My Blog

我是 Java 后端出身，做了两年多政企平台的前后端开发。今年决定往 AI Agent 方向转，开始学习系统性的 AI Agent 课程。

这是这个系列的第一篇。我打算把学到的东西都写下来——不是为了记笔记，而是因为写出来才知道哪里其实没懂。

第一次是入门，两个主题：AI 行业全景，以及机器学习到底是什么。

一、先搞清楚三个词的关系

入门第一个坑就是 AI、ML、DL 这三个词混着用。课上讲的关系很清楚：

AI（人工智能）
 └─ ML（机器学习）—— AI 的主流实现方式
     └─ DL（深度学习）—— ML 的子集

AI 是最宽的概念：让机器表现出智能行为的技术统称。专家系统、搜索算法都算 AI
ML 是从数据中自动学习规律，不用人工写死每条规则
DL 是 ML 里靠多层神经网络的那一支，CNN、Transformer、GPT 都在这里

为什么现在是深度学习最火？算力、数据、算法三者齐备了——这三样缺一不可，缺了任何一个都会重演历史上的寒冬。

二、两次寒冬的教训

AI 的 70 年不是一路向上的，中间摔过两次：

时期	发生了什么	教训
一次寒冬（70s）	算力和数据都跟不上，却承诺过头	不要画超出技术能力的饼
二次寒冬（90s）	专家系统靠硬编码规则，维护成本爆炸	数据驱动才是正道

分水岭是 2012 年的 AlexNet——ImageNet 错误率从传统方法的 26.2% 降到 15.3%，深度学习第一次被证明真正有效。

之后的节奏就快了：BERT(2018) → GPT-3(2020，1750 亿参数) → ChatGPT(2022) → Claude/Gemini(2023，多模态) → DeepSeek(2025，国产开源崛起)。

趋势很明确：参数越来越大 → 能力越来越强 → 成本越来越低。

三、机器学习到底在做什么

这是我觉得第一周最核心的一张对比：

传统编程：  数据 + 规则(人工写)  →  结果
机器学习：  数据 + 答案(标注)    →  规则/模型

传统编程的问题是规则永远写不完。判断垃圾邮件，你能写多少条 if-else？

机器学习反过来：给它足够多的「这封是垃圾/这封不是」，让它自己找出规律。

本质上，ML 就是用数据训练出一个函数。 输入特征 → 模型 → 输出预测，训练就是不断调参数让预测更准。

有监督学习的类比

课上用了个我觉得很准的比喻：有监督学习就像老师批改作业。

题目 + 答案 = 带标签的训练数据
批改 = 训练过程
独立解新题 = 预测

两个基本任务：

回归：用身高预测体重——拟合一条直线，输出连续数值
分类：判断垃圾邮件——输出所属类别

有个容易搞混的点：逻辑回归名字带「回归」，但实际是做分类的。它输出 0~1 的概率，超过阈值判正类。

四、深度学习的三部曲

神经网络的灵感来自生物神经元——树突接收、细胞体处理、轴突传递。人工神经元把这个过程抽象成：

输入 × 权重 → 求和 + 偏置 → 激活函数 → 输出

本质就是加权求和 + 非线性变换。

训练分三步：

正向传播：输入逐层加权求和 + 激活，算出预测
损失函数：衡量预测与真实的差距（回归用 MSE，分类用交叉熵）
反向传播 + 梯度下降：误差反向传递，算出每个权重的梯度，沿梯度反方向更新

课上的比喻是蒙眼下山找最低点——你看不见全局，只能感知脚下的坡度，朝着下坡方向迈一步，步长就是学习率。

五、几个必须搞懂的概念

过拟合 vs 欠拟合

	训练集	测试集	问题
过拟合	99%	65%	把噪声也记住了，泛化不行
欠拟合	差	差	模型太简单，没学到规律

过拟合像死记硬背的学生——原题会做，换个数就懵。

解决过拟合的优先级是：获取更多数据（最有效）→ 数据增强 → 正则化 → Dropout → 早停。注意第一条排在最前面，很多人一上来就调正则化系数，其实加数据的收益大得多。

数据集三件套

训练集 60~70%   用来学习
验证集 10~20%   调超参数，防止「作弊」
测试集 10~20%   最终评估，模型从没见过

一句话记住：数据质量 > 模型复杂度。

参数 vs 超参数

参数：训练中自动调整的（权重、偏置）
超参数：训练前人工设定的（学习率、层数、批次大小、训练轮数）

调超参数是工程师的核心技能之一——这部分没有公式可套，全靠实验。

六、关于这个行业

课程最后一部分讲行业和职业规划，有几点我记下来了。

AI 会淘汰程序员吗？ 课上的说法是：不会，但会用 AI 的程序员会淘汰不会用的。被替代的是重复性高、逻辑简单的代码；被增强的是复杂架构设计、业务理解、调试排错。

成为 AI 工程师需要五种能力：数学基础、编程能力、ML 理论、工程能力、软技能。其中我觉得对我这种转行的人最重要的一句是——

数学基础不用会推导论文，理解模型背后的直觉即可。

几个避坑提醒：

别光看课程不动手
不用追求 100% 理解再写代码
项目经历比竞赛证书更有说服力

第三条对我影响挺大的，后面这 18 周我基本每周都会写一份实验报告，就是这个原因。

这周的收获

第一周没写多少代码（就跑了个 torch.cuda.is_available() 确认环境），但两个概念框架立起来了：

AI/ML/DL 的层级关系，以及为什么现在是深度学习的时代——算力、数据、算法缺一不可
机器学习的本质是用数据反推规则，而不是人工写规则

作为后端转过来的人，最大的思维转变是：以前写代码是「我告诉计算机怎么做」，现在是「我给它数据和答案，让它自己找方法」。这两种思路的调试方式完全不同——前者看日志找逻辑错误，后者看指标找数据问题。

下周开始进正题：深度学习原理，从数学基础一路推到反向传播。

Agent 学习：从零开始的 AI 之路