在人工智能(Artificial Intelligence)的学习路上，你一定听过很多相关的词汇：人工智能（AI）、AIGC、生成式AI、机器学习（Machine Learning）、深度学习（Deep Learning）、大语言模型（LLM）、Transformer、GPT、Bert、智能体（Agent）、MCP、Function Calling、Cursor、Coze、卷积神经网络(CNN)、k-近邻算法（KNN，全称是 K Nearest Neighbors ）、循环神经网络(RNN)、Deepseek、Chatgpt、RAG、Claude Code等等。对于初学者听着这些词汇，但却不明白他们之间有什么关系，都是干什么用的，有什么不同和联系？
首先什么是人工智能，人工智能是总的概念，指的是一切让机器能够“表现出智能”的技术。英文翻译为Artificial Intelligence，简称AI。
机器学习是AI的一个子领域，通过数据训练算法模型，让系统具备预测能力，机器学习的算法模型有很多，可以分为三大类：监督学习、无监督学习、和强化学习，每种类型的算法都有其独特的应用场景和特点。
监督学习算法，在训练过程中使用带标签的数据集，通过学习输入和输出之间的关系来进行预测。常见的监督学习算法包括：线性回归、逻辑回归、决策树、支持向量机（SVM）、朴素贝叶斯、随机深林、k-近邻算法（KNN，全称是 K Nearest Neighbors ）。
无监督学习算法，在没有标签的数据集上进行训练，通过发现数据的内在结构来进行分类或聚类。常见的无监督学习算法包括：K-均值算法（K-Means）、降维算法。
强化学习算法，强化学习算法通过与环境的交互来学习策略，以最大化累积奖励。常见的强化学习算法包括Q学习和深度Q网络（DQN）。
深度学习，是机器学习的一个子集，使用多层神经网络模拟人脑学习方式，自动提取复杂特征。
Transformer架构是一种基于自注意力机制的深度学习模型，首次由Google团队在2017年提出。它的核心特点包括：
注意力机制：允许模型并行计算全局语义关联，解决长距离依赖问题。
编码器-解码器结构：实现对输入的深度理解与输出的精准生成。
模块化设计：结合嵌入层、位置编码、前馈网络等，提升模型的表达能力与可扩展性。
Transformer架构广泛应用于自然语言处理（NLP）和计算机视觉（CV）等领域，是现代大语言模型（如GPT、BERT等）的基础。
以上AI概念的关系整理如下图所示，对图中关系需要说明如下，人工智能是总的概念，下面分支机器学习，机器学习可以分为有监督学习、无监督学习和强化学习算法；深度学习是机器学习的一个分支，深度学习下又分为几种常见的神经网络架构，卷积神经网络、循环神经网络和Transformer架构；在Transformer架构以及海量数据和算力的预训练下形成具有一定泛化、通用能力的基础大模型，基础大模型在SFT（监督微调）、奖励模型训练、人类反馈强化学习（RLHF）下形成对齐后的基础大模型，然后进入产品化阶段，经过安全过滤、用户体验优化等手段形成对外开放的Chatgpt、deepseek等产品。
另外一个分支是智能体的开发，基础大模型 是底层引擎，提供核心智能。RAG 和 Function Calling/MCP 是两种关键的能力增强手段：RAG增强知识和信息，Function Calling/MCP增强行动和执行。
智能体 是顶层架构，它有机地结合并调度上述所有能力，以完成复杂的、自主的任务。
声明：部分内容来源于网络，仅供读者学习、交流之目的。文章版权归原作者所有。如有不妥，请联系删除。
