一位朋友去B2B公司面试产品销售，回来后有点迷茫。

他说：

HR聊到前几段履历情况，以及所做出的成果和离职原因后，就没没说其他的；但业务负责人面试完，我自信的状态突然没有了。

因为在双方交流过程中发现，他用到很多英文、专业术语，这些我都似懂非懂，尽管对方没有具体做到问我某些什么意思，可我总认为，自己在该方面还有很多课要补。

是的，新技术发展，必然会有大量术语、概念产生。

这些术语好处是，能将复杂、冗余的表述简化为几个词，从而极高交流效率；然而，劣势也同样明显，你对术语不熟，就没办法跟客户把产品讲明白，甚至导致沟通失效。

那么，面对此类情况，该怎么办呢？有两个方法，一，日常在工作中多积累；二，集中系统性学习。

第二种很难，毕竟人工智能广泛还复杂，涵盖细分场景也比较多；因此，我特意选取了一些容易混淆，提及比较多的通用词汇。

01

第一个关于AI。你怎么一句话给人解释它？

我会这么说：

AI，是人工+智能。一种让机器能像人一样思考、解决问题的技术，它能用在多个领域和场景中，想象一下，智能手机，智能家居设备，这些都是AI技术的应用。

这很简单吧。

不过，要说起它的由来，就得提到一个专业词汇：神经元（Neuron）。在生物和神经科学领域，它是神经系统的基本单位，负责接受、处理和传递信息。

早在1943年，有两位科学家，名叫McCullouch和Pitts，他们发表一篇非常重要的论文，名字叫做：

《A Logical Calculus of the Ideas Immanent in Nervous Activity》

论文中，提到了一个数学模型，叫做“McCulloch-Pitts神经元”，也就是人工神经元的早期形式。通过模型，我们可以模拟，并解释生物大脑是如何传递信号的。

这不难理解吧？有了对神经元的理解，科学家能更深入的知道如何模拟一个生物的大脑系统。

随着不断研究，7年后（1950年），一位英国学家艾伦·图灵（Alan Turing）发表一篇论文，探讨了“机器能思考吗？”图灵通过著名的「图灵测试」，探索机器会不会更智能。

到了1956年，在一个叫达特茅斯学院（Dartmouth College）的地方，几位研究计算机和自动化的科学家聚在一起，讨论预测机器是否能模仿人类学习的行为；麦卡锡在会议中提出一个想法：

希望在夏天的1-2个月内，凭借10几个人的努力，让机器能够使用语言、形成抽象概念和解决各种问题的方法，最终达到与人类相似的智能水平。

因此，这次会议上：AI才作为一个独立学科被成立。一晃之间，又7年过去了，1960年左右，多名研究者对人工智能的发展做出了贡献。

比如：

斯坦福大学研究者们，开发了珀西瓦尔（Perceptron），基于神经元结构，展示机器如何学习；著名的逻辑理论家赫伯特·西蒙（Herbert Simon）和他的团队，基于数学定理，开发出一套自动推理的程序。

还有很多......

但是，到了70年代中期（1974年），因为技术发展没有达到大家希望的水平，加上经济压力，美国政府才开始削减对AI领域的资助，这导致了所谓的历史上第一个：AI寒冬的出现。

直到又过了7年后，专家系统的商业成功让AI研究有了复苏的标志，市场才对AI领域有了新关注和投资机会。看到这里，你可能会问：什么是专家系统呢？

千万不要误解，专家系统不是管理专家的。

它是一套特别的计算机系统程序，它能学习各种规则、知识、模仿人类专家做决定；可以把人类专家的知识，转变成计算机能理解和使用的形式，让它在市场上真正派上用场。

可是，好景不长，7年后（1987年），AI又引发了第二个更长的寒冬。

失败的结论无法用一句言语来表达，不过，有几个关键节点，一，专家系统看起来有前景，但不赚钱，不能广泛使用；二，技术所依赖的Lisp编程语言，有性能瓶颈，要消耗大量硬件成本；三，Lisp编程所用的计算机系统过时了，导致市场溃败。

这不仅影响到上游制造商，还涉及到人工智能的研究。

所以，许多研究项目停滞不前，导致市场对人工智能大幅度降温，这一寒冬，持续小10年。

直到1990年，互联网算法兴起，人工智能才算恢复活力，同年，一位非常有影响力的计算机教授Yann LeCun，贡献了卷轴神经网络（CNN）的发展，才推动了神经网络的实际运用。

到了2000年，AI背后所承载的技术才被运用到各领域。

这一段60年的脉络，只为让你清晰展示AI的发展，它从一条神经元，到成为系统，经历了什么。

02

第二个，关于AI怎么更像人。想象一下：

如果我们想让人工智能更像人类，是不是要先给它构建一个类似于人类大脑的模型，让它拥有一个「操作系统」，能够模拟人脑的工作方式。

这意味着，我们得不断挖掘它，让它有注意力机制，让它会能够学习，还能看得见周围的一切，甚至说，还得自我优化。没错，这正是人工智能专家们正在做的事情。

你知道吗？

2000年以后，AI技术越来越广泛，不管做什么，只要和智能相关，都会给它贴上人工智能标签，不同技术之间的差异，到底该如何有效区分就成了一个问题。

2002年，人工智能领域有两位科学家，Ben Goertzel和Cassio Pennachin合著一本书《Artificial General Intelligence》，翻译成中文是《人工通用智能》。

它提到了AI的子领域，也就是AGI。

G是 General的缩写。意思是通用的、全能的。这意味着，它的通用智能水平能和人类相媲美，不仅能执行特定任务，还能在多种环境、情境下学习知识，进行自我改善。

看到这，你兴许更困惑。

我们一般觉得，既然叫做人工智能，AI能力应该比AGI广泛，实际上情况并非如此。它俩区别在于，AI被特别训练来完成某个具体任务，学习能力和适应性都有明确的限制。

而AGI，具备自主智能，可以理解和解决之前未遇到的问题，不仅限于单一任务。简单来说，AGI像可以在任何情况下都能够应对的智能，而AI则更像只擅长特定领域的专家。

图译：便于理解，画了一张示意图图，供你参考，未来AI的终极目标，让它像人一样

因此，该怎么给别人一句话介绍AGI？

我会说：AGI是通用人工智能，让机器能像人一样，在很多不同事情上能自己想办法解决；它跟AI区别在于，AI专门为某个任务设计，而AGI则可以处理任何问题，像人一样，更强大。

有一个与AGI相似的词，叫Gen AI了。

Gen背后英文是General，AGI中的G也是General，不要惊讶，它俩意思相同。那么，市面为什么有人喜欢叫GenAI，有人叫AGI？

有两点：

一，源于发展。不同地域差异，大家叫法不同；二，和产品有关。商业环境中，大家喜欢用一些不同的叫法来突出自己的产品特色；不过，在全球范围和学术文献场景下，目前AGI称呼更为普遍。

所以，这10年的故事中，AGI发展不仅让机器在复杂环境中，有了更深层次的学习能力，还让特定任务的窄AI（也称为弱AI（Weak AI），也变得更智能了。

03‍

第三个，关于大模型（Large Model）。

讨论不同模型，了解2010年到2017年的AI发展至关重要。从2010年开始，AGI领域越来越多投资者进入，深度学习也就成了研究和应用的焦点。

2015是注意力转折点，得益于硬件进步和大数据的支持，DeepMind开发的AlphaGo击败了世界围棋高手李世石。这一事件后，让大家更相信AGI会变得更强、更像人类。

同年，OpenAI在美国成立，为后来大模型发展奠定了基础。那么，什么是大模型呢？

“大”，指，模型处理信息量很大，在人工智能中，我们称信息为“参数”（Parameters），模型，像小时候玩的玩具，虽然是虚拟的，却能执行真实的任务，当你问它一个问题时，它能迅速给出答案。

我通常这样解释：大模型是，能够处理大量复杂数据的高级程序，像一个超级聪明的大脑，可以学习和处理许多不同的事情。

那么，小模型（Small Model）是什么呢？

与大模型相对，小模型参数数量少，结构简单，计算资源需求也不高。这些模型专为特定领域设计，比如营销自动化、儿童早教、或帮助孩子学习古文等，更专注于解决特定类型的问题。

虽然在2015年左右，大模型还不为大众知晓，但到了2017年，谷歌发表了《Attention Is All You Need》这篇论文后，彻底改变了大语言模型（Large Language Model, LLM）领域的面貌。

因为，这篇论文介绍一种基于multi-head自注意力机制的深度学习Transformer架构。这种架构，推动了处理语言的模型的发展，它能更加灵活的能模仿人类的情感和语言风格。

大语言模型和大模型，最主要的区别是：大模型能处理很多不同类型的任务，比如图像识别、数据分析等；而大语言模型，主要是用来处理文字，比如，帮我们写文章或翻译语言。

另外，值得一提的是：

自然语言处理（NLP）技术是AI领域中的一个核心分支，它包括自然语言理解（NLU）和自然语言生成（NLG）。

当我们在和AI对话时，输入的每一个字或词叫做token。AI会把文本分割成最小的单位来学习，这个过程称为tokenization（分词）；例如：句子，”你吃了吗“，一个常见的分词方法将其分为三个tokens，“你 / 吃了 / 吗”。

还有一个与大语言模型经常混淆的词：GPT。

GPT是Generative（生成式）、Pre-trained（预训练）Transformer（一种模型架构）三者的缩写，ChatGPT和GPT不是同一回事，不要混淆。

ChatGPT是OpenAI公司基于GPT模型，开发的特定产品，主要用于生成文本，而GPT本身代表一种广泛的模型系列，像sora也是GPT模型的产品之一。

所以，当别人问起时，我会说：

大语言模型像一个操作系统，它为处理、理解语言提供了基础框架；GPT更像系统上的一个应用程序，它利用框架来执行任务；至于ChatGPT，是基于GPT模型开发的一款具体产品，就像电脑上的聊天工具。

明白它非常重要，国内一些产品，某种程度上，也可以称它为类似GPT的模型。

毕竟，它们同样基于自注意力架构进行预训练，也能生成文本；所以，虽然优化方法不同，但技术核心上，基本一致。

这7年，让大模型、大语言模型（LLM）发生了关键变化。通过时间脉络，你也能理解到几者有何不同。

04‍

第四个，关于AIGC。什么是AIGC？

这里的”C”代表Content，中文意思是“内容”。AIGC的全称是“人工智能生成内容”，涵盖文本、图像、视频和音乐等多种形式。

因此，AIGC包括四个方面：文生文、文生图、文生视频、文生音乐。

说起来，你也许不信，历史时间脉络中，并没有哪位科学家首次提出该术语，它是在人们不断讨论中，逐渐形成的一种通用描述。

想彻底了解AIGC，不妨再看7年。

从2018年到2020年的3年里，一项调查显示，全球有72个活跃的AGI研发项目，分布在37个不同的国家；本质上，是研究openAI、DeepMind、Anthropic等公司。

这些公司都在做什么？简单说，DeepMind是专注创造AGI的公司，目标让机器的智能能够和人类相媲美；而OpenAI，则因其开发的大型模型，引起广泛关注。

再看最近4年，AIGC技术几乎在各行业的涌现。现在，照片不仅能一键美颜，还能一键抠图，并且处理的更精细；做PPT，不仅能根据大纲生成内容，还直接匹配的配图素材。这背后都得益于小模型，多模态发展。

多模态（Multimodal）技术，即：一个AI模型能处理不同类型的数据（文本、图像、音频），还能将不同形式的信息，整合在一起，从而进行更全面的分析和理解。

因此，一个最重要启发在于：

未来更加垂直领域的信息，将会被开发出来，这些信息反哺给模型，模型经过参数调整后重新学习，将变得更加聪明，这种发展，越来越逼近AGI的目标。

作为个人，理解整个AI发展，能有一个宏观框架在心里，下次看到不同产品时能知道，公司处在哪个赛道中。

当然，每个细分赛道里，还有更多更专业的术语，像AI+营销领域还有很多小模型，如：动态定价模型、情感分析模型、用户流失模型、ROI预测模型等等，这些像人的思维模型一样，被格栅化在多模态里。

好了。

四个大概念讲完了。关于AI、AGI、大模型、小模型、大语言模型（LLM）、GPT、AIGC、多模态，按照时间轴加在一起，共计发展了81年。

这81年中，几乎7年一个小变化，但也不是绝对，你有什么感受？

总结而言

有大视角，才不会被细节迷惑。

随着AI发展，未来，旧工作会被加速迭代，新行业虽然没起来，但必有新机会出现，了解AI，才能迎接新的时代，更好的驾驭它。