AI 全景指南

AI 的概念起源于 1950 年代。1950 年，Alan Turing 提出了著名的"图灵测试"，为机器智能的定义奠定了基础。1956 年达特茅斯会议上，"人工智能"一词正式诞生，标志着 AI 作为一门学科的起点。

机器学习是 AI 的一个核心子领域，让计算机能够从数据中自动学习规律和模式，而无需显式编程。它包括监督学习、无监督学习和强化学习三大范式，广泛应用于分类、回归、聚类等任务。

深度学习是机器学习的一个分支，使用多层神经网络来模拟人脑处理信息的方式。2006 年 Geoffrey Hinton 提出了深度信念网络，标志着深度学习时代的开始。2012 年 AlexNet 在 ImageNet 竞赛中大幅领先，证明了深度学习的强大能力。

2017 年 Google 发表里程碑论文《Attention Is All You Need》，提出了 Transformer 架构。它摒弃了传统的循环结构，完全基于自注意力（Self-Attention）机制，能够并行处理序列数据，大幅提升了训练效率和模型性能。这一架构成为后续所有大语言模型的基石。

大语言模型是基于 Transformer 架构、在海量文本数据上训练的超大规模模型。它们通过预测下一个 token 来学习语言的统计规律，涌现出理解、推理、生成等惊人能力。代表性工作包括 GPT 系列、BERT、PaLM 等。

OpenAI 的 GPT 系列将大语言模型推向大众。2022 年底 ChatGPT（基于 GPT-3.5）发布，仅两个月用户破亿，引爆全球 AI 浪潮。GPT-4 引入多模态能力，支持图文理解。这些模型通过 RLHF（人类反馈强化学习）对齐，使 AI 输出更加安全、有用。

RAG 将信息检索与大语言模型生成相结合。先从外部知识库中检索相关文档，再将检索结果作为上下文输入 LLM 进行生成。这有效解决了 LLM 的幻觉问题和知识时效性问题，使 AI 能基于最新的、特定领域的信息进行回答。

AI Agent 是能够自主感知环境、制定计划、使用工具并执行行动的智能系统。与传统的单轮问答不同，Agent 可以将复杂任务分解为多个步骤，调用外部 API 和工具，循环迭代直到任务完成。这标志着 AI 从"被动回答"到"主动执行"的重大转变。

MCP 是 Anthropic 提出的开放标准协议，为 AI 模型提供统一的方式连接外部数据源和工具。类似于 USB-C 为设备统一了接口，MCP 为 AI 应用统一了上下文交互标准。通过 MCP Server，AI 可以安全地访问数据库、API、文件系统等各种资源。

AI Skills 是可复用、可组合的智能能力单元，将复杂的 AI 任务封装为标准化技能。Claude（由 Anthropic 开发）是当前最先进的 AI 助手之一，以安全性、长上下文理解和编程能力著称。Claude Code 作为 CLI 工具，结合 Skills、MCP 和 Agent 能力，成为 AI 辅助开发的重要基础设施。

AGI 是 AI 发展的终极目标 —— 具备与人类相当或超越人类水平的通用智能。AGI 将能够自主学习、推理、创造，解决跨领域的复杂问题，具备自我意识和持续改进能力。虽然距离实现仍有挑战，但当前的技术进展正在加速这一进程。