1. 什么是 AI？它是如何发展的？ - Fundamentals
所属知识库：Agent 全栈技术地图
所属领域：01 · AI
所属章节：01 · 什么是 AI？它是如何发展的？ - Fundamentals
文档类型：章节概述
版本：v1.0
更新日期：2026 年 10 月 27 日
核心问题：什么是人工智能？AI 的主要技术路线是什么？它经历了怎样的发展过程，又具备哪些能力与局限？
这篇主要承担章节介绍、基础认知、研究导航和学习目标四个功能。
一、章节简介
人工智能（Artificial Intelligence，AI）是研究如何构建能够执行智能任务的计算系统的技术领域。这些任务包括信息感知、模式识别、语言理解、知识推理、决策和内容生成等。
人工智能并不是某一种具体技术，而是一个包含多种理论、方法和技术路线的广泛研究领域。从早期基于规则和符号的人工智能，到机器学习、深度学习，再到近年来快速发展的生成式人工智能，不同技术路线持续推动着计算机处理复杂信息和解决问题的能力发展。
对于 Agent 技术研究而言，理解 AI 的基本概念和发展过程，是认识现代智能体技术的重要基础。尤其是大语言模型的发展，使 AI 能够通过自然语言与外部软件系统交互，为基于模型的 Agent 提供了重要的智能能力来源。
本章节将从人工智能的基本定义出发，逐步介绍其主要技术路线、发展历程、生成式 AI 的特点，以及当前 AI 技术的能力边界，为后续学习模型架构、模型工程和 Agent 技术建立基础认知。
二、核心认知
理解 AI，可以先建立以下几个基本认识。
第一，人工智能是一个广泛的技术领域。 它包含符号推理、机器学习、深度学习等多种技术路线，并不等同于某一种模型或算法。
第二，机器学习和深度学习是实现人工智能的重要方法。 机器学习通过数据学习规律，深度学习则主要利用多层神经网络学习复杂的数据表示。二者存在包含关系，但并不能代表人工智能的全部。
第三，生成式 AI 是人工智能的重要发展方向。 它关注通过模型生成文本、图像、音频等内容。大语言模型是其中的重要技术类别，但生成式 AI 并不局限于语言模型。
第四，AI 的能力来自具体的技术机制。 不同 AI 系统可能通过人工设计的规则、统计学习或神经网络训练获得能力。现代大语言模型主要通过大规模训练学习数据规律，并在推理过程中生成输出。
第五，AI 的能力具有明确的适用条件与局限。 AI 模型可以完成许多复杂任务，但仍可能产生错误信息、出现推理失误，或受到训练数据、上下文和计算资源等因素的限制。因此，实际应用需要结合任务要求进行验证和评估。
这些基本认识将贯穿后续整个 Agent 技术体系的研究。
三、本章节研究什么？
本章节包含五篇研究文章，按照「基本概念 → 技术关系 → 发展历程 → 现代技术 → 能力边界」的顺序展开。
| 编号 | 研究主题 | 核心研究问题 |
|---|---|---|
| 01 | 什么是人工智能？ | AI 如何定义？它研究什么问题？有哪些主要技术路线？ |
| 02 | AI、机器学习和深度学习有什么区别？ | 人工智能、机器学习和深度学习之间有什么关系？ |
| 03 | AI 技术经历了哪些主要发展阶段？ | AI 经历了哪些重要发展阶段？技术路线如何演变？ |
| 04 | 生成式人工智能 | 什么是生成式 AI？它与传统 AI 有什么区别？ |
| 05 | 能力与局限 | 当前 AI 能够完成哪些任务？主要局限与风险是什么？ |
五篇文章之间存在递进关系。
首先，通过人工智能的基本定义建立研究对象；随后理解机器学习与深度学习在人工智能中的位置；再通过技术发展历程认识不同技术路线的形成背景。
在此基础上，进一步研究生成式人工智能的基本特征，并从能力与局限两个方面理解现代 AI 技术的实际应用边界。
四、学习目标
完成本章节后，应当能够：
- 建立概念认知：准确解释人工智能的基本含义，理解其研究范围。
- 理解技术关系：区分 AI、机器学习、深度学习和生成式 AI，理解它们之间的联系与差异。
- 建立发展认知：了解人工智能的主要发展阶段，以及不同技术路线的演变。
- 认识现代 AI：理解生成式人工智能和大语言模型在现代 AI 技术中的位置。
- 理解能力边界：能够初步判断 AI 适合处理哪些任务，以及应用中需要注意哪些局限。
本章节主要建立基础认知，不要求掌握神经网络的数学推导、模型训练算法或具体的工程实现方法。
这些内容将在后续专题中进一步研究。
五、后续研究方向
完成 Fundamentals 后，将依次进入三个技术专题。
Model Architecture · 模型架构
研究 AI 模型的内部结构、训练机制与推理过程，重点理解神经网络、Transformer、大语言模型和多模态模型如何工作。
Model Engineering · 模型工程
研究如何在实际软件中调用和管理 AI 模型，包括 Model API、Prompt Engineering、Context Window、Structured Outputs、Function Calling 等技术。
Knowledge & Retrieval · 知识与检索
研究 AI 如何获取和利用外部信息，包括 Embedding、向量数据库、信息检索、RAG 和知识库等技术。
通过这些专题，学习过程将逐步从人工智能的基础认知，进入模型工作原理和实际工程应用，并为后续 Agent 技术研究建立基础。
六、参考文献与延伸阅读
以下资料可作为本章节基础概念和发展脉络的参考。具体技术定义、历史事件及研究结论将在对应专题中进一步引用和分析。
[1] Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
人工智能领域的经典教材，系统介绍人工智能的基本概念、研究方法和主要技术方向。
[2] Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
机器学习经典教材，可用于理解机器学习的基本定义与研究范畴。
[3] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
深度学习基础教材，系统介绍神经网络、表示学习及深度学习方法。
[4] Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30.
提出 Transformer 架构，是理解现代大语言模型的重要基础文献。
[5] Bommasani, R., et al. (2021). On the Opportunities and Risks of Foundation Models. arXiv:2108.07258.
系统讨论基础模型的技术特征、应用机会与潜在风险。