从 0 开始学 AI：第 1 课，普通软件和 AI 软件有什么区别？
- 1. 为什么要先理解这个问题？
- 2. 普通软件是怎么工作的？
- 3. AI 软件是怎么工作的？
- 4. 普通软件和 AI 软件的核心区别
- 5. AI 的三个核心概念：数据、模型、训练
- 5.1 数据
- 5.2 模型
- 5.3 训练
- 6. 训练和推理有什么区别？
- 6.1 训练是什么？
- 6.2 推理是什么？
- 7. AI 不是简单地“查规则”
- 8. 用猫狗识别理解 AI 的完整流程
- 8.5 数据、模型、训练的关系
- 9. 本节课的核心总结
- 10. 本节课的关键词
- 11. 我的阶段理解
- 12. 本节课后的自测问题
- 这一课的最终记忆版
1. 为什么要先理解这个问题？
刚开始学习 AI 的时候，最容易被各种名词吓住：
机器学习 深度学习 大模型 训练 推理 参数
Token Embedding GPU RAG Agent
但在进入这些复杂概念之前，最应该先弄明白一个基础问题：
AI 软件和普通软件到底有什么区别？
如果这个问题理解清楚，后面学习机器学习、深度学习、大模型时，就会轻松很多。
2. 普通软件是怎么工作的？
普通软件的核心特点是：
人写规则，软件执行规则。
比如一个简单的折扣计算程序：
如果订单金额大于 100 元，打 9 折。
如果订单金额大于 500 元，打 8 折。
如果订单金额大于 1000 元，打 7 折。
这些规则都是人提前写好的。软件本身并不会主动学习，它只是按照程序员写好的逻辑一步一步执行。
再比如一个传统的垃圾邮件判断程序，可能会这样写规则：
如果邮件标题包含“中奖”，判断为垃圾邮件。
如果邮件内容包含“免费领取”，判断为垃圾邮件。
如果邮件里有可疑链接，判断为垃圾邮件。
这种方式的优点是清晰、可控。
但缺点也很明显：规则需要人不断维护，遇到新情况时，软件可能就判断不出来。
例如垃圾邮件换一种说法：
恭喜你获得专属福利，请立刻查收。
如果程序里没有这条规则，普通软件可能就识别失败。
3. AI 软件是怎么工作的？
AI 软件的核心特点是：
不是主要靠人写死规则，而是通过数据训练模型，让模型从数据中学习规律。
还是以垃圾邮件识别为例。
普通软件的做法是：
人写很多判断规则。
AI 软件的做法是：
给模型很多邮件样本：
这封是垃圾邮件。
这封不是垃圾邮件。
这封是垃圾邮件。
这封不是垃圾邮件。然后让模型从这些样本中学习规律。
模型可能会学到：
什么样的词经常出现在垃圾邮件里？
什么样的标题更像广告？
什么样的链接更可疑？
什么样的语气更像营销内容？
训练完成后，再来一封新邮件，模型就可以根据学到的规律判断它是不是垃圾邮件。
4. 普通软件和 AI 软件的核心区别
可以用一句话概括：
普通软件是规则驱动，AI 软件是数据驱动。
也可以这样理解：
普通软件：人告诉机器规则，机器按规则执行。
AI 软件：人提供数据和目标，机器从数据中学习规律。
对比如下：
| 对比项 | 普通软件 | AI 软件 |
|---|---|---|
| 核心方式 | 人写规则 | 数据训练模型 |
| 规则来源 | 程序员提前定义 | 模型从数据中学习 |
| 适合任务 | 规则明确、流程固定的任务 | 规律复杂、难以手写规则的任务 |
| 典型例子 | 计算器、订单系统、表单系统 | 图像识别、语音识别、推荐系统、聊天机器人 |
| 遇到新情况 | 可能需要修改代码 | 可能通过更多数据继续优化 |
下面的架构图展示了普通软件与AI软件在系统设计上的根本差异：
5. AI 的三个核心概念：数据、模型、训练
理解 AI，先抓住三个关键词：
数据 模型 训练
5.1 数据
数据是 AI 学习的材料。
比如：
图片 文本 语音 视频 用户点击记录 交易记录 医学影像 传感器数据
没有数据，AI 就很难学习规律。
例如要训练一个识别猫狗的 AI，就需要大量猫和狗的图片。
5.2 模型
模型可以先理解成：
一个能够从数据中学习规律，并对新输入做出判断或生成内容的系统。
不同任务会有不同模型：
垃圾邮件识别模型：判断邮件是不是垃圾邮件。
图像识别模型：判断图片里是什么。
语音识别模型：把声音转成文字。
推荐模型：预测用户可能喜欢什么。
大语言模型：根据上下文生成回答。
在 AI 里，模型不是普通意义上的“模型玩具”，而是一个由大量参数组成的计算系统。
5.3 训练
训练就是让模型通过大量数据不断学习规律的过程。
训练过程可以简单理解为：
经过大量重复后，模型就会越来越擅长某类任务。
例如猫狗识别模型一开始可能分不清猫和狗。
经过大量猫狗图片训练后，它会逐渐学会猫和狗在耳朵、脸型、身体结构、毛发、姿态等方面的区别。
6. 训练和推理有什么区别？
学习 AI 时，经常会遇到两个词：
训练 推理
这两个词非常重要。
6.1 训练是什么？
训练是模型学习的过程。
例如：
给模型看大量猫狗图片，让它学习猫和狗的区别。
训练通常需要：
大量数据
较长时间
较高算力
不断调整模型参数
训练的目标是让模型掌握某类任务的规律。
6.2 推理是什么？
推理是使用训练好的模型处理新输入。
例如：
模型已经学过很多猫狗图片。 现在给它一张新的图片。 它判断这张图片是猫还是狗。
这个判断过程就是推理。
也可以理解成：
训练：学习阶段。
推理：使用阶段。
举例：
| 场景 | 训练 | 推理 |
|---|---|---|
| 猫狗识别 | 看大量猫狗图片，学习区别 | 输入一张新图片，判断猫或狗 |
| 垃圾邮件识别 | 看大量邮件样本，学习垃圾邮件特征 | 判断一封新邮件是否是垃圾邮件 |
| 大语言模型 | 从大量文本中学习语言规律 | 用户输入问题，模型生成回答 |
| 语音识别 | 学习大量语音和文字对应关系 | 把一段新语音转成文字 |
7. AI 不是简单地“查规则”
很多人刚开始会以为 AI 只是在查规则库。
其实不是。
普通软件更像这样：
如果 A，就执行 B。
如果 C，就执行 D。
AI 更像这样：
看过大量样本后，学到某种规律。
遇到新情况时，根据学到的规律做判断。
需要注意的是，AI 学到的规律不一定会以人类能直接读懂的规则形式存在。
比如一个猫狗识别模型，它不一定会明确写出：
耳朵尖的是猫。
嘴巴长的是狗。
胡须明显的是猫。
它更可能是在大量图片中学习到复杂的特征组合，然后根据这些特征综合判断。
所以，AI 不是简单地查固定规则，而是通过数据学习统计规律，并把这些规律保存在模型的内部参数里。
8. 用猫狗识别理解 AI 的完整流程
假设我们要训练一个能识别猫和狗的 AI。
整个过程大概是：
这里面有几个关键点：
- 图片数量要足够多。
- 图片最好要有正确标签。
- 图片要尽量多样化。
- 模型需要经过反复训练。
- 训练完成后，模型才能对新图片进行推理。
如果训练数据太单一，模型可能会学偏。
比如训练数据里的猫都是白色的，狗都是黑色的，那么模型可能误以为：
白色 = 猫
黑色 = 狗
这就说明，数据质量会直接影响 AI 的效果。
8.5 数据、模型、训练的关系
理解AI的三个核心概念（数据、模型、训练）之间的关系至关重要：
三者关系说明：
- 数据是燃料，为模型提供学习材料
- 训练是引擎，驱动模型从数据中学习
- 模型是容器，存储学习到的规律
- 推理是应用，使用训练好的模型处理新任务
这个闭环体现了AI系统的核心工作原理：用数据训练模型，让模型具备推理能力。
9. 本节课的核心总结
这一课最重要的是理解四句话：
普通软件主要靠人写规则。
AI 软件主要靠数据训练模型。
训练是让模型学习规律。
推理是使用训练好的模型处理新输入。
再进一步，可以总结成一句话：
普通软件是规则驱动，AI 软件是数据驱动。AI 通过数据训练模型，让模型学习规律，再用训练好的模型处理新的输入。
10. 本节课的关键词
| 关键词 | 简单解释 |
|---|---|
| 数据 | AI 学习的材料 |
| 模型 | 从数据中学习规律的系统 |
| 训练 | 让模型通过数据学习规律 |
| 推理 | 使用训练好的模型处理新输入 |
| 参数 | 模型内部可调整的数值 |
| 标签 | 训练数据对应的正确答案 |
| 规则驱动 | 人写规则，机器执行 |
| 数据驱动 | 机器从数据中学习规律 |
11. 我的阶段理解
通过这一课，我对 AI 有了一个初步认识：
普通软件是人为指定规则，软件按照指令执行。
AI 软件不是主要靠人写死规则，而是通过大量数据训练模型，让模型学习数据中的规律。训练完成后，模型可以对新的输入进行判断、预测或生成内容。
以猫狗识别为例，训练时需要给模型大量带标签的猫狗图片，让它学习猫和狗的区别。训练完成后，再输入一张新的动物图片，模型就可以根据之前学到的规律判断图片中是猫还是狗。
12. 本节课后的自测问题
可以用下面几个问题检查自己是否理解：
- 普通软件和 AI 软件最大的区别是什么？
- 什么是训练？
- 什么是推理？
- 为什么说 AI 不是简单查规则？
- 如果要训练一个识别猫狗图片的 AI，需要准备什么数据？
如果能用自己的话回答这些问题，就说明已经掌握了本节课的核心内容。
这一课的最终记忆版
你可以把下面这段作为最精简的复习卡片：
普通软件：人写规则，机器执行规则。
AI 软件：人提供数据，模型从数据中学习规律。训练：模型通过大量数据学习规律，并调整内部参数。
推理：模型训练完成后，利用学到的规律处理新输入。AI 不是简单查规则，而是通过数据学习复杂规律。 训练猫狗识别模型，需要大量带标签的猫狗图片。
这节课你已经掌握得不错。下一课可以进入：AI、机器学习、深度学习、大模型之间到底是什么关系。
