观察系统是否在产生不可逆副作用前停止。
| 场景 | 只改变什么 | 应保存什么 | 通过标准 |
|---|---|---|---|
| 正常路径 | 使用已知有效输入 | 最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应 | 输入输出符合接口与上下文预算，异常可分类，密钥不落日志且中断不冒充成功 |
| 边界路径 | 把一个输入推进到约束临界值 | 临界值前后的输出与指标 | 不静默降级，不把部分结果冒充成功 |
| 明确失败 | 注入：模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交 | 原始错误、首个异常阶段和最终状态 | 失败被正确分类且没有扩大副作用 |
| 恢复重放 | 执行：按客户端、网关、应用、模型服务和解析边界定位首个偏差并保留原错误 | 原失败样本的复测证据 | 原样本恢复，正常样本没有回归 |
恢复动作不是简单重启。对于“AI、ML、DL 与基础模型概念边界”，第一步是：按客户端、网关、应用、模型服务和解析边界定位首个偏差并保留原错误。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。
“AI、ML、DL 与基础模型概念边界”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。
七、AI、ML、DL 与基础模型概念边界 的结果解释
解释“AI、ML、DL 与基础模型概念边界”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。
| 观察结果 | 可以支持的判断 | 下一步 |
|---|---|---|
| 主链路没有达到预期 | 模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交 | 先执行：按客户端、网关、应用、模型服务和解析边界定位首个偏差并保留原错误 |
| 异常链路无法恢复 | 模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交 | 先执行：按客户端、网关、应用、模型服务和解析边界定位首个偏差并保留原错误 |
| 新样本成功但原样本仍失败 | 修复没有覆盖原始触发条件 | 固定原失败输入，恢复基线后重新比较 |
| 指标改善但证据无法回链 | 数据、版本或中间状态没有固定 | 暂停发布，补齐可追溯记录后重跑 |
“AI、ML、DL 与基础模型概念边界”只有同时满足“输入输出符合接口与上下文预算，异常可分类，密钥不落日志且中断不冒充成功”，并且没有出现“模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。
如果“AI、ML、DL 与基础模型概念边界”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。
“AI、ML、DL 与基础模型概念边界”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。
八、AI、ML、DL 与基础模型概念边界 的发布判断
发布判断需要把“AI、ML、DL 与基础模型概念边界”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。
- “AI、ML、DL 与基础模型概念边界”的基线与候选只存在一个计划内变量。
- “AI、ML、DL 与基础模型概念边界”的输入、代码、依赖、配置和数据版本可以追溯。
- “AI、ML、DL 与基础模型概念边界”的正常、临界、失败和恢复样本使用同一套断言。
- “AI、ML、DL 与基础模型概念边界”的原始输出、中间状态和失败现场已经保留。
- “AI、ML、DL 与基础模型概念边界”的日志、Trace、截图和测试数据已经脱敏。
- “AI、ML、DL 与基础模型概念边界”的停止条件、负责人和回滚入口已经演练。
- “AI、ML、DL 与基础模型概念边界”尚未覆盖的输入、权限、容量和外部依赖已经登记。
最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“AI、ML、DL 与基础模型概念边界”的判断，就不能发布。
九、总结
- 概念关系：人工智能是最外层目标，既包含规则搜索，也包含从数据学习的机器学习。
- 部署形态不是能力类型：“闭源”通常通过厂商 API 调用。
- 从需求反推技术：规则明确且必须完全可解释：优先确定性代码或规则引擎。
- 人工智能、机器学习与深度学习：人工智能是最外层目标，既包含规则搜索，也包含从数据学习的机器学习。
- 生成式 AI、基础模型与大语言模型：# 大模型基础（12） - AI、ML、DL 与基础模型概念边界
- 聊天模型、推理模型与 Embedding 模型：概念不是为了背缩写，而是为了判断一个需求究竟需要规则系统、传统模型、生成模型、Embedding 还是工具调用。
学完自测
选择所有正确答案；提交后逐项核对判断依据。